Вопросы Литвиновой

Парная регрессия

Парная регрессия — это статистический метод, используемый для анализа взаимосвязи между двумя переменными: одной независимой (объясняющей) переменной XX и одной зависимой (объясняемой) переменной YY. Основная цель парной регрессии — построить модель, которая описывает, как изменяется YY в зависимости от XX.

Основные свойства парной регрессии

1.​ Линейная зависимость:

○​ Парная регрессия чаще всего предполагает линейную зависимость между переменными. Модель имеет вид:​

Y=β0+β1X+ϵ,Y=β0​+β1​ X+ϵ,​

где:

■​ YY — зависимая переменная,

■​ XX — независимая переменная,

■​ β0β0​ — свободный член (значение YY при X=0X=0),

■​ β1β1​ — коэффициент наклона (показывает, насколько изменяется YY при изменении XX на единицу),

■​ ϵϵ — случайная ошибка (отклонение от модели). 2.​ Оценка параметров:

○​ Параметры β0β0​ и β1β1​ оцениваются с помощью метода наименьших квадратов

(МНК). Этот метод минимизирует сумму квадратов отклонений фактических значений YY от предсказанных моделью.

3.​ Геометрическая интерпретация:

○​ Парная регрессия представляет собой прямую линию, которая наилучшим образом

аппроксимирует облако точек на графике зависимости YY от XX. 4.​ Свойства оценок МНК:

○​ Если выполнены предпосылки классической линейной регрессии (например, отсутствие мультиколлинеарности, гомоскедастичность, отсутствие автокорреляции), то оценки β0β0​ и β1β1​ являются:

■​ Несмещенными: математическое ожидание оценок равно истинным значениям параметров.

■​ Эффективными: оценки имеют наименьшую дисперсию среди всех линейных

несмещенных оценок.

■​ Состоятельными: с увеличением объема выборки оценки стремятся к

истинным значениям параметров.

5.​ Коэффициент детерминации R2R2:

○​ R2R2 показывает долю дисперсии зависимой переменной YY, которая объясняется моделью. Он изменяется от 0 до 1, где:

■​ R2=0R2=0 — модель не объясняет изменчивость YY,

■​ R2=1R2=1 — модель полностью объясняет изменчивость YY. 6.​ Предположения модели:

○​ Линейность: зависимость между YY и XX линейна.

○​ Нормальность ошибок: случайные ошибки ϵϵ имеют нормальное распределение. ○​ Гомоскедастичность: дисперсия ошибок постоянна для всех значений XX.

○​ Отсутствие автокорреляции: ошибки не коррелируют между собой.

○​ Отсутствие мультиколлинеарности: независимая переменная XX не коррелирует с другими переменными (в парной регрессии это условие выполняется автоматически, так как есть только одна независимая переменная).

7.​ Интерпретация коэффициентов:

○​ β0β0​ : значение YY при X=0X=0 (если X=0X=0 имеет смысл). ○​ β1β1​ : изменение YY при увеличении XX на одну единицу.

8.​ Ограничения:

○​ Парная регрессия подходит только для анализа линейной зависимости между двумя

переменными. Если зависимость нелинейна, требуется использование других моделей (например, полиномиальной регрессии).

○​ Модель чувствительна к выбросам в данных.

Пример использования

Пусть X — это количество часов, затраченных на обучение, а Y — результат экзамена. Парная регрессия позволяет оценить, как увеличение времени обучения влияет на результат экзамена.

Если модель имеет вид:

Y=50+5X

то это означает, что при увеличении времени обучения на 1 час результат экзамена увеличивается в среднем на 5 баллов.

Парная регрессия является базовым инструментом в эконометрике и статистике, но для более

сложных задач с несколькими независимыми переменными используется множественная регрессия.