- •1.Предмет эконометрики и связь с другими науками
- •2.Эк. Возникла в середине 20 века (1926 г.).
- •3.Методология эконометрического моделирования:
- •4/Выбор типа математической функции при построении уравнений регрессии
- •5.Свойства оценок:
- •6.Показатели силы связи:
- •7.Показатели тесноты связи.
- •8.Статистическая оценка достоверности регрессионной модели.
- •13.Ошибка аппроксимации.
- •12 Нелинейная регрессия
- •11.Интервальная оценка параметров
- •14.Использование модели парной регрессии для прогнозирования
- •15.Визуальный анализ остатков
- •16.17Смысл множественной регрессии. Отбор факторов и выбор формы уравнения
- •18.Оценка параметров.
- •20.Показатели силы связи:
- •19Стандартизованные коэффициенты регрессии.
- •21.Показатели тесноты связи
- •22.Показатели частной корреляции
- •23.Оценка достоверности модели
- •24.Частные f-критерии
- •26.Предпосылки мнк
- •32.Проблемы, возникающие при построении регрессионной модели
- •27.Гетероскедастичность
- •28.Тесты, используемые для выявления гетероскедастичности:
- •29.Ранговой корреляции Спирмена
- •31.Обобщенный метод наименьших квадратов (омнк)
- •46.Фиктивные переменные
- •49.Структурные уравнения и их приведенная форма
- •50.Проблема идентификация
- •51.Достаточное условие идентификации
- •52.Оценивание параметров в структурной форме моделей
- •53.Дмнк
- •34.Автокорреляция уровней ряда и ее последствия
- •35Моделирование тенденций временного ряда
- •43Использование трендовых моделей для прогнозирования
- •40.Методы исключения тенденции при моделировании взаимосвязей по временным рядам
- •38.Метод отклонения от тренда
- •39.Метод последовательных разностей
- •41.Автокорреляция в остатках
19Стандартизованные коэффициенты регрессии.
Запишем уравнение в натуральном масштабе:
Y = a + b1x1 +b2x2
Перейдем к уравнению в стандартизованном виде, выразим переменные в стандартных отклонениях:
Запишем уравнение в стандартизованном виде:
По бетта коэффициентам можно сравнивать факторы по силе влияния их на результат.
Частные коэффициенты эластичности
Показывают на сколько % изменится результат при изменении рассматриваемого фактора на 1%, при условии, что остальные факторы зафиксированы и не меняются.
Параметры b1,b2 и т.д. в степенной функции являются частными коэффициентами эластичности.
По коэффициентам эластичности также можно ранжировать факторы.
В ряде случаев может возникнуть ситуация, когда по стандартизованным коэффициентам и коэффициентам эластичности будет получено разная ранжировка факторов. Это может быть связано с высоким коэффициентом вариации при каком-либо факторе.
21.Показатели тесноты связи
Коэффициент множественной детерминации (R^2) показывает долю вариации результативного признака, за счет вариации включенных в модель факторов.
Для сравнения модели с разным набором факторов используют скорректированный коэффициент детерминации.
Коэффициент (индекс) множественной корреляции (0<=R<=1) корень квадратный от R^2
22.Показатели частной корреляции
Основаны на соотношении сокращения остаточной вариации за счет дополнительно включенного в модель фактора к остаточной вариации до включения в модель соответствующего фактора.
С одним из факторов была построена модель
Включили второй фактор
Показатели частной корреляции
Рис. 17.
Рекуррентные формулы (позволяют получить знак либо плюс либо минус в зависимости от направления связи):
Рассмотренные выше – это частные коэффициенты корреляции первого порядка (когда закрепляется 1 фактор). Но можно рассчитать коэффициенты 2 и более порядка, на пример:
23.Оценка достоверности модели
Таблица дисперсионного анализа
Источник вариации |
df |
Сумма квадратов отклонений SS |
Дисперсия на 1 степень свободы MS |
F - критерий |
Регрессия |
2 |
32 |
16 |
2,18 |
Остаток |
3 |
22 |
7,33 |
|
итого |
5 |
54 |
Х |
Оценка достоверности параметров
,
где - случайная ошибка коэффициента условно чистой регрессии
24.Частные f-критерии
По уравнению множественно регрессии оценивается значимость не только модели в целом, но и дополнительного включения в модель соответствующего фактора.
Необходимость такой оценки связана с тем, что не каждый фактор, входящий в модель может существенно увеличить факторную вариацию. Кроме того в виду корреляции между факторами, значимость одного и того же фактора может быть различной в зависимости от последовательности включения в модель этого фактора.
Мерой для оценки целесообразности включения фактора в модель служит частный F-критерий. Частный F-критерий строится на сравнении проста факторной дисперсии (на 1 степень свободы), обусловленный влиянием дополнительно включенного в модель фактора к остаточной дисперсии.
-
SSe(1)остаточная сумма квадратов для модели без фактора xj
-
SSe(2) - остаточная сумма квадратов для модели с фактором xj
С вероятностью 0,95 можно утверждать, что включения фактора x1 после x2 не целесообразно.
Fj= tb(j)^2
Можно построить частные таблицы дисперсионного анализа:
Источник вариации |
df |
Сумма квадратов отклонений SS |
Дисперсия на 1 степень свободы MS |
F-критерий |
Регрессия со всеми факторами |
2 |
32 |
16 |
0,96 |
В том числе с фактором x2 |
1 |
25 |
25 |
|
Регрессия, обусловленная включением в модель фактора x1 после x2 |
1 |
32-25=7 |
7 |
|
Остаток |
3 |
22 |
7,33 |
|
итого |
5 |
54 |
- |