Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Скачиваний:
120
Добавлен:
07.07.2023
Размер:
2.21 Mб
Скачать
  1. Свойства мнк-оценок параметров парной линейной регрессии: теорема Гаусса-Маркова.

Метод наименьших квадратов (МНК) - метод оценивания параметров линейной регрессии, минимизирующий сумму квадратов отклонений наблюдений зависимой переменной от искомой линейной функции.

Теорема Гаусса-Маркова: для того, чтобы полученные оценки были несмещенными и состоятельными выполняется:

1. , Мат.ожидание=0

2.Дисперсия остатков постоянна (гомоскедастичность остатков)

3.Остатки некоррелированы между собой

4.Остатки имеют норм.закон распределения

5.Факторы некоррелированы

  1. Проверка качества парной линейной регрессии: значимость параметров, адекватность модели.

Коэффициент детерминации принимает значения от 0 до 1 и в случае качественной модели линейной регрессии стремится к единице. Чем ближе к единице, тем больше уравнение регрессии объясняет поведение У.

Оценка значимости уравнения регрессии в целом производится на основе - критерия Фишера, которому предшествует дисперсионный анализ. Фактическое значение F-критерия Фишера сравнивается с табличным значением Fкр (α, m , n-2). При этом, если F>Fкр, то признается статистическая значимость уравнения в целом. Минимальное возможное значение F-статистики - 0. Чем выше значение статистики Фишера, тем качественнее модель линейной регрессии.

Для оценки статистической значимости коэффициентов регрессии и корреляции рассчитываются t-критерий Стьюдента. Если t>tкр, то коэффициенты статистически значимы.

Чтобы иметь общее суждение о качестве модели из относительных отклонений по каждому наблюдению, определяют среднюю ошибку аппроксимации. Средняя ошибка аппроксимации - среднее отклонение расчетных значений от фактических. Допустимый предел значений средней ошибки аппроксимации не более 8-10%.

8. Прогнозирование на основе парной линейной регрессии. Доверительный интервал прогноза. Экономическая интерпретация параметров модели.

С помощью средней ошибки аппроксимации должно быть оценено качество уравнения. Только при условии его высокого качества модель может быть использована для прогнозных расчетов, так как лишь в этом случае можно надеяться на получение точного и надежного прогноза.

Прогнозирование – построение оценки зависимой переменной для таких значений независимых переменных, которых нет в исходных наблюдениях.

Различают 2 прогнозирования:

Точечный прогноз - это число, значение зависимой переменной, вычисляемое для заданных значений независимых переменных.

Интервальный прогноз - это доверительный интервал, в котором с заданной вероятностью находится истинное значение зависимой переменной для заданных значений независимых переменных.

Коэффициент парной линейной регрессии b показывает, как в среднем изменяется зависимый экономический показатель у с изменением независимого фактора х на единицу.

Коэффициент а парной линейной регрессии экономич. смысла не имеет.

9. Парная нелинейная регрессия: аналитическое и графическое представление. Методика оценки параметров нелинейной регрессии. Формирование поля входных показателей для построения модели с помощью надстройки «Анализ данных» в среде Excel.

При построении нелинейной регрессии применяются:

-степенная функция

-показательная

-параболическая

-гипербола

Уравнение нелинейной регрессии

Чтобы найти «a» и «b» для этих форм связи нужно привести к линейному виду.

В степенной форме связи «b» имеет четкую эк. интерпретацию – коэффициент эластичности. Он характеризует, на сколько процентов изменится в среднем значение фактора у при изменении фактора х на 1%.

Соседние файлы в папке эконометрика