- •И.А. Калашникова с.И. Моисеев эконометрика Учебное пособие
- •Воронеж 2013
- •И.А. Калашникова с.И. Моисеев эконометрика
- •Введение
- •Тема 1. Введение в эконометрику
- •Экономические модели должны отвечать ряду требований. К ним относятся:
- •Создание любой теоретической модели, в том числе и экономической, проходит несколько этапов:
- •Тема 2. Предмет эконометрика
- •Тема 3. Парная линейная регрессия и корреляция
- •Критические значения распределения Стьюдента
- •Тема 4. Парная нелинейная регрессия и корреляция
- •Тема 5. Множественная регрессия и корреляция
- •Решение. На основании исходных данных составляем систему уравнений (1) для определения коэффициентов и . Находим коэффициенты системы, вычисляя суммы:
- •Критические точки распределения f Фишера
- •Тема 6. Специальные методы построения регрессионных моделей. Предпосылки метода наименьших квадратов
- •Фиктивные переменные во множественной регрессии
- •Тема 7. Системы эконометрических уравнений
- •Тема 8. Временные ряды
- •Тема 9. Динамические эконометрические модели
- •Заключение
- •Библиографический список
- •Глоссарий
- •Оглавление
- •394026 Воронеж, Московский просп., 14
Решение. На основании исходных данных составляем систему уравнений (1) для определения коэффициентов и . Находим коэффициенты системы, вычисляя суммы:
; ;
;
; ;
.
;
.
Откуда система (1) имеет вид:
Решим эту систему по методу Крамера. Вычисляем определитель системы:
Аналогично вычисляем частные определители, заменяя соответствующий столбец столбцом свободных членов:
; ; .
Коэффициенты уравнения определяются по формулам:
Таким образом, уравнение регрессии имеет вид:
.
Найдем теперь оценки парных коэффициентов корреляции и . Для этого находим средние значения
Решение. Находим
Парные коэффициенты корреляций равны (5.2):
;
;
.
Видно, что первые два коэффициенты очень высоки, что говорит о сильном влиянии факторов Х1 и Х2 на результат Y. Однако, коэффициент также высок, что говорит о сильной связи факторов Х1 и Х2 . Такие факторы называются интеркоррелированными и их наличие ухудшает качество регрессионной модели. Если факторы зависимы, то нет смысла их оба включать в модель, а нужно либо оставить в модели один из факторов (тот, который сильнее влияет на результат), либо объединить оба фактора в один общий, в обоих случаях получив парную регрессию.
Находим множественный коэффициент (индекс) корреляции (5.3):
Коэффициент множественной корреляции практически равен единицы, что дает основания предполагать, что факторы Х1 и Х2 в совокупности оказывают на результат Y практически полное функциональное влияние.
Сравниваем индекс множественной корреляции с парными индексами корреляции:
.
Следовательно, включение обоих факторов в уравнение множественной регрессии является обоснованным.
Значимость уравнения множественной регрессии в целом оценивается с помощью с помощью F-критерия Фишера:
, (5.4)
где - число наблюдений;
- число факторов.
Полученное по формуле (5.4) значение F сравнивается с табличным при уровне значимости . Табличные значения критических точек распределения Фишера приведены в табл. 2.
Таблица 2
Критические точки распределения f Фишера
k2 |
k1 Уровень значимости α = 0,05 |
||||||||||
1 |
2 |
3 |
4 |
5 |
б |
7 |
8 |
9 |
10 |
12 |
|
1 |
161 |
200 |
216 |
225 |
230 |
234 |
237 |
239 |
241 |
242 |
244 |
2 |
18,51 |
19,00 |
19,16 |
19,25 |
19,30 |
19,33 |
19,36 |
19,37 |
19,38 |
19,39 |
19,41 |
3 |
10,13 |
9,55 |
9,28 |
9,12 |
9,01 |
8,94 |
8,88 |
8,84 |
8,81 |
8,78 |
8,74 |
4 |
7,71 |
6,94 |
6,59 |
6,39 |
6,26 |
6,16 |
6,09 |
6,04 |
6,00 |
5,96 |
5,90 |
5 |
6,61 |
5,79 |
5,41 |
5,19 |
5,05 |
4,95 |
4,88 |
4,82 |
4,78 |
4,74 |
4,68 |
6 |
5,99 |
5,14 |
4,76 |
4,53 |
4,39 |
4,28 |
4,21 |
4,15 |
4,10 |
4,06 |
4,00 |
7 |
5,59 |
4,74 |
4,35 |
4,12 |
3,97 |
3,87 |
3,79 |
3,73 |
3,68 |
3,63 |
3,57 |
8 |
5,32 |
4,46 |
4,07 |
3,84 |
3,69 |
3,58 |
3,50 |
3,44 |
3,39 |
3,34 |
3,28 |
9 |
5,12 |
4,26 |
3,86 |
3,63 |
3,48 |
3,37 |
3,29 |
3,23 |
3,18 |
3,13 |
3,07 |
10 |
4,96 |
4,10 |
3,71 |
3,48 |
3,33 |
3,22 |
3,14 |
3,07 |
3,02 |
2,97 |
2,91 |
11 |
4,84 |
3,98 |
3,59 |
3,36 |
3,20 |
3,09 |
3,01 |
2,95 |
2,90 |
2,86 |
2,79 |
12 |
4,75 |
3,88 |
3,49 |
3,26 |
3,11 |
3,00 |
2,92 |
2,85 |
2,80 |
2,76 |
2,69 |
13 |
4,67 |
3,80 |
3,41 |
3,18 |
3,02 |
2,92 |
2,84 |
2,77 |
2,72 |
2,67 |
2,60 |
14 |
4,60 |
3,74 |
3,34 |
3,11 |
2,96 |
2,85 |
2,77 |
2,70 |
2,65 |
2,60 |
2,53 |
15 |
4,54 |
3,68 |
3,29 |
3,06 |
2,90 |
2,79 |
2,70 |
2,64 |
2,59 |
2,55 |
2,48 |
16 |
4,49 |
3,63 |
3,24 |
3,01 |
2,85 |
2,74 |
2,66 |
2,59 |
2,54 |
2,49 |
2,42 |
17 |
4,45 |
3,59 |
3,20 |
2,96 |
2,81 |
2,70 |
2,62 |
2,55 |
2,50 |
2,50 |
2,38 |
Если фактическое значение F-критерия Фишера превышает табличное, то уравнение статистически значимо с вероятностью . При использовании таблицы следует принимать .
Пример. Для уравнения корреляции, полученного в предыдущих примерах, вычислить значение F-критерия Фишера и определить статистическую значимость уравнения.
Ранее был вычислен индекс множественной корреляции . По формуле (5.4) получаем
.
По таблице определяем для значений :
Мы видим, что , а, значит, полученное уравнение корреляции является статистически значимым.
Возможен и иной подход к определению параметров множественной регрессии, когда на основе матрицы парных коэффициентов корреляции строится уравнение регрессии в стандартизованном масштабе:
, (5.5)
где - стандартизованные переменные;
, для которых среднее значение равно нулю, а среднее квадратическое значение равно единице;
- стандартизованные коэффициенты регрессии.
Применяя МНК к уравнению множественной регрессии в стандартизованном масштабе, после соответствующих преобразований получим систему нормальных уравнений вида для определения стандартизованных коэффициентов регрессии.
. (5.6)
ПРИМЕР. Согласно (5.6) и , , из предыдущего примера получаем систему нормальных уравнений в виде:
Окончательно получаем уравнение регрессии в стандартизованном масштабе в виде:
Вопросы для обсуждения:
1. Почему необходимо часто строить модель множественной регрессии; приведите примеры экономических процессов и явлений, где Вы бы применяли данную модель?
2. В чем отличие целей построения модели парной регрессии и модели множественной регрессии?
3. В чем Вы идите специфику спецификации модели множественной регрессии?
4. Каким требованиям должны отвечать факторы модели множественной регрессии и почему?
5. Как должны соотноситься коэффициенты детерминации для m и (m+1) факторов модели?
6. Объясните практическое применение в экономике частных коэффициентов эластичности.
7. В чем заключается смысл расчета скорректированного индекса корреляции и какова связь его с индексом корреляции при различных количествах, вводимых в модель факторов?
Тесты
1. В каких пределах изменяется множественный коэффициент корреляции:
а) 0 ≤ Ryx1x2 ≤ ∞;
б) 0 ≤ Ryx1x2 ≤ 1;
в) -1≤ Ryx1x2≤ 1.
2. В каких пределах изменяется множественный коэффициент детерминации?
а) 0 ≤ R 2 yx1x2 ≤1;
б) 1 ≤ R 2 yx1x2 ≤ ∞;
в) -1≤ R 2yx1x2 ≤ 1?
3. Частный коэффициент корреляции оценивает:
а) тесноту связи между двумя переменными;
б) тесноту связи между тремя переменными;
в) тесноту связи между двумя переменными при фиксированном значении остальных факторов.
4. Какой коэффициент указывает в среднем процент изменения результативного показателя у при увеличении аргумента х на 1 %:
а) коэффициент детерминации;
б) коэффициент регрессии;
в) коэффициент эластичности:
г) бета-коэффициент?
5. Множественный линейный коэффициент корреляции Rvx1 x2 равен 0,75. Какой процент вариации зависимой переменной y учтен в модели и обусловлен влиянием факторов х1 и х2.
а) 56,2;
б) 75,0;
в) 37,5?
6. Имеются следующие данные:
коэффициент регрессии a1= 1,341;
среднее квадратическое отклонение коэффициента регрессии S = 0,277.
Определите t - критерий Стьюдента и оцените значимость коэффициента регрессии а1, если tтабл =2,11 при уровне значимости а = 0,05.
а) 0,207, коэффициент незначим;
б) 4,841, коэффициент значим;
в) 4,841, коэффициент незначим.
7. Имеется матрица парных коэффициентов корреляции:
-
Коэффициенты
У
X1
X2
X3
Y
I
X1
-0,782
I
X2
0,451
0,564
1
X3
0,842
-0.873
0,303
1
Между какими признаками наблюдается мультиколлинеарность:
а) У и X3;
б) X1 и X3;
в) X1 и X2.
8. Какое значение может принимать множественный коэффициент корреляции:
а) 1,501;
б) -0,453;
в) 0,861?
9. Уравнение множественной регрессии имеет вил:
у = -27,16+ 1,37x1 - 0,29х2. Параметр а1 = 1,37 означает следующее:
а) при увеличении х1 на одну единицу своего измерения переменная у увеличится на 1,37 единиц своего измерения;
б) при увеличении х1 на одну единицу своего измерения и при фиксированном значении фактора х2 переменная у увеличится на 1,37 единиц своего измерения;
в) при увеличении х1 на 1,37 единиц своею измерения и при фиксированном значении фактора х2, переменная у увеличится на одну единицу своего измерения.
10. Значение бета-коэффициента определяется по формуле:
а) aj * Sxj / Sy
б) rjy * β j / R 2
в) aj * xjср / yср