- •Кременчуцький державний політехнічний університет
- •К ременчук 2001
- •1. Багатофакторні економетричні моделі
- •1.1 Виробничі функції
- •1.2 Функції витрат
- •1.3 Функції попиту і пропозиції, функції споживання
- •2. Методологія оцінювання параметрів (коефіцієнтів) економетричних моделей
- •2.1 Вимоги до вихідних даних при побудові багатофакторної економетричних моделі
- •2.2 Метод найменших квадратів (мнк)
- •3. Статистична перевірка економетричної моделі
- •3.1 Статистичні характеристики економетричної моделі
- •3.2. Проблеми мультиколінеарності, алгоритм
- •3.3. Стандартна похибка моделі й залежної змінної
- •3.4. Коефіцієнти детермінації і множинної кореляції
- •3.5. Стандартні похибки параметрів
- •3.6. Автокореляція залишків у економетричних моделях
- •3.6.1. Природа автокореляції
- •3.6.2. Наслідки, що викликаються автокореляцією залишків
- •3.6.3. Перевірка існування автокореляції
- •3.6.4. Узагальнений метод найменших квадратів (у.М.Н.К.) або метод Ейткена
- •3.7. Довірчі інтервали регресії і прогнозу
- •4. Типове завдання на тему:
2. Методологія оцінювання параметрів (коефіцієнтів) економетричних моделей
2.1 Вимоги до вихідних даних при побудові багатофакторної економетричних моделі
Основною вимогою, якій повинен задовольняти досліджуваний процес, це адитивність його детермінованої складової з випадковою складовою , тобто
(2.1)
Наступною за важливістю вимогою є лінійність f(x1, x2, ..., xn) від невідомих коефіцієнтів моделі, тобто
, (2.2)
де: аi - невідомі коефіцієнти.
Фактори хi можуть бути як безпосередніми характеристиками процесу, так і деякими функціями від них (наприклад, , , і подібне до того). Будемо вважати, що ця вимога виконується і для моделей типу (1.9), в які невідомі коефіцієнти входять нелінійно, але котрі шляхом деяких перетворень, наприклад, логарифмування, зводяться до моделей лінійних відносно деяких функцій від цих коефіцієнтів. Так (1.9), шляхом логарифмування зводиться до
(2.3)
З (2.3) випливає, що невідомі коефіцієнти ln a, b, c та r входять лінійно до рівняння, при цьому ; ; .
Результати дослідження процесу можна подати в матричній формі:
, (2.4)
де - вектор з m виміряних значень залежної (ендогенної) перемінної;
- матриця розмірності m×(n+1) (n- число незалежних (ендогенних) перемінних, причому для i ≠ 0 стовпець складається з m вимірних значень , якщо і=0, то стовпець містить m одиниць.
- вектор-стовпець оцінюваних параметрів (коефіцієнтів) моделі розмірності m + 1,
- вектор похибок розмірності m, тобто
.
2.2 Метод найменших квадратів (мнк)
Метод найменших квадратів полягає в тому, що оцінки невідомих параметрів , у моделі (2.2) визначаються за умови min , тобто сума квадратів відхилень фактичних значень змінної у від розрахункових значень показника, отриманих за моделлю з параметрами , повинна бути мінімальною.
Для пошуку невідомих параметрів моделі методами найменших квадратів повинні виконуватись такі вимоги [1]:
-
, де М – математичне сподівання;
б) , тобто значення похибок незалежні й мають сталу дисперсію;
в) ; тобто незалежні змінні не пов’язані з похибками.
г) |xTx| 0, отже, незалежні змінні утворюють лінійно незалежну систему векторів або, іншими словами, незалежні змінні не повинні бути мультиколінеарними.
Для пошуку шукаємо частинні похідні за параметрами , і=1, 2, . . . , n і отримуємо систему нормальних рівнянь [2]
(2.5)
Це система з (n+1) рівнянь з n+1 - невідомим. При виконанні умови (г) матриця системи хТх невироджена (|xTx| 0), і тому для неї існує єдине вирішення, набір параметрів . Пошук оцінок невідомих параметрів моделі можна виконати також і у матричній формі. Якщо = x + , тоді = - X і
= (2.6)
Для визначення , що мінімізує суму квадратів відхилень , продиференціюємо (2.6) по
(2.7 )
Прирівнявши (2.7) до нуля, одержимо нормальну систему рівнянь (2.5) у матричній формі, яка матиме вигляд
(2.8 )
При виконанні умови (г) (|xTx| 0) одержимо розв'язання цієї системи, оцінювання параметрів ,
= (2.9)
Матрицю |xTx| називають матрицею моментів; числа, що розташовані на її головній діагоналі, , характеризують величину дисперсій незалежних перемінних хi, інші елементи цієї матриці відповідають взаємним коваріаціям факторів хi, хk. Таким чином, структура матриці моментів |xTx| відображає зв'язок між незалежними перемінними. Чим більші коваріації між незалежними параметрами у порівняно з діагональними елементами |xTx|, тим гірші, отже, оцінювання .
Знайдемо математичне сподівання і дисперсію оцінок , отриманих М.Н.К.
(2.10 )
Тоді М( ) =
Але внаслідок умови (а) М() = 0. Тоді М() = ,
отже, оцінка параметрів є незміщеною.
Для пошуку дисперсій оцінок розглянемо матрицю . Це матриця, на головній діагоналі якої розташовані дисперсії оцінок : , а інші елементи дорівнюють коваріаціям оцінок і : .
Тоді, з урахуванням (2.10), матимемо:
.
Враховуючи, що матриця симетрична, отже а також, за умовою (б), , отримаємо:
. (2.11 )
Тоді можна довести [3], що дисперсії для оцінок i, отриманих за МНК, є мінімальними у класі всіх лінійних незміщених оцінок. Отже, отримані оцінки i є ефективними.
Можна показати [3], що ці оцінки є обгрунтованими. Можна показати також [3], що ці оцінки є обгрунтованими. Для ілюстрації МНК розглянемо випадок одного фактора х та показника y, тобто оцінимо коефіцієнти у моделі y = a0 + a1x1 (n=1)
Матриця Х у цьому випадку має вигляд х =
Тоді з (1.8)
звідси
;
де
,
Пошук оцінок параметрів лінійної спрощується, якщо використовується стандартизовану форму рівняння регресії (2.2). Для цього використовується нормалізація ендогенних та екзогенних змінних за формулами.
(2.12 )
де
. (2.13 *)
Рівняння регресії (2.2) після використання цих підстановок набуває стандартизованої форми з відсутнім вільним членом, тобто
(2.14 )
Коефіцієнти при нормалізованих факторах tk називаються -коефіцієнтами. Вони характеризують силу впливу кожного фактора на показник у. Підставляючи з (2.12) до (2.14) і порівнюючи з (2.12), маємо , (2.15 )
При використанні стандартизованої форми пошук оцінок параметрів моделі спрощується. Дійсно, в цьому випадку матриця системи нормалізованих факторів Т має на один стовпець менше, dim Т = (m; n), а матриця моментів ТТТ обертається на кореляційну:
TTT = R = (2.16)
де - вибірковий коефіцієнт кореляції між факторами х1 і хk. Тоді за аналогією (2.9) можна одержати, що
(2.17)
З огляду на те, що (2.18)
де - вектор, складений із вибіркових коефіцієнтів кореляції між показником в і факторами хk,
, одержимо (2.19)
Таким чином, для визначення оцінок параметрів у рівнянні (2.2) необхідно:
1) знайти за вищенаведеними формулами вибіркові коефіцієнти кореляції між факторами і скласти з них кореляційну матрицю R;
2) якщо , то обчислити обернену матрицю R-1;
3) обчислити вибіркові коефіцієнти кореляції між показником у і факторами ;
4) відшукати за формулами (2.19);
5) відшукати за формулою (2.15) знайти , , k = 1, 2, ..., n.