- •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.
2.2. Множественная линейная регрессия. Оценка параметров. Экономическая интерпретация
В случае нескольких объясняющих переменных часто используют линейную модель, в которой функциональная зависимость имеет вид . Для нахождения оценок неизвестных параметров используют метод наименьших квадратов. Этот метод дает хорошие результаты, если выполнены основные предположения о случайной составляющей, объединенные в первую группу основных предположений регрессионного анализа. Согласно этому методу значения параметров эмпирической зависимости выбираются таким образом, чтобы минимизировать сумму квадратов отклонений фактических значений показателя от расчетных:
.
Применяя тот же прием, что и в случае парной регрессии (вычисляем производные по неизвестным параметрам и приравниваем их к нулю) приходим к системе так называемых нормальных уравнений метода наименьших квадратов. В матричном виде система записывается следующим образом:
где
, , .
Если матрица невырождена, то решение системы уравнений дается выражением:
.
Найденное решение называется оценкой наименьших квадратов неизвестных параметров
Таким образом, множественная линейная регрессия имеет вид
.
Значения показателя, рассчитанные по линейной регрессии для тех значений объясняющих факторов, которые содержались в выборке обозначим через :
.
Нетрудно найти остатки (разности между фактическими значениями показателя и значениями, вычисленными по уравнению линейной регрессии):
.
При выполнении предположений из первой группы основных предположений регрессионного анализа доказана теорема Гаусса—Маркова о том, что найденные оценки неизвестных параметров обладают свойством несмещенности и являются наилучшими линейными оценками.
Оценка средней относительной ошибки аппроксимации так же, как и в случае парной линейной регрессии, производится по формуле:
.
Аналогично случаю парной линейной регрессии можно показать, что статистика
является несмещенной оценкой дисперсии .
В случае множественной регрессии важную роль играют частные коэффициенты корреляции. Дело в том, что коэффициенты парной корреляции могут давать ложное представление о силе взаимосвязи между двумя переменными, так как они не учитывают влияние других переменных. Явление ложной корреляции хорошо известно в статистической литературе. Для оценки «истинной» взаимозависимости используются коэффициенты частной корреляции «очищенные» от влияния других факторов. Ограничимся определением коэффициентов частной корреляции только для случая двух переменных.
Частные коэффициенты корреляции и в случае двух переменных () вычисляются по формулам
, ,
где — коэффициенты парной корреляции.
Коэффициент детерминации определяется так же, как и в случае парной регрессии:
.
Статистическая значимость множественной регрессии в целом оценивается с помощью -критерия Фишера:
Если выполнены предположения регрессионного анализа, то при выполнении гипотезы (что означает отсутствие взаимосвязи между и , а также статистическую незначимость построенной парной регрессии) статистика распределена по закону Фишера с числом степеней свободы числителя равным и числом степеней свободы знаменателя равным (т.е. ).
На основе этого факта построен критерий проверки значимости линейной регрессии в целом.
Правило проверки значимости линейной регрессии в целом (гипотезы ) с использованием -статистики:
Вычислить значение -статистики:
-
если , то гипотезу следует отклонить и, следовательно, признать построенное уравнение линейной регрессии статистически значимым;
-
если , то гипотезу следует принять и, следовательно, признать построенное уравнение статистически не значимым.
Значение определяется по таблице распределения Фишера при степенях свободы и уровне значимости 5%.
Кроме того, при выполнении предположений регрессионного анализа справедливы следующие утверждения:
-
статистика распределена по закону Стьюдента с степенями свободы (т.е. ), здесь , где — первый элемент, стоящий на главной диагонали матрицы ;
-
статистика распределена по закону Стьюдента с степенями свободы, (т.е.), здесь , где — -й элемент, стоящий на главной диагонали матрицы .
Правило проверки статистической значимости оценок и , основывается на проверке статистических гипотез и . Невозможность отклонения какой-либо из гипотез означает статистическую незначимость соответствующего коэффициента и, наоборот, отклонение какой-либо из гипотез означает, что соответствующий коэффициент статистически значим.
Правило проверки значимости коэффициента
Вычислить статистику . Статистика при выполнении гипотезы распределена по закону Стьюдента с степенями свободы, поэтому:
-
если , то гипотезу следует отклонить и, следовательно, признать коэффициент статистически значимым;
-
если , то гипотезу следует принять и, следовательно, признать коэффициент статистически незначимым.
Значение определяется из таблицы распределения Стьюдента при степенях свободы как критическая точка, соответствующая двусторонней критической области с уровнем значимости 5%.
Правило проверки значимости коэффициента
Вычислить статистику . Статистика при выполнении гипотезы распределена по закону Стьюдента с степенями свободы, поэтому:
-
если , то гипотезу следует отклонить и, следовательно, признать коэффициент статистически значимым;
-
если , то гипотезу следует принять и, следовательно, признать коэффициент статистически незначимым.
Значение определяется из таблицы распределения Стьюдента при степенях свободы как критическая точка, соответствующая двусторонней критической области с уровнем значимости 5%.
Экономическая интерпретация коэффициентов при объясняющих факторах та же, что и в случае парной регрессии. Коэффициент показывает, на сколько единиц изменится значение показателя, если значение фактора , соответствующего этому коэффициенту, увеличится на одну единицу, в то время как остальные факторы останутся неизменными.