- •2. Метод наименьших квадратов для моделей регрессии, нелинейных по факторным переменным
- •3. Классификация эконометрических моделей
- •4. Оценка точности и качества прогнозов
- •5. Этапы эконометрического моделирования. Проблемы, решаемые при эконометрическом исследовании
- •6. Доверительные интервалы прогноза
- •8. Классификация видов эконометрических переменных и типов данных.
- •9. Регрессионный анализ
- •11. Показатели вариации
- •12. Критерий Дарбина — Уотсона
- •13. Соизмеримые показатели тесноты связи
- •14. Тесты на наличие автокорреляции.
- •16. Устранение автокорреляции.
- •17. Проверка гипотезы о значимости коэффициентов регрессии и модели множественной регрессии в целом
- •18. Коэффициент эластичности.
- •19. Коэффициенты для моделей множественной регрессии
- •20. Коэффициент ранговой корреляции Спирмена
- •21. Коэффициент множественной корреляции
- •22. Гетероскедастичность модели регрессии
- •23. Множественный коэффициент детерминации
- •24. Парный регрессионный анализ
- •26. Производственные функции
- •27. Временные ряды и прогнозирование
- •28. Аналитический вид тренда
- •30. Метод экстрополяции
- •32. Множественная регрессия
- •33. Метод интерполяции
- •34. Коэффициент контингенции
- •35.Среднее квадратическое отклонение, дисперсия.
- •36. Точечный и интервальный прогноз для модели парной регрессии
- •37. Компоненты временного ряда
- •38.Модели регрессии с точками разрыва
- •39. Методы фильтрации временного ряда
- •40. Гомоскедастичность и гетероскедастичность остатков модели регресиии.
19. Коэффициенты для моделей множественной регрессии
Суть регрессионного анализа: построение математической модели и определение ее статистической надежности.
Вид множественной линейной модели регрессионного анализа:
Y = b0 + b1xi1 + ... + bjxij + ... + bkxik + ei
где ei - случайные ошибки наблюдения, независимые между собой, имеют нулевую среднюю и дисперсию s.
Назначение множественной регрессии: анализ связи между несколькими независимыми переменными и зависимой переменной.
Экономический смысл параметров множественной регрессии
Коэффициент множественной регрессии bj показывает, на какую величину в среднем изменится результативный признак Y, если переменную Xj увеличить на единицу измерения, т. е. является нормативным коэффициентом.
Матричная запись множественной линейной модели регрессионного анализа:
Y = Xb + e
где Y - случайный вектор - столбец размерности (n x 1) наблюдаемых значений результативного признака (y1, y2,..., yn);
X - матрица размерности [n x (k+1)] наблюдаемых значений аргументов;
b - вектор - столбец размерности [(k+1) x 1] неизвестных, подлежащих оценке параметров (коэффициентов регрессии) модели;
e - случайный вектор - столбец размерности (n x 1) ошибок наблюдений (остатков).
На практике рекомендуется, чтобы n превышало k не менее, чем в три раза.
Задачи регрессионного анализа
Основная задача регрессионного анализа заключается в нахождении по выборке объемом n оценки неизвестных коэффициентов регрессии b0, b1,..., bk. Задачи регрессионного анализа состоят в том, чтобы по имеющимся статистическим данным для переменных Xi и Y:
· получить наилучшие оценки неизвестных параметров b0, b1,..., bk;
· проверить статистические гипотезы о параметрах модели;
· проверить, достаточно ли хорошо модель согласуется со статистическими данными (адекватность модели данным наблюдений).
Построение моделей множественной регрессии состоит из следующих этапов:
1. выбор формы связи (уравнения регрессии);
2. определение параметров выбранного уравнения;
3. анализ качества уравнения и поверка адекватности уравнения эмпирическим данным, совершенствование уравнения.
Множественная регрессия:
· Множественная регрессия с одной переменной
· Множественная регрессия с двумя переменными
· Множественная регрессия с тремя переменными
20. Коэффициент ранговой корреляции Спирмена
Коэффициент ранговой корреляции Спирмена - это непараметрический метод, который используется с целью статистического изучения связи между явлениями. В этом случае определяется фактическая степень параллелизма между двумя количественными рядами изучаемых признаков и дается оценка тесноты установленной связи с помощью количественно выраженного коэффициента.
Практический расчет коэффициента ранговой корреляции Спирмена включает следующие этапы:
1) Сопоставать каждому из признаков их порядковый номер (ранг) по возрастанию (или убыванию).
2) Определить разности рангов каждой пары сопоставляемых значений.
3) Возвести в квадрат каждую разность и суммировать полученные результаты.
4) Вычислить коэффициент корреляции рангов по формуле:.
где - сумма квадратов разностей рангов, а - число парных наблюдений.
При использовании коэффициента ранговой корреляции условно оценивают тесноту связи между признаками, считая значения коэффициента равные 0,3 и менее, показателями слабой тесноты связи; значения более 0,4, но менее 0,7 - показателями умеренной тесноты связи, а значения 0,7 и более - показателями высокой тесноты связи.
Мощность коэффициента ранговой корреляции Спирмена несколько уступает мощности параметрического коэффициента корреляции.Коэффицент ранговой корреляции целесообразно применять при наличии небольшого количества наблюдений. Данный метод может быть использован не только для количественно выраженных данных , но также и в случаях, когда регистрируемые значения определяются описательными признаками различной интенсивности.