- •Класична лінійна модель множинної регресії (клммр)
- •В клммр досліджуються лінійні функції регресії (2)
- •Метод найменших квадратів (мнк) і метод максимуму правдоподібності.
- •Аналіз варіації результуючого показника
- •4.Оцінка якості статистичної моделі.
- •Статистичні властивості оцінок параметрів клммр. Обґрунтованість оцінок і .
- •Незміщеність оцінок.
- •Коваріаційна матриця мнк – оцінок.
- •Перевірка наявності зв’язку між екзогенними і ендогенною змінними за критерієм Фішера. Перевірка значимості коефіцієнтів моделі за критерієм Стьюдента.
- •Перевірка гіпотези про відсутність будь-якого лінійного зв’язку між і сукупністю пояснюючих змінних . В припущенні справедливості гіпотези
- •Мультиколінеарність та способи відбору найбільш суттєвих пояснюючих змінних.
- •3. Версія покрокового відбору змінних.
- •1) Версія всіх можливих регресій.
- •2) Версія покрокового підбору змінних.
- •Помилки специфікації клммр моделі, пов’язані із вибором пояснюючих змінних.
- •Узагальнена лінійна модель множинної регресії (улммр з гетероскедантичними та автокорельованими регресійними залишками).
- •Узагальнений метод найменших квадратів (умнк).
- •Тест Спірмана для перевірки гетероскедантичності моделі.
- •Тест Глейcера для перевірки гетероскедантичності моделі.
- •Тест Гольфельда-Куандта для перевірки гетероскедантичності моделі.
- •Улммр з автокорельваними залишками (побудова матриць ).
- •Статистика Дарбіна –Уотсона
- •17. Оцінка авторегресійного параметра в моделі з автокорельованими залишками.
- •18. Двокроковий метод Дарбіна оцінки авто регресійного параметру.
- •Нелінійні моделі. Деякі властивості нелінійних залежностей, які підлягають безпосередній лінеаризації (моделі гіперболічного, експоненціального, степеневого та логарифмічного типів.
- •20. Підбір лінеаризуючого перетворення (підхід Бокса-Кокса)галіме!!!!
- •Точковий прогноз та побудова інтервалів довіри прогнозу на основі регресійних моделей.
- •22. Дослідження точності моделі в реальній ситуації (розбиття вибірки на дві підвибірки, метод ”ковзного екзамену”).
- •Умови ототожнення слвр (умови 1,2,3).
- •Умови ототожнення окремого рівняння слвр (умови 4,5).
- •???26.Оцінювання структурних параметрів окремого рівняння двокроковим методом найменших квадратів.
Умови ототожнення слвр (умови 1,2,3).
Проблема ідентифікованості СВР передує статистичному оцінюванню параметрів системи, оскільки від неї залежить і метод оцінювання. Відсутність ідентифікованості СВР означає, що існує безліч моделей, які не протирічать наявним спостереженням. В результаті аналізу проблеми іденти-фікованості конкретного структурного параметру системи приходимо до одної з трьох принципово можливих ситуацій:
даний параметр однозначно визначений через коефіцієнти приведеної системи;
структурний параметр допускає декілька різних варіантів визначення з допомогою непрямого МНК;
структурний параметр не виражений через коефіцієнти приведеної форми.
Запишемо систему рівнянь ЕМ з виключеними балансовими тотожностями у вигляді:
(1)
де
–
матриця коефіцієнтів при
ендогенних змінних, які пронормовані
з допомогою умови
–
матриця коефіцієнтів при p
предетермінованих змінних (сюди
включено і вільний член).
Нехай вектор
залишків
Сформулюємо умови ідентифікованості СВР.
Кількість рівнянь системи
повинна бути рівною кількості ендогенних
змінних
а матриця B
повинна бути невиродженою. Тоді ми
зможемо перейти до приведеної форми:
(2)
де
(3)
матриця розмірності
коефіцієнтів ПФ,
–
вектор-стовбець залишків.
Матриця спостережень предетермінованих змінних
повинна мати повний ранг Ця умова
дозволяє оцінити всі коефіцієнти
матриці П.
Модель (1) є
“перевантажена” невідомими
параметрами
і
Можна довести, що якщо не довести модель
(2.1) ніякими апріорними обмеженнями
відносно числових значень параметрів
моделі, то жодне з рівнянь не ідентифіковане.
Покладемо
у відповідність кожному i-ому
рівнянню системи (1) (m+p)-вимірний
вектор
Нульові значення
компонент
визначають “адреси” апріорі нульових
параметрів i-го
рівняння структурної форми.
Серед апріорних обмежень
не повинно бути однакових.
Умови ототожнення окремого рівняння слвр (умови 4,5).
4.
Розглянемо ще дві важливі умови ідентифікованості окремого рівняння системи (2.1). Запишемо i-те рівняння (без порушення загальності) таким чином, що спочатку в i-ому рядку йдуть змінні, які мають ненульові значення:
(2.4)
або
(2.5)
(2.6)
(2.7)
Знайдемо
співвідношення, які б дозволили знайти
коефіцієнти
i-го рівняння структурної
форми через коефіцієнти приведеної
форми (тобто, через коефіцієнти матриці
).
Для цього запишемо (2.3) в еквівалентній
формі:
(2.8)
Матрицю подамо у вигляді:
(2.9)
Зауважимо, що в цьому випадку ПФ можна записати у вигляді:
(2.10)
Розглянемо співвідношення (2.8) з врахуванням (2.9):
(2.11)
В результаті множення вектора на матрицю в (2.11) дістаємо систему рівнянь, які пов’язують елементи i-ої стрічки СР СВР з параметрами приведеної форми:
Коефіцієнти
знаходяться наступним чином:
спочатку з (2.13) визначаються
,
а потім з (2.12) коефіцієнти
(2.13) є системою
рівнянь відносно
з
невідомим (згідно умови нормування,
один з коефіцієнтів
).
Для існування розв’язку системи (2.13)
необхідно, щоб кількість рівнянь в
(2.13) була не меншою кількості невідомих,
тобто
5.Умова
ідентифікованості окремого рівняння
(рангова умова; є необхідною і
достатньою). Ранг матриці
Зауважимо, що
перевірку рангової умови в загальному
випадку можна здійснити тільки після
обчислення матриці
( після застосування МНК до приведеной
форми (2.10)).
