- •ОГЛАВЛЕНИЕ
- •ПРЕДИСЛОВИЕ
- •МЕТОДИЧЕСКИЕ МАТЕРИАЛЫ
- •РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ
- •РЕКОМЕНДАЦИИ ПО САМОСТОЯТЕЛЬНОЙ РАБОТЕ СТУДЕНТА
- •ТЕОРЕТИЧЕСКИЕ МАТЕРИАЛЫ
- •ГЛАВА 1. СТАТИСТИЧЕСКИЕ ПОНЯТИЯ И РАСПРЕДЕЛЕНИЯ
- •§ 1. Введение
- •§ 2. Суть регрессионного анализа
- •§ 3. Некоторые статистические определения
- •§ 4. Нормальное (гауссовское) распределение
- •§ 5. (хи-квадрат)-распределение
- •§ 6. Распределение Стьюдента (t-распределение)
- •§ 7. F-распределение (распределение дисперсионного отношения)
- •§ 8. Статистическая проверка гипотез
- •§ 9. Определение критических значений распределений Стьюдента и Фишера с использованием программы Microsoft Office Excel
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 2. ПАРНАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ. УСЛОВИЯ ГАУССА–МАРКОВА
- •§ 1. Основные понятия
- •§ 2. Метод наименьших квадратов
- •§ 3. Предпосылки метода наименьших квадратов
- •§ 4. Анализ точности определения оценок коэффициентов регрессии
- •§ 5. Проверка статистической значимости коэффициентов парной линейной регрессии
- •§ 6. Интервальные оценки коэффициентов линейного уравнения регрессии
- •§ 7. Доверительные интервалы для зависимой переменной
- •§ 8. Проверка общего качества уравнения регрессии. Коэффициент детерминации
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 3. МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Определение параметров уравнения регрессии
- •§ 2. Расчет коэффициентов множественной линейной регрессии
- •§ 3. Дисперсии и стандартные ошибки коэффициентов
- •§ 4. Проверка статистической значимости коэффициентов уравнения регрессии
- •§ 5. Интервальные оценки коэффициентов теоретического уравнения регрессии
- •§ 6. Проверка общего качества уравнения регрессии
- •§ 7. Проверка равенства двух коэффициентов детерминации
- •§ 8. Проверка гипотезы о совпадении уравнений регрессии для двух выборок
- •§ 10. Частные уравнения регрессии
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 4. АВТОКОРРЕЛЯЦИЯ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Суть и причины автокорреляции
- •§ 2. Последствия автокорреляции
- •§ 3. Обнаружение автокорреляции. Критерий Дарбина–Уотсона
- •§ 4. Методы устранения автокорреляции
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 5. ГЕТЕРОСКЕДАСТИЧНОСТЬ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Последствия гетероскедастичности
- •§ 3. Обнаружение гетероскедастичности
- •§ 4. Методы смягчения проблемы гетероскедастичности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 6. МУЛЬТИКОЛЛИНЕАРНОСТЬ
- •§ 1. Общие понятия и последствия мультиколлнеарности
- •§ 2. Определение мультиколлинеарности
- •§ 3. Методы устранения мультиколлинеарности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 7. ФИКТИВНЫЕ ПЕРЕМЕННЫЕ В РЕГРЕССИОННЫХ МОДЕЛЯХ
- •§ 1. Модель с одной фиктивной (бинарной) переменной
- •§ 3. Сравнение двух регрессий
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 8. НЕЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Общие понятия
- •§ 2. Степенные модели (логарифмические)
- •§ 3. Обратная модель (гиперболическая)
- •§ 4. Полиномиальная модель
- •§ 5. Показательная модель (лог-линейная)
- •§ 6. Выбор формы модели
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 9. ВРЕМЕННЫЕ РЯДЫ
- •§ 1. Общие понятия
- •§ 2. Моделирование тренда временного ряда
- •§ 4. Стационарные ряды
- •§ 5. Процесс авторегрессии AR(p)
- •§ 6. Процессы скользящего среднего MA(q)
- •§ 7. Комбинированные процессы авторегрессии-скользящего среднего ARMA(p, q)
- •§ 8. Модели ARMA, учитывающие наличие сезонности
- •§ 9. Нестационарные временные ряды. Процессы авторегрессии и проинтегрированного скользящего среднего ARIMA(p, k, q)
- •§ 10. Регрессионные модели с распределенными лагами
- •§ 11. Полиномиально распределенные лаги Ш. Алмон
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 10. СИСТЕМЫ ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Идентификация структурной формы модели
- •§ 3. Косвенный метод наименьших квадратов
- •§ 4. Двухшаговый метод наименьших квадратов
- •§ 5. Трехшаговый метод наименьших квадратов
- •Резюме
- •Вопросы для самопроверки
- •ЗАКЛЮЧЕНИЕ
- •ЗАДАНИЯ ДЛЯ КОНТРОЛЯ
- •Тесты для самоконтроля
- •Ключи к тестам для самоконтроля
- •Контрольная работа
- •Вопросы к зачету (экзамену)
- •ГЛОССАРИЙ
- •СПИСОК ЛИТЕРАТУРЫ
2.Качественный признак имеет три альтернативы, сколько фиктивных переменных необходимо использовать в модели для его описания?
3.Имеется два качественных признака, у каждого по три альтернативы, сколько фиктивных переменных необходимо использовать в модели?
4.Что произойдет с графиком уравнения парной линейной регрессии, еслив модель ввести аддитивноодну бинарную переменную?
5.Что произойдет с графиком парной линейной регрессии, если в модель ввести одну бинарную переменную аддитивно и мультипликативно?
6.Чем различаются ANOVA- и ANCOVA-модели?
ГЛАВА 8. НЕЛИНЕЙНАЯ РЕГРЕССИЯ
Цель: научиться строить и оценивать параметры нелиных регрессионных моделей.
Методические указания
Здесь рассматриваются модели, которые сводятся к линейным зависимостям. Необходимо научиться различать виды нелинейных моделей: линейные по параметрам, внутренне линейные и внутренне нелинейные. Следует обратить внимание, что в общем случае методы оценки качества уравнения с помощью t- и F-статистик относятся к линейной или линеаризованной модели.
§ 1. Общие понятия
Многие экономические зависимости не являются линейными по своей сути, и поэтому их моделирование линейными уравнениями регрессии, безусловно, не даст положительного результата.
Сначала изложим некоторые определения, которые полезны при ответах на задания различных тестов. Модель называется линейной, если она является линейной по входящим в нее переменным. Нелинейные модели регрессии можно разделить на два класса:
1)регрессии, нелинейные относительно включенных в анализ объясняющих переменных, нолинейныепооцениваемымпараметрам;
2)регрессии, нелинейные по оцениваемым параметрам.
143
Модели первого класса сводятся к линейным простой заменой переменных. Например, к таким моделям относятся:
|
Модель |
|
|
Замена |
Линейная модель |
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y = β0 + |
β1 |
|
+ε |
x* = |
1 |
|
|
y = β0 +β1x* +ε |
|
|||
|
|
x |
|||||||||||
|
x |
||||||||||||
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
x1 = x; |
|
|
||||
|
y = β0 +β1x+β2 x2 + |
x2 = x2; |
y = β0 +β1x1+β2 x2 + |
|
|||||||||
|
+...+βm xm +ε |
|
|
... |
|
|
|
|
+...+βm xm +ε |
|
|||
|
|
|
|
|
|
|
xm = xm |
|
|
||||
|
y = |
|
1 |
|
|
|
y* = |
1 |
|
y* = β0 +β1x |
|
||
|
β0 +β1x |
|
|||||||||||
|
|
|
|
y |
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Нелинейные по оцениваемым параметрам модели бывают внутренне линейными и внутренне нелинейными. Внутренне линейными называются модели, которые сводятся к линейным после некоторых операций с последующей заменой переменных. Например, к линейной модели путем логарифмирования сводятся модели:
y = β0 xβ1 ε, (или y = β0xβ1 eε ). y = β0eβ1x ε (или y = β0eβ1x+ε ).
Модель называется внутренне нелинейной, если ее нельзя привести к линейному виду. Например, если в двух предыдущих моделях случайный фактор входит аддитивно, то их нельзя привести к линейному виду:
y = β0 xβ1 +ε, y = β0e β1x+ε.
Последние две модели оцениваются методами для нелинейных моделей. Мы ограничимся рассмотрением нелинейных моделей, допускающих сведение к линейным. Для простоты изложения и графической иллюстрации будем рассматривать модели парной регрессии с последующим естественным переходом к моделям множественной регрессии.
144
§ 2. Степенные модели (логарифмические)
Пусть некоторая экономическая зависимость моделируется формулой (степенная зависимость от X)
Y = β |
0 X |
β1 ε, |
(8.1) |
|
e |
|
где β0 и β1 — параметры модели (константы, подлежащие определению), ε — случайный член.
Эта функция может отражать зависимость спроса Y на благо от его цены X (в данном случае β<0 ) или от дохода X (в данном слу-
чае β>0 ; при такой интерпретации переменных X и Y функция
(8.1) называется функцией Энгеля). Функция (8.1) может отражать также зависимость объема выпуска Y от использования ресурса X (производственная функция), в которой 0< β<1 , а также ряд дру-
гих зависимостей.
Модель (8.1) не является линейной функцией относительно X. Стандартным и широко используемым подходом к анализу функций данного рода в эконометрике является логарифмирование по основанию e=2,71828... Прологарифмировав обе части (8.1), имеем логарифмическую модель:
lnY =ln β0 +β1ln X +ε, |
(8.2) |
которая является линейной в логарифмических переменных. |
|
После замен ln β0 = β*0 , Y =lnY, X =ln X |
(8.2) примет вид: |
Y = β*0 +β1X +ε. |
(8.3) |
Линейная модель (8.3) подробно рассмотрена ранее. Если все необходимые предпосылки классической линейной регрессионной модели для (8.3) выполнены, то по МНК можно определить наи-
лучшие линейные несмещенные оценки коэффициентов β*0 и β1 .
Параметры модели (8.3) оцениваются по обычным формулам парной регрессии с учетом замены переменных:
145
|
|
|
n |
n |
|
|
n |
|
n |
|
|
* |
|
|
∑ y*i |
×∑x*i 2 −∑x*i ×∑x*i y*i |
|
||||||
|
|
i=1 |
i=1 |
|
i=1 |
|
i=1 |
, |
|||
b0 |
= |
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
n |
2 |
|||||
|
|
|
|
2 |
− |
|
|
||||
|
|
|
|
n ∑x*i |
∑x*i |
|
|
||||
|
|
|
|
i=1 |
|
|
i=1 |
|
|
||
|
|
|
n |
|
n |
|
|
n |
|
|
|
|
|
n ∑x*i y*i −∑x*i ×∑y*i |
|
||||||||
b1 |
= |
|
i=1 |
|
i=1 |
|
i=1 |
|
. |
|
|
|
|
n 2 |
n |
|
2 |
|
|||||
|
|
|
|
|
|
|
|
|
|||
|
|
|
n ∑x*i |
− ∑x*i |
|
|
|
|
|||
|
|
|
|
i=1 |
i=1 |
|
|
|
|
||
Здесь b*0 — оценка параметра |
β*0 , b1 |
— оценка параметра β1. |
Очевидно, оценка параметра β0 равна b0 =eb*0 =exp(b*0).
Отметим, что коэффициент β1 определяет эластичность переменной Y по переменной X, т. е. процентное изменение Y для данного процентного изменения X. Действительно, продифференцировав левую и правую части (8.3) по X, получим:
1 |
× |
dY |
= β× |
1 |
β= |
dY |
× |
X |
. |
(8.4) |
Y |
dX |
X |
dX |
|
||||||
|
|
|
|
Y |
|
Коэффициент β является константой, указывая на постоянную эластичность. Поэтому зачастую двойная логарифмическая мо-
дель (или модель (8.1) называется моделью постоянной эластичности.
Заметим, что в случае парной регрессии обоснованность использования логарифмической модели проверить достаточно про-
сто. Вместо наблюдений (xi,yi) рассматриваются наблюдения (ln xi,ln yi),i =1, 2, ..., n . Вновь полученные точки наносятся на
корреляционное поле. Если их расположение соответствует прямой линии, то произведенная замена удачна и использование логарифмической модели обосновано.
Пример 8.1. Пусть имеются следующие данные (табл. 8.1).
146
Таблица 8.1
Данные для анализа степенной модели
|
X |
5 |
6 |
7 |
4 |
8 |
1 |
3 |
10 |
9 |
2 |
|
Y |
3,2 |
3,5 |
3,7 |
3,0 |
3,7 |
1,6 |
3,0 |
4,0 |
3,9, |
2,5 |
|
|
|
|
|
|
|
|
|
|
|
|
Если рассматривать линейную модель, то получим результат, представленный на рис. 8.1. Если рассмотреть степенную модель и прологарифмировать обе переменные, то получим результат, представленный на рис. 8.2.
Рис 8.1. Линейная модель
Рис 8.2. Степенная модель (линейная в логарифмах)
147
Таблица 8.2
Расчетная таблица для определения параметров степенной модели
|
x |
|
y |
|
|
|
x* = ln x |
|
|
|
|
|
y* = ln y |
|
x*2 |
x*y* |
|||
|
5 |
|
3,2 |
|
1,6094 |
|
|
|
|
|
1,1632 |
|
2,5903 |
1,872 |
|||||
|
6 |
|
3,5 |
|
1,7918 |
|
|
|
|
|
1,2528 |
|
3,2104 |
2,2446 |
|||||
|
7 |
|
3,7 |
|
1,9459 |
|
|
|
|
|
1,3083 |
|
3,7866 |
2,5459 |
|||||
|
4 |
|
3 |
|
|
|
1,3863 |
|
|
|
|
|
1,0986 |
|
1,9218 |
1,523 |
|||
|
8 |
|
3,7 |
|
2,0794 |
|
|
|
|
|
1,3083 |
|
4,3241 |
2,7206 |
|||||
|
0,5 |
|
1,6 |
|
-0,6931 |
|
|
|
|
|
0,47 |
|
0,4805 |
-0,326 |
|||||
|
3 |
|
3 |
|
|
|
1,0986 |
|
|
|
|
|
1,0986 |
|
1,2069 |
1,2069 |
|||
|
10 |
|
4 |
|
|
|
2,3026 |
|
|
|
|
|
1,3863 |
|
5,3019 |
3,1921 |
|||
|
9 |
|
3,9 |
|
2,1972 |
|
|
|
|
|
1,361 |
|
4,8278 |
2,9904 |
|||||
|
2 |
|
2,5 |
|
0,6931 |
|
|
|
|
|
0,9163 |
|
0,4805 |
0,6351 |
|||||
|
Σ |
|
|
|
|
|
14,411 |
|
|
|
|
|
11,363 |
|
28,131 |
18,605 |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
n |
|
n |
|
|
n |
|
|
|
|
|
|
||
|
* |
|
|
∑ y*i ×∑x*i 2 −∑x*i ×∑x*i y*i |
|
|
|
||||||||||||
|
|
|
i=1 |
i=1 |
|
i=1 |
|
|
i=1 |
|
=0,700051, |
|
|||||||
|
|
b0 |
= |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
n |
|
n |
|
|
2 |
|
|
|
||||||
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
n ∑x*i |
− ∑x*i |
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
i=1 |
|
i=1 |
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
n |
|
n |
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
n ∑x*i y*i −∑x*i ×∑ y*i |
|
|
|
|
|
|
|||||||||
|
|
b1 |
= |
i=1 |
|
i=1 |
i=1 |
|
|
=0,303, |
b0 =e0,700051 =2,014. |
||||||||
|
|
|
|
n |
2 |
|
|
||||||||||||
|
|
|
|
|
|
n |
2 |
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
n ∑x*i |
− ∑x*i |
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
i=1 |
|
i=1 |
|
|
|
|
|
|
|
|
|
Данная модель легко обобщается на большее число переменных. Например,
lnY = β0 +β1ln X 1+β2 ln X 2 +ε.
Здесь коэффициенты β1, β2 являются эластичностями переменной Y по переменным X1 и X2 соответственно.
Хорошо известна производственная функция Кобба–Дугласа:
Y = AK αL β
148