![](/user_photo/2706_HbeT2.jpg)
- •Часть I
- •Введение
- •1. Учебная программа дисциплины
- •1.1 Характеристика дисциплины
- •1.2. Примерный тематический план
- •1.3. Содержание дисциплины
- •Тема 1. Предмет дисциплины «прикладная эконометрика в предпринимательстве». Цель, задачи и методы, используемые при ее изучении
- •Тема 2. Парный регрессионный анализ
- •Тема 3. Свойства коэффициентов регрессии и проверка гипотез
- •Тема 4. Множественный регрессионный анализ
- •Тема 5. Преобразования и спецификация переменных регрессии
- •Тема 6. Оценивание систем одновременных уравнений
- •Тема 7. Моделирование и свойства регрессионных моделей с временными рядами
- •Тема 8. Нестационарные временные ряды
- •Тема 9. Модели с панельными данными
- •1. Парный регрессионный анализ
- •1.5 Два разложения для зависимой переменной
- •1.7. Качество оценивания: коэффициент r2
- •2. Свойства коэффициентов регрессии и проверка гипотез
- •2.1. Типы данных и регрессионная модель
- •2.8 Проверка гипотез, относящихся к коэффициентам регрессии
- •2.9. Доверительные интервалы
- •2.10 Односторонние t-критерии
- •2.12. Взаимосвязь между f-критерием общего качества регрессии и f-критерием для коэффициента наклона в парном регрессионном анализе
- •3. Множественный регрессионный анализ
- •3.2. Вывод и интерпретация коэффициентов множественной регрессии
- •3.3. Свойства коэффициентов множественной регрессии
- •3.4 . Мультиколлинеарность
- •3.5. Качество оценивания: коэффициент r2
- •4. Моделирование по данным временных рядов
- •4.1. Статистические модели
- •4.2. Динамические модели
- •4.3. Модель адаптивных ожиданий
- •4.4. Модель частичной корректировки
- •4.5. Предсказание
- •4.6. Тесты на устойчивость
- •Перечень рекомендуемой литературы Основная
- •Дополнительная
- •Постановка вопроса
- •Обзор литературы
- •Сбор данных
- •Построение модели и выводы.
- •Прикладная эконометрика в предпринимательстве Учебная пособие для специальности
- •220006. Минск, Свердлова,13а.
- •220006. Минск, Свердлова, 13.
2.12. Взаимосвязь между f-критерием общего качества регрессии и f-критерием для коэффициента наклона в парном регрессионном анализе
В случае парного регрессионного анализа (и только парного регрессионного анализа) как F-критерий для величины R2, так и t-критерий для коэффициента наклона рассматривают в качестве нулевой гипотезы Н0: β2 = 0
и Н1: β2 ≠ 0 в качестве альтернативной гипотезы. Это поднимает вопрос о возможности получения на их основе разных выводов. К счастью, в действительности они эквивалентны друг другу, F-статистика равна квадрату t-статистики, и критическое значение F, при любом заданном уровне значимости, равно квадрату критического значения t. Начнем с определения F, подставив к = 2 в (2.86):
=
(2.92)
Доказательство того, что критическое значение F равно квадрату критического значения t, несколько сложнее, и мы его опустим. Когда мы перейдем к множественному регрессионному анализу, то увидим, что F- и t-критерии играют в нем разную роль и имеют различные нулевые гипотезы. Тем не менее, в парном регрессионном анализе тот факт, что они эквивалентны, означает, что нет смысла выполнять оба этих теста. Проведение обоих тестов будет свидетельствовать о некомпетенции аналитика. Очевидно, если это соответствует смыслу задачи, то односторонний t-критерий здесь предпочтительнее, чем какой-то другой.
Ключевые понятия
Автокорреляция центральная предельная теорема
гомоскедастичный случайный член теорема Гaycca—Маркова
гипотеза альтернативная уровень значимости
гипотеза нулевая эксперимент Монте-Карло
доверительный интервал данные перекрестной выборки
мощность критерия F-статистика
F-тест на качество оценивания
область принятия гипотезы t-статистика
ошибка I рода t-тест
ошибка II рода t-тест, односторонний
значение р данные временных рядов
стандартная ошибка коэффициента панельные данные
регрессии
стохастический регрессор
3. Множественный регрессионный анализ
В этой главе регрессионный анализ по методу наименьших квадратов обобщается для случая, когда в модели регрессии вместо одной объясняющей переменной используется несколько объясняющих переменных. Рассматриваются два новых вопроса. Один из них касается проблемы разграничения эффектов различных объясняющих переменных. Эта проблема в случае обострения известна под названием мультиколлинеарности. Другой вопрос состоит в оценке объединенной объясняющей способности независимых переменных в противоположность их отдельным предельным эффектам.
Иллюстрация: модель с двумя объясняющими переменными
Множественный регрессионный анализ является развитием парного регрессионного анализа применительно к случаям, когда зависимая переменная гипотетически связана с более чем одной объясняющей переменной. Большая часть анализа будет непосредственным расширением парной регрессионной модели, но здесь мы сталкиваемся с двумя новыми проблемами. Во-первых, при оценке влияния данной объясняющей переменной на зависимую переменную нам придется решать проблему разграничения ее воздействия и воздействий других объясняющих переменных. Во-вторых, мы должны будем решить проблему спецификации модели. Часто предполагается, что несколько переменных могут оказывать влияние на зависимую переменную, с другой стороны, некоторые переменные могут не подходить для модели. Мы должны решить, какие из них следует включить в уравнение регрессии, а какие — исключить из него. Вторая проблема будет рассмотрена в гл. 6. В данной главе мы полагаем, что спецификация модели правильная. В большинстве ситуаций мы ограничимся базовым случаем, где используются только две объясняющие переменные.
Начнем с рассмотрения примера с факторами, определяющими величину заработка. Расширим первоначальную модель, включив учет влияния числа лет работы наряду с образованием, и допустим, что истинную зависимость можно выразить следующим образом:
EARNINGS = β1 + β25 + β3 EXP + w, (3.1)
где EARNINGS—часовой заработок; S— продолжительность обучения (число полных лет учебы); ЕХР — число лета работы после получения образования; и — случайный член. Такая модель, разумеется, является значительным упрощением как с точки зрения состава независимых переменных, включенных в зависимость, так и с точки зрения математической формулы связи.
Для геометрической иллюстрации этой зависимости необходима трехмерная диаграмма с отдельными осями для EARNINGS, S и ЕХР, как показано на рис. 3.1. Основание на рисунке содержит оси для S и ЕХР, и если пренебрег текущим влиянием случайного члена, то наклонная плоскость над ним показывает величину EARNINGS, соответствующую любому сочетанию (S, EXP), измеренную расстоянием по вертикали до этой плоскости над основанием в данной точке. Так как заработки могут увеличиваться под влиянием как продолжительности обучения, так и опыта работы, изображение на диаграмм было построено на основе допущения о том, что β2 и β3 положительны. Буквально свободный член β1 показывает ожидаемую величину заработка при первом сроке обучения и нулевом опыте работы. Однако такая интерпретаций была бы некорректной, поскольку в выборке NLSY не было лиц с нулевым сроком обучения. В действительности лишь очень немногие в этой выборке не завершили 8-летнее образование. Математическая формула (3.1) означает, что если бы ЕХР равнялось нулю, то для любого положительного S заработок разнялся бы β1 + β2S, где приращение β2S показывает «чистый эффект S» в будущем. При S, равном нулю, уравнение показывает, что при любой положительной величине ЕХР заработок был бы равен β1 + β2S, где приращение β2S показывает «чистый эффект ЕХР». На рис. 3.1 показан также совокупный эффект продолжительности обучения и опыта работы β2S + β3ЕХР.
До сих пор мы пренебрегали случайным членом. Если он отсутствует в ураз нении (3.1), то значения переменной EARNINGS в данной выборке наблюдений для EARNINGS, S и ЕХР будут находиться точно на обозначенной наклонной плоскости, и будет довольно просто вывести точные значения для β 1, β 2 и β3 (это не так просто сделать геометрически, если вы не имеете достаточно большого опыта в создании трехмерных моделей, однако это довольно просто сделать алгебраическим путем).
Рисунок 3.1 – Истинная модель с двумя объясняющими переменными: заработок как функция продолжительности обучения и опыта работы
Наличие случайного члена приводит к тому, что фактические значения величины заработка будут лежать несколько выше или несколько ниже значений, соответствующих данной наклонной плоскости. Следовательно, теперь мы имеем трехмерный аналог для двумерной задачи, показанной на рис. 1.2. Вместо нахождения линии, соответствующей двумерному рассеянию точек, мы теперь должны расположить плоскость так, чтобы она соответствовала трехмерному рассеянию. Уравнение для выбранной плоскости будет иметь вид
EARNINGS = b1+ b2S + b3EXP, (3.2)
и ее расположение будет зависеть от выбора величин b1 b2, и b3 являющихся соответственно оценками β1, β2 и β3. При использовании набора данных EAEF 21 мы получим распечатку результатов оценивания регрессии, представленную в табл. 3.1.
Оцененное уравнение интерпретируется следующим образом. На каждый дополнительный полный год обучения при данном опыте работы приходится увеличение часового заработка в размере 2,68 долл. На каждый дополнительный год опыта работы при данной продолжительности обучения приходится увеличение часового заработка в размере 0,56 долл. Постоянный член не имеет здесь содержательной интерпретации. Буквально он означал бы, что респондент с нулевым уровнем образования (на самом деле все респонденты учились не менее шести лет) и без опыта работы зарабатывал бы в час минус 26,49 долл.
Таблица 3.1
-
EARNINGS S EXP
Source
SS
df
MS
Number of obs =F(2,537) =
540
Model
22513.6473
2
11256.8237
F(2,537)
67.54
Residual
89496.5838
537
166.660305
Prob > F =
R-squared
Adj R-squared
Root MSE
0.0000
0.2010
0.1980
12.91
Total
112010.231
539
207.811189
EARNINGS
Coef.
Std. Err.
t
P>|t|
[95% Conf.
Interval]
S
2.678125
.2336497
11.46
0.000
2.219146
3.137105
EXP
.5624326
.1285136
4.38
0.000
.3099816
.8148837
_cons
-26.48501
4.27251
-6.20
0.000
-34.87789
-18.09213