- •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
6.3. Обзор двухпараметрических нелинейных моделей парной регрессии
Как отмечалось, линеаризация при парной регрессии возможна лишь для моделей с двумя параметрами, при этом для замены переменных (как фактора, так и показателя) можно использовать весь известный набор элементарных функций f(x). Как показано в предыдущем параграфе, дополнительные преимущества можно получить смещением независимой переменной х на известную величину х0, тогда спецификация двухпараметрической модели примет вид
yi = 0 + 1 f(xi – x0) + i, i = 1, 2,…,n, (6.17)
где ошибки i, и значения показателя уi являются случайными величинами. Заменой переменной
z = f(x – x0) (6.18)
нелинейная модель сводится к линейной
yi = 0 + 1 z + i, i = 1, 2,…, n,
оценки параметров которой определяются аналогично (6.13), (6.14)
(6.19)
(6.20)
Эти оценки имеют все свойства МНК оценок, справедливые для линейной модели (несмещенность, состоятельность и эффективность). Рассмотрим примеры.
Экспоненциальная модель
Экспоненциальная функция f(x) = сx определена для положительного основания с > 0 и имеет вид монотонно нарастающей (с >1) или монотонно убывающей (с < 1) экспоненты, рис.6.3. При смещении график f(x – х0) = сх – х0 сдвигается вправо (х0 > 0) или влево (х0 < 0) на величину х0. В точке х = х0 значение экспоненты с0 = 1. В качестве аргумента используются безразмерные (относительные) величины.
Параметры модели оцениваются согласно (6.19), (6.20).
Чаще всего убывающая экспоненциальная модель (c < 1) используется в области положительных значений аргумента, т.е. при х > x0, причем она хорошо описывает тренды роста или падения, переходящие плавно к стабилизации (постоянству показателя: у а). Примерами могут быть уровни инфляции и роста ВВП (валового внутреннего продукта) страны за годы от кризиса до относительной стабилизации. В микроэкономике расходы фирм при становлении обычно велики и постепенно стабилизируются за некоторый период времени.
Часто при описании процессов с тенденцией к стабилизации в качестве основания экспоненты используется с = е-1, где е = 2,718281828 – основание натурального логарифма. Тогда модель имеет вид
(6.21)
В частности, у*(х0) = a + b, а в области стабилизации (х >> x0) у*→ a.
Рис.6.3
Скорость изменения показателя определяется производной
Следовательно, экспоненциальная модель (6.21) является возрастающей функцией при отрицательных b < 0 и убывающей – при b > 0, причем скорость её изменения непрерывно уменьшается и стремится к 0. На рис.6.4 показаны характерные графики убывающих и нарастающих экспоненциальных моделей (6.21). Их применение оправдывается в случаях непрерывного снижения скорости изменения показателя при нарастании фактора (например, времени в относительных единицах).
Более универсальной может оказаться экспоненциальная модель вида
y* = cebx. (6.22)
В зависимости от знака коэффициента b она описывает нарастающий по скорости тренд (b > 0) или убывающий (b < 0).
Логарифмируя равенство (6.22), получим
lny* = lnc + bx.
Рис.6.4
Линеаризация модели сводится к заменам переменных
u* = lny*, a = lnc, b = b,
после чего приходим к стандартной линейной модели парной регрессии u* = a + bx. Согласно (6.19), (6.20) оценки параметров линейной модели
(6.23)
(6.24)
Определив оценки a и b, следует возвратиться к нелинейной модели y* = cebx , y*= eu*, с = eа.
Параметры модели (6.22) и её график можно получить в EXCEL с помощью команд «ДИАГРАММА – Точечная – Добавить линию тренда – Экспоненциальная». Эта же модель запрограммирована на калькуляторе CASIO «fx-82TL» в режиме REG.
Пример 6.3. Пусть доходы фирм yi (в у.е.) в зависимости от инвестиций в технологию хi (в у.е.) описываются выборкой, приведенной в таблице 6.3. Необходимо найти оценки МНК параметров модели типа (6.22), построить график модели и оценить функционал ошибок.
Таблица 6.3
xi ( у.е.) |
yi ( у.е.) |
lnyi |
xi lnyi |
xi2 |
lnyi – bxi |
10 |
11 |
2,397895 |
23,97895 |
100 |
1,228425 |
12 |
12 |
2,484907 |
29,81888 |
144 |
1,081543 |
13 |
15 |
2,70805 |
35,20465 |
169 |
1,187739 |
15 |
18 |
2,890372 |
43,35558 |
225 |
1,136167 |
16 |
20 |
2,995732 |
47,93172 |
256 |
1,12458 |
19 |
26 |
3,258097 |
61,90383 |
361 |
1,036104 |
20 |
38 |
3,637586 |
72,75172 |
400 |
1,298646 |
|
|
|
|
|
|
∑= 105 |
140 |
20,37264 |
314,9453 |
1655 |
8,093204 |
В таблице 6.3 приведены все необходимые расчеты сумм (последняя строка – сумматор по столбцам таблицы) для вычисления параметров (6.23), (6.24) модели. По этим формулам находим
a = 8,093204/7 = 1,156172,
тогда
с = eа = 3,177746.
Уравнение (6.22) с учетом этих значений принимает вид
у* = 3,177746 е 0,116946х.
Эта экспонента вместе с выборочными точками изображена на рис.6.5. Она получена в EXCEL после выбора типа тренда «Экспоненциальная». Проведем анализ ошибок модели (остатков регрессии), которые, как видно из графика, нарастают с ростом х.
Рис.6.5
Характерным свойством нелинейных моделей, построенных методом линеаризации, является то, что сумма остатков регрессии не обязательно равна 0, как это имеет место в линейных моделях. Проиллюстрируем это расчетами, приведенными в таблице 6.4.
Для линейной модели, как следует из расчетов в последнем столбце таблицы, сумма остатков регрессии практически равна 0 (она имеет порядок 10 –7 из-за погрешностей вычислений). Для экспоненциальной модели (второй столбец таблицы 6.4) получили ∑Ei = –1,02653, что дает относительную погрешность около 1/139, близкую 1%. Это связано с нелинейной зависимостью у*(х), которая нелинейно преобразует остатки регрессии Ei по отношению к остаткам ei для линейной модели. В результате функционал ошибок (третий столбец таблицы) довольно значителен: F = 38,68.
Таблица 6.4
yi* = cebxi |
Ei = yi* – yi |
Ei2 |
ui* = a + bxi |
ei = ui* – ui |
10,23325 |
–0,76675 |
0,587912 |
2,325642 |
–0,07225 |
12,92981 |
0,929814 |
0,864555 |
2,559536 |
0,074629 |
14,53389 |
–0,46611 |
0,217263 |
2,676483 |
–0,03157 |
18,36372 |
0,363717 |
0,13229 |
2,910377 |
0,020005 |
20,64192 |
0,641917 |
0,412058 |
3,027324 |
0,031592 |
29,31692 |
3,31692 |
11,00196 |
3,378165 |
0,120068 |
32,95397 |
–5,04603 |
25,46239 |
3,495112 |
–0,14247 |
|
|
|
|
|
∑= 138,9735 |
–1,02653 |
38,67843 |
20,37264 |
1,47*10-7 |