- •1. Парная регрессия
- •1.1. Спецификация модели
- •1.2. Парная линейная регрессия. Оценка параметров. Экономическая интерпретация
- •1.3. Основные предположения регрессионного анализа
- •1.4. Статистические свойства оценок. Проверка статистической значимости в парной линейной регрессии
- •1.5. Доверительные интервалы для оценок параметров. Доверительные интервалы прогноза для парной линейной регрессии
- •1.6. Метод Гольдфельда—Квандта проверки гипотезы гомоскедастичности
- •2. Множественная регрессия
- •2.1. Спецификация модели
- •2.2. Множественная линейная регрессия. Оценка параметров. Экономическая интерпретация
- •3. Системы одновременных уравнений
- •4. Временные ряды
- •4.1. Компоненты временных рядов
- •4.2. Критерии случайности
- •4.3. Оценка тренда и периодической составляющей
- •4.4. Критерий Дарбина—Уотсона
- •4.5. Сглаживание временного ряда с помощью простой скользящей средней
- •4.6. Сглаживание временного ряда с помощью взвешенной скользящей средней
- •4.7. Сглаживание временного ряда с помощью скользящей медианы
- •5. Практические задания
- •5.1. Лабораторная работа № 1. Парная линейная регрессия
- •5.2. Лабораторная работа № 2. Метод Гольдфельда—Квандта проверки гипотезы гомоскедастичности
- •5.3. Лабораторная работа № 3. Множественная линейная регрессия
- •5.4. Лабораторная работа № 4. Макроэкономическая модель Кейнса
- •5.5. Лабораторная работа № 5. Проверка случайности ряда наблюдений
- •5.6. Лабораторная работа № 6. Оценка тренда и периодической составляющей
- •5.7. Лабораторная работа № 7. Сглаживание временного ряда с помощью простой скользящей средней
- •5.8. Лабораторная работа № 8. Критерий Дарбина—Уотсона
- •5.9. Лабораторная работа № 9. Подбор и оценка тренда с помощью встроенных средств Excel
- •5.10. Тест по парной и множественной регрессии
- •6. Рекомендуемая литература
- •8. Приложения. Статистические таблицы
- •8.1. Приложение 1. Стандартное нормальное распределение
- •8.2. Приложение 2. Критические значения -критерия Стьюдента
- •8.3. Приложение 3. Критические значения -критерия Фишера
- •8.4. Приложение 4. Критические значения статистики Дарбина—Уотсона
- •8.5. Приложение 5. Критические значения распределения
- •199034, С.-Петербург, Университетская наб., 7/9
- •199061, С.-Петербург, Средний пр., 41.
1.5. Доверительные интервалы для оценок параметров. Доверительные интервалы прогноза для парной линейной регрессии
Как было отмечено выше, при выполнении предположений первой и второй групп справедливы утверждения:
1) ;
2) .
Следовательно, можно построить доверительные интервалы для параметров и c заданным уровнем доверия, в качестве которого на практике обычно выбирают вероятность 0,95.
Для этого определим по таблице распределения Стьюдента при степенях свободы критическое значение для уровня значимости 0,05, тогда доверительный интервал для параметра с уровнем доверия 0,95 имеет вид
,
где
.
Аналогично доверительный интервал для параметра с уровнем доверия 0,95 имеет вид
,
где
.
Точечный прогноз показателя для значения фактора вычисляется по формуле
.
Интервальный прогноз для значения (где ) вычисляется так же, как доверительный интервал для параметров.
Для построения доверительного интервала по таблице распределения Стьюдента при степенях свободы и уровне значимости 0,05 определяется значение . Тогда интервальный прогноз индивидуального значения показателя в точке с уровнем доверия 0,95 дается неравенством
,
где
.
Оценка средней относительной ошибки аппроксимации (т.е. модуля среднего отклонения расчетных значений от фактических) производится по формуле
.
1.6. Метод Гольдфельда—Квандта проверки гипотезы гомоскедастичности
Среди основных предположений регрессионного анализа важную роль играет предположение гомоскедастичности, которое заключается в равенстве дисперсий наблюдений:
Нарушение этого предположения сильно ухудшает качество оценок неизвестных параметров.
Возможны различные нарушения этого предположения в рамках парной регрессии. Одно из распространенных нарушений связано с тем, что дисперсия наблюдений может возрастать вместе с ростом значения фактора (объясняющей переменной):
,
при этом .
Это нарушение гомоскедастичности может быть обнаружение с помощью критерия Гольдфельда—Квандта.
Кратко критерий можно описать следующим образом:
1) упорядочим выборку , по возрастанию объясняющей переменной так, чтобы ;
2) исключим центральных наблюдений, в результате чего получим две выборки, состоящие из наблюдений: первая выборка содержит наблюдения с небольшими значениями объясняющей переменной: , вторая выборка содержит наблюдения с большими значениями объясняющей переменной ;
3) Построим две парные линейные регрессии по полученным выборкам и вычислим остаточные суммы квадратов по каждой из выборок: для первой выборки и для второй выборки;
4) вычислим статистику . Если верна гипотеза гомоскедастичности , то статистика имеет распределение Фишера с степенями свободы;
5) по таблице распределения Фишера при степенях свободы и уровне значимости 5% определяется значение . Тогда:
-
если , то гипотеза гомоскедастичности отклоняется;
-
Если , то гипотеза гомоскедастичности принимается.
2. Множественная регрессия
2.1. Спецификация модели
В отличие от случая парной регрессии при построении множественной регрессии предполагают, что имеется несколько объясняющих факторов.
Пусть — изучаемый эконометрический показатель, — объясняющие факторы.
Примеры:
1) Показатель — расходы фирмы за месяц, факторы: — объем выпущенной продукции за месяц, — стоимость ресурсов (электроэнергии и т.п.) в этом месяце.
2) Показатель — спрос на товар, факторы: — цена единицы товара, — цена товаров-заменителей.
Гипотетическая эконометрическая модель, приводящая к множественной регрессии, имеет следующий вид:
где — неизвестная функциональная зависимость, — случайное слагаемое, представляющее собой совокупное действие не включенных в модель факторов.
Основная задача эконометрического исследования — построение эмпирической модели (множественной регрессии) следующего вида:
,
где — эмпирическая зависимость (регрессия), «наилучшим» способом описывающая усредненную зависимость между изучаемым показателем и объясняющими факторами. После построения регрессии необходима последующая верификация модели (проверка статистической значимости построенной множественной регрессии).
Экспериментальная основа построения эмпирической регрессии — многомерная выборка
,
где — объем выборки (объем массива экспериментальных данных).
Аналогично случаю парной регрессии основная задача спецификации модели заключается в выборе функциональной зависимости. Основные методы выбора функциональной зависимости в основном те же, что и в случае парной регрессии. Однако задача выбора функциональной зависимости для множественной регрессии оказывается принципиально более сложной, чем в случае парной регрессии. Причина заключается в многомерной природе объясняющих переменных.
Применяя аналитический метод, в примере 1, аналогично случаю парной регрессии, нетрудно получить следующую модель:
,
где — условно-постоянные расходы, — условно-переменные расходы.