- •Для выполнения контрольной работы по эконометрии
- •Донецк 2001
- •1. Эконометрия и эконометрическое моделирование:
- •Социально-эконо-
- •Источники базовых компонентов эконометрической науки
- •2. Простая линейная регрессия
- •Определение оценок параметров уравнения регрессии с помощью
- •Используя данные, относящиеся к индексам ftse 100 и s&p 500, рассчитаем оценки параметров модели:
- •Проверка модели
- •Прогнозирование на основе эконометрической модели, представленной уравнением регрессии
- •3. Множественная (многофакторная) регрессия
- •Проверка выполнения основных предпосылок
- •Построение эконометрической модели производительности труда
- •Исследование мультиколлинеарности
- •Эконометрическая модель – система одновременных уравнений
- •9. Контрольные задания
- •Продолжение табл.9.1
- •Задание 2
Прогнозирование на основе эконометрической модели, представленной уравнением регрессии
Допустим, необходимо предсказать уровень индекса FTSE 100 при росте за данный день индекса S&P 500 до 550. Используя полученное уравнение регрессии, получим:
.
Если мы собираемся использовать регрессионную модель для прогноза величины Y (в данном случае это уровень индекса FTSE 100), располагая величиной Х (уровень индекса S&P 500), то следовало бы определить степень доверия к оцениваемому значению. С этой целью рассчитывается стандартная ошибка оценки, а затем интервал прогнозирования.
Стандартная ошибка оценки, также известная как стандартная ошибка уравнения регрессии (модели), является стандартной ошибкой остатков и определяется следующим образом:
.
Интервал прогнозирования определяется так:
,
где t - табличное значение t-критерия Стьюдента, соответствующее уровню значимости и отражающее уровень доверительной вероятности (1-); Х0 – это значение Х, используемое для прогноза, т.е. 550 для приведенного примера.
Стандартная ошибка модели зависимости индексов равна = 114,27. Интервал прогнозирования составит:
.
Таким образом, с вероятностью 0,99 можем полагать, что если индекс S&P 500 вырастет до 550, то индекс FTSE 100 увеличится до 3477 320, т.е. будет находиться в пределах между 3157 и 3797.
3. Множественная (многофакторная) регрессия
Редко поведение зависимой переменной объясняется только с помощь одной независимой переменной. В действительности каждое явление определяется действием целого комплекса причин, поэтому несколько независимых переменных, используемых в комбинации, предлагают лучшее объяснение.
Истинная взаимосвязь между результирующим показателем (зависимой переменной) Y и различными объясняющими переменными Xj выражается так:
Y = 0 + 1X1 + 2X2 +…+pXp + .
Однако, как и в случае простой линейной регрессии, мы не знаем истинную зависимость и вынуждены делать оценки:
.
Коэффициенты bj (j = 1,2,…,р) представляют собой частные производные Y по соответствующим Хj:
и показывают, насколько в среднем изменится величина Y при изменении соответствующего фактора Х на единицу и при неизменных значениях других факторов.
Вспомним, что в случае простой регрессии постоянная b0 представляла собой величину зависимой переменной при нулевом значении независимой переменной. Во множественной регрессии толкование постоянной является более сложным. В некоторых моделях свободный член оценивается a priori, в других случаях значимая постоянная может представлять средний эффект, оказываемый на Y любыми независимыми переменными, которые не были включены в модель.
Рассмотрим гипотезу о том, что доходы по индексу FTSE 100 определяются доходами на рынке государственных облигаций Великобритании (переменная Х1), доходами по индексу S&P 500 (переменная Х2) и доходами по обменному курсу US $/₤ (переменная Х3).
Существует много пакетов программ, которые способны решить задачу оценивания множественной регрессии. Далее мы покажем возможность использования для этой цели Excel.
Типичный результат будет похож на следующее:
R2 = 0,52; = 0,49; DW = 2,3; F = 26,0.
t-критерий приведен в скобках;
- скорректированный коэффициент детерминации;
DW относится к критерию Дарбина-Уотсона, который связан с автокорреляцией остатков и обсуждается далее.
Числа в скобках могут представлять стандартные ошибки оценок параметров модели либо значения t-критериев.
Результаты могут быть интерпретированы следующим образом: если Х2 и Х3 постоянны, то при изменении Х1 на единицу изменение Y составит 0,209. Аналогично, если Х1 и Х3 постоянны, то изменение Х2 на единицу приведет к изменению Y на 0,934 единицы.
t-критерии для каждой независимой переменной истолковываются так же, как и раньше, но в случае многофакторной модели они имеют t-распределение с n – (р + 1) степенями свободы (если в модели р независимых переменных, то будет (р + 1) коэффициентов регрессии, включая свободный член).
В рассматриваемом примере 51 наблюдения, три независимых переменных, т.е. число степеней свободы равно: 51 - (3 + 1) = 47. Тогда при уровне значимости 5% значения t-критерия должно быть больше 2,02, а при уровне доверительной вероятности 99% для обеспечения значимости коэффициентов регрессии потребовалось бы, чтобы t-критерий был больше 2,7. Таким образом, свободный член и коэффициент при переменной Х1 не являются статистически надежными, но две другие переменные с вероятностью 0,99 имеют статистически значимые коэффициенты.
В многофакторной модели добавление дополнительных объясняющих переменных увеличивает коэффициент детерминации. Следовательно, коэффициент детерминации должен быть скорректирован с учетом числа независимых переменных. Скорректированный коэффициент детерминации рассчитывается так:
,
где n – число наблюдений, р – количество независимых переменных.
Скорректировав по этой формуле коэффициент детерминации, равный 0,52, получим:
.
Допущения относительно использования метода наименьших квадратов для многофакторных моделей те же, что и для простой линейной модели. Однако многофакторная модель имеет дополнительную предпосылку о том, что независимые переменные некоррелированы друг с другом (отсутствует мультиколлинеарность).