- •Эконометрика
- •Введение
- •1. Модели статистической взаимосвязи
- •1.1. Типы взаимосвязи между явлениями
- •1.2. Типы данных
- •1.3. Типы моделей
- •Контрольные вопросы
- •2. Двухмерная модель линейной регрессии
- •2.1. Определение параметров млр. Метод наименьших квадратов
- •2.2. Матричная форма записи при определении параметров млр
- •2.3. Корреляционный анализ млр
- •2.4. Оценка ошибок моделирования
- •2.4.1. Основные условия (гипотезы) анализа ошибок
- •2.4.2. Ошибки оценок параметров модели
- •2.4.3. Оптимальность оценок мнк Теорема Гаусса-Маркова.
- •2.4.4. Оценка прогноза показателя и ошибок прогнозирования
- •2.5. Установление существенности связи на основе теории статистической проверки гипотез
- •2.5.1. Распределения случайных величин Нормальное распределение (Гаусса)
- •Распределение Пирсона (2-распределение)
- •Распределение Фишера
- •Распределение Стьюдента (t-распределение)
- •Статистическая проверка гипотез
- •Контрольные вопросы
- •3. Многомерная модель линейной регрессии
- •3.1. Определение параметров модели методом наименьших квадратов
- •3.2. Определение оценок параметров млр через отклонения (уменьшение числа уравнений системы до k – 1)
- •3.3. Статистические свойства оценок параметров млр
- •3.3.1. Условия анализа
- •3.3.2. Среднеквадратичные ошибки оценок параметров млр
- •3.3.3. Ошибки прогнозирования
- •3.4. Коэффициент детерминации многомерной млр
- •3.5. Определение существенности статистической связи между факторами и показателем
- •Контрольные вопросы
- •4. Мультиколлинеарность
- •4.1. Выражение для оценки параметров млр в стандартизованной форме
- •4.2. Тестирование на мультиколлинеарность методом Феррара-Глобера
- •4.2.1. Проверка на общую мультиколлинеарность
- •4.2.2. Проверка мультиколлинеарности между парами факторов
- •Контрольные вопросы
- •5. Автокорреляция
- •5.1. Обобщенный метод наименьших квадратов
- •5.2. Авторегрессионый процесс первого порядка
- •5.3. Тест Дарбина-Уотсона на автокорреляцию
- •Контрольные вопросы
- •6. Двухмерная модель нелинейной регрессии
- •6.1. Трехпараметрическая парабола
- •6.2. Двухпараметрическая парабола
- •6.3. Обзор двухпараметрических нелинейных моделей парной регрессии
- •Экспоненциальная модель
- •Логарифмическая модель
- •Гиперболическая модель
- •Контрольные вопросы
- •Литература
- •Приложение 1
- •Приложение 2
- •Приложение 3
- •Приложение 4
- •Приложение 5
4.1. Выражение для оценки параметров млр в стандартизованной форме
Вспомним, что многие распределения в математической статистике опираются на понятие стандартной нормальной случайной величины Z N(0,1) c нулевым средним и единичной дисперсией, что обеспечивается центрированием и нормировкой любой нормальной величины Х:
z = (x – M[X])/x.
Для выборочных данных стандартизацию следует осуществлять с использованием выборочных средних показателя и факторов
и выборочных дисперсий
(4.1)
Перепишем систему уравнений (3.15) для отклонений
Разделим каждое уравнение на после чего каждое слагаемое правой части умножим и разделим на Sm, m = 2, 3,…, k, так что
(4.2)
Введем обозначения для входящих сюда величин
(4.3)
Запишем теперь (4.2) в матричной форме
аналогичной соотношению (3.15) для ненормированных отклонений. С помощью метода наименьших квадратов нетрудно теперь получить подобную (3.16) оценку МНК нормированных (безразмерных) параметров модели
(4.4)
Входящие в правую часть векторы и матрицы имеют безразмерные элементы, нормированные к максимальным значениям. В частности, множитель
= (ryx2, ryx3, …, ryxk) (4.5)
является (k – 1)-мерным вектором-строкой коэффициентов корреляции между показателем Y и факторами Х2, Х3, …, Хk. Из (4.3), (4.4) нетрудно получить
(4.6)
Матрица справа в (4.4) является обратной по отношению к корреляционной матрице факторов размерности (k – 1)(k – 1)
(4.7)
Её элементами являются коэффициенты корреляции между факторами, равные согласно (4.3)
(4.8)
Напомним, что коэффициенты корреляции между случайными величинами принимают значения от –1 до 1. В частности, диагональные элементы матрицы (4.7) rii = 1. С учетом введенных обозначений оценка (4.4) параметров модели выражается через вектор коэффициентов корреляции между показателем и факторами (5.5) и корреляционную матрицу факторов (4.7) как
(4.9)
После определения оценок нормированных параметров денормировка согласно (4.3) осуществляется с помощью преобразования
(4.10)
Пример 4.1. Рассмотрим трехмерную модель для выборки из 5 точек, в которой уровень годовой инфляции Y (%) в 5 странах рассматривается в зависимости от уровня годового валового национального продукта (ВНП) на душу населения Х2 (у.е.) и природных ресурсов страны Х3 (оценивается в баллах по 10-балльной шкале) согласно таблице 4.1.
Согласно (4.6) с учетом (4.1) получим коэффициенты корреляции между показателем и факторами
Таблица 4.1
i |
1 |
2 |
3 |
4 |
5 |
/n |
Y, % |
4 |
7 |
7 |
8 |
9 |
7 |
X2, y.e. |
8 |
4 |
3 |
3 |
2 |
4 |
X3, баллы |
5 |
5 |
4 |
1 |
5 |
4 |
|
-3 |
0 |
0 |
1 |
2 |
0 |
|
4 |
0 |
-1 |
-1 |
-2 |
0 |
|
1 |
1 |
0 |
-3 |
1 |
0 |
|
9 |
0 |
0 |
1 |
4 |
14/5 |
|
16 |
0 |
1 |
1 |
4 |
22/5 |
|
1 |
1 |
0 |
9 |
1 |
12/5 |
В данном случае трехмерной модели достаточно рассчитать один элемент корреляционной матрицы между факторами Х2 и Х3. Согласно (4.8)
Корреляционная матрица факторов при этом имеет вид
.
Определитель корреляционной матрицы равен
Итак, обратная к RХ матрица имеет вид
Нормированные параметры (4.9) модели равны
Денормировка согласно (4.10) дает
Далее находим постоянную составляющую модели
Эти же результаты можно получить с помощью формулы (3.16), выраженной через отклонения. Действительно,
Как видим, коэффициенты регрессии совпадают с предыдущим расчетом. Достоинством расчета в стандартизованной форме является наличие информации о коэффициентах корреляции как между факторами, так и между показателем и факторами. В частности, Это сравнительно невысокая корреляция, поэтому нет оснований для проверки на мультиколлинеарность. В других случаях следует пользоваться более строгими методами статистической проверки гипотез.