Фиктивные переменные при анализе пространственных данных

ANOVA-модели (мо­делями дисперсионного анализа) это регрессионные модели, содержащие лишь качественные объясняющие переменные.

Ancova-модель при наличии у фиктивной переменной двух альтернатив

Рассмотрим простейшую ANCOVA-модель с одной количественной и одной качественной переменной, имеющей два альтернативных состояния:

Коэффициент  в приведенной модели иногда называется диффе­ренциальным коэффициентом свободного члена, так как он по­казывает, на какую величину отличается свободный член моде­ли при значении фиктивной переменной, равном единице, от свободного члена модели при базовом значении фиктивной пе­ременной.

Например: y - заработная плата сотрудника фир­мы, x - стаж сотрудника, D - пол сотрудника, т.е.

Тогда ожидаемое значение заработной платы сотрудников при х годах трудового стажа будет:

Заработная плата в данном случае является линейной функцией от стажа работы.

Причем и для мужчин, и для женщин заработная плата меняется с одним и тем же коэф­фициентом пропорциональности а₁. А вот свободные члены в приведенных моделях отличаются на величину . Проверив с помощью t-статистики статистические значимости коэффици­ентов a₀ и (a₀+), можно определить, имеет ли место в фирме дискриминация по половому признаку. Если эти коэффициен­ты окажутся статистически значимыми, то, очевидно, дискри­минация есть. Более того, при  > 0 она будет в пользу мужчин, при  < 0 - в пользу женщин.

Модели ancova при наличии у качественных переменных более двух альтернатив

Рассмотрим модель с двумя объясняющими пе­ременными, одна из которых количественная, а другая - каче­ственная. Причем качественная переменная имеет три альтер­нативы.

Например, расходы на содержание ребенка могут быть связаны с доходами домохозяйств и возрастом ребенка: дошко­льный, младший школьный и старший школьный. Так как ка­чественная переменная связана с тремя альтернативами, то по общему правилу моделирования необходимо использовать две фиктивные переменные. Таким образом, модель может быть представлена в виде:

где: y - расходы, x - доходы домохозяйств.

Образуются следующие зависимости.

Средний расход на дошкольника:

Средний расход на младшего школьника:

Средний расход на старшего школьника:

Здесь ₁ и ₂ - дифференциальные свободные члены. Базо­вым значением качественной переменной является значение «дошкольник». Таким образом, получаются три регрессион­ные прямые, параллельные друг другу.

После вычисления коэффициентов уравнений регрессии определяется статистическая значимость коэф­фициентов ₁ и ₂ на основе обычной t-статистики.

Если коэффициенты ₁ и ₂ оказываются статистически незначимыми, то можно сделать вывод, что возраст ребенка не оказывает существенного влияния на расходы по его со­держанию.

Регрессия с одной количественной и двумя качественными переменными

Рассмотрим модель одной количественной с двумя качествен­ными переменными.

Пример: y - заработная плата сотрудников фирмы, x - стаж работы, D₁ - наличие высшего образования, D₂ - пол со­трудника:

Таким образом, получим следующую модель:

Из этой модели выводятся следующие регрессионные зави­симости.

Средняя заработная плата женщины без высшего образо­вания:

Средняя заработная плата женщины с высшим образова­нием:

Средняя заработная плата мужчины без высшего образо­вания:

Средняя заработная плата мужчины с высшим образова­нием:

Очевидно, что все регрессии отличаются лишь свободными членами. Дальнейшее определение статистической значимости коэффициентов ₁ и ₂ позволяет убедиться, влияют ли образо­вание и пол сотрудника на его заработную плату.

Естественно, что предложенные выше схемы могут быть распространены на ситуации с произвольным числом количест­венных и качественных факторов. При этом не следует забывать, что если качественный фактор имеет k альтернативных состояний, то для его описания используется (k - 1) фиктивных переменных.