Литература для самостоятельной работы

1. Гладилин, А. В. Эконометрика: Учеб. пособие для вузов / А. В. Гладилин, А. Н. Герасимов, Е. И. Громов. -М.: КноРус , 2006. -226с.

2. Салманов, О. Н. Эконометрика: учеб. пособие для вузов / О. Н. Салманов -М.: Экономистъ , 2006. -317с.

3. Эконометрика: учебник / К. В. Балдин, В. Н. Башлыков, Н. А. Брызгалов и др.; под ред. В. Б. Уткина. -М.: Дашков и К, 2008. -304 с.

INTERNET-ресурсы

1. http://crow.academy.ru/econometrics/seminars_/sem_08_/sem_08.htm

2. http://crow.academy.ru/econometrics/lectures_/lect_03_/index.htm

3. http://u-pereslavl.botik.ru/UP/ECON/econometrics/

4. http://crow.academy.ru/econometrics

5. http://www.econ.msu.ru/kaf/DEI/books/prognoz.html

6. http://socgw.univ.kiev.ua/EDUCAT/BASIC/MMPS/LABS/LOGREG.HTM

5. Оценка качества эконометрических регрессионных моделей и прогнозирование на их основе.

5.1. Доверительные интервалы для коэффициентов: реальные статистические данные 62

5.2. Проверка статистических гипотез о значениях коэффициентов 68

5.3. Проверка значимости параметров линейной регрессии и подбор

модели с использованием f-критериев 74

5.4. Проверка значимости и подбор модели с использованием коэффициентов детерминации. Информационные критерии 81

5.5. Линейные регрессионные модели с гетероскедастичными и

автокоррелированными остатками 88

5.6. Обобщенный метод наименьших квадратов. Метод Главных

Компонент 94

5.7. Прогнозирование. Доверительный интервал прогноза 96

5.8. ПРАКТИЧЕСКИЙ БЛОК 97

5.9. САМОСТОЯТЕЛЬНАЯ РАБОТА СТУДЕНТОВ 111

5.1. Доверительные интервалы для коэффициентов: реальные статистические данные

Практическому построению доверительных интервалов для коэффициентов _j нормальной модели линейной множественной регрессии

у=₀+₁х₁ +₂х₂ +…+_mх_m+.

где  нормально распределенная случайная величина с параметрами , препятствует вхождение в выражения для дисперсий

неизвестного значения  ^.

Единственный выход из этого положения – заменить неизвестное значение ^ какой-нибудь подходящей его оценкой (estimate), которую можно было бы вычислить на основании имеющихся статистических данных. Такого рода оценки принято называть статистиками (statistics).

В данной ситуации такой подходящей оценкой для неизвестного значения является статистика

(см. (2.8)).

Поскольку сумма являетсяквадратичной функцией от случайных величин =(), то она является случайной величиной, а следовательно, случайной величиной является и статистика S².

Математическое ожидание этой случайной величины равно :

т. е. – несмещенная оценка для .

Замечание. В частном случае (при отсутствии факторов) модель наблюдений принимает вид

(случайная выборка из распределения N (₀,²)). Несмещенной оценкой для служит

Оценкой наименьших квадратов для параметра ₀является , так что

Таким образом, выборочная дисперсия переменной, получаемая делениемименно на(а не на), является несмещенной оценкой дляв модели случайной выборки из нормального распределения, имеющего дисперсию. Этим и объясняется сделанный нами выбор нормировки при определении выборочных дисперсий и ковариаций.

При выполнении стандартных предположений отношение

имеет стандартное распределение, называемое распределением хи-квадрат с (n-m-1) степенями свободы. Такое же распределение имеет сумма квадратов случайных величин,независимых в совокупности и имеющих одинаковое стандартное нормальное распределение. При график функции плотности этого распределения имеет вид

Для обозначения распределения хи-квадрат с  степенями свободы используют символ ².

Итак, мы не знаем истинного значения и поэтому в попытке построить доверительный интервал для _j вынуждены заменить неизвестное нам значение на его несмещенную оценку

Соответственно, вместо отношения

приходится использовать отношение

Однако последнее отношение как случайная величина уже не имеет стандартного нормального распределения, поскольку в знаменателе теперь стоит не постоянная, а случайная величина.

Тем не менее, распределение последнего отношения также относят к стандартным, и оно известно под названием t-распределения Стьюдента с (n-m-1) степенями свободы.

Для распределения Стьюдента с  степенями свободы принято обозначение t (). Квантиль уровня р такого распределения будем обозначать символом t_p (K). График функции плотности распределения Стьюдента симметричен относительно нуля и похож на график функции плотности нормального распределения.

Например, при  он имеет следующий вид (левый график).

Для сравнения, справа приведен график функции стандартного нормального распределения. Отличие графиков столь невелико, что визуально они почти неразличимы. Квантили этих двух распределений различаются более ощутимо:

Распределение Стьюдента имеет более тяжелые хвосты. Из приведенных значений квантилей следует, например, что случайная величина, имеющая стандартное нормальное распределение, может превысить значение 1.645 лишь с вероятностью 0.05. В то же самое время, с такой же вероятностью 0.05 случайная величина, имеющая распределение Стьюдента с 10 степенями свободы, принимает значения, большие, чем 1.812.

Впрочем, для значений квантили распределения Стьюдента практически совпадают с соответствующими квантилями стандартного нормального распределения .

Итак,

.

Поэтому для этой случайной величины выполняется соотношение

так что с вероятностью, равной , выполняется двойное неравенство

т. е.

Иными словами, с вероятностью, равной , случайный интервал

накрывает истинное значение коэффициента α_j, т. е. является %- доверительным интервалом для α_j в случае, когда не известно истинное значение ² дисперсии случайных ошибок . В среднем, длина такого интервала больше, чем длина доверительного интервала с тем же уровнем доверия, построенного при известном значении.

Замечание. Выбор конкретного значения определяет компромисс между желанием получить более короткий доверительный интервал и желанием обеспечить более высокий уровень доверия.

Попытка повысить уровень доверия , выраженная в выборе меньшего значения, приводит к квантилис более высоким значением, т. е. к большему значению. Но длина доверительного интервала пропорциональна. Следовательно,увеличение уровня доверия сопровождается увеличением ширины доверительного интервала (при тех же статистических данных).

Так, для можно приближенно считать, что

,

где – квантиль уровня стандартного нормального распределения.

Соответственно, выбирая уровень доверия равным или, мы получаем длязначения, приблизительно равные. Это означает, что переход от уровня доверияк уровню довериясопровождается увеличением длины доверительного интервала приблизительно враза, а дополнительное повышение уровня доверия доувеличивает длину доверительного интервала еще примерно враза.

Теперь мы в состоянии перейти к построению интервальных оценок параметров моделей линейной регрессии для различного рода социально-экономических факторов на основании соответствующих статистических данных.

Пример. Пусть при построении модели зависимости уровня безработицы среди белого населения США от уровня безработицы среди цветного населения в виде

получены следующие значения:

Š=0.161231; .

Получаем: =. Для построения— доверительного интервала для остается найти квантиль уровняраспределения Стьюдента сстепенями свободы. Используя, например, приложение 1, находим:. Соответственно, получаем-доверительный интервал для в виде

т. е.

Для имеем,;-доверительный интервал для имеет вид

т. е.

В связи с этим примером, отметим два обстоятельства.

(а) Доверительный интервал для коэффициента допускает как положительные, так и отрицательные значения этого коэффициента.

(б) Каждый из двух построенных интервалов имеет уровень доверия ; однако это не означает, что с той же вероятностьюсразу оба интервала накрывают истинные значения параметров,.

Справиться с первым затруднением в данном примере можно, понизив уровень доверия до . В этом случае в выражении для доверительного интервала квантильзаменяется на квантиль, так что левая граница доверительного интервала длястановится положительной и равной. Однако это достигается ценой того, что новый доверительный интервал будет накрывать истинное значение параметрав среднем только в 90 случаев из 100, а не в 95 из 100 случаев.

Что касается второго затруднения, то наиболее простой путь взятия под контроль вероятности одновременного накрытия доверительными интервалами для ,истинных значений этих параметров связан с тем, что

оба интервала накрывают и, соответственно=

хотя бы один из них не накрывает соответствующее =

доверительный интервал для не накрывает+

доверительный интервал для не накрывает

оба интервала не накрывают свои =

оба интервала не накрывают свои

Следовательно, если построить доверительный интервал для и доверительный интервал дляс уровнями доверия каждого, равными, то тогда правая часть полученной цепочки соотношений будет равна

Это означает, что в нашем примере мы можем гарантировать, что вероятность одновременного накрытия истинных значений ,соответствующими доверительными интервалами будет не менее, если возьмем. Но тогда при построении этих интервалов придется использовать вместо значения

значение

,

так что каждый из исходных интервалов увеличится в раза. Это, конечно, приводит к еще более неопределенным выводам относительно истинных значений параметров,.