- •Лабораторный практикум по парной регрессии и корреляции
- •Решение задачи
- •Решение
- •Тема 2 Отбор факторов при построении множественной регрессии
- •Вопрос 2: «f-тест на качество оценивания».
- •Вопрос 3: «Мультиколлинеарность».
- •Решение типовой задачи
- •Решение
- •2. Коэффициент парной корреляции мы уже нашли:
- •Решение задач с помощью ms Excel
- •Задание для самостоятельной работы
- •Задача 2.
- •Тема 3 Регрессионные модели с переменной структурой
- •Вопрос 1. «Фиктивные переменные во множественной регрессии».
- •Вопрос 2. Предпосылки метода наименьших квадратов
- •Вопрос 3. «Гетероскедатистичность»
- •Раздел 3 Лекция 6: «характеристики временных рядов»
- •Вопрос 1: «основные элементы временного ряда»
- •Вопрос 2: «автокорреляция уровней временного ряда и выявление его структуры»
- •Вопрос 3: «Моделирование тенденции временного ряда»
- •Вопрос 4: «Моделирование сезонных и циклических колебаний»
- •Вопрос 5: «Моделирование тенденции временного ряда при наличии структурных изменений».
Эконометрика
Оглавление
Лабораторный практикум по парной регрессии и корреляции 1
РЕШЕНИЕ ЗАДАЧИ 5
ТЕМА 2 Отбор факторов при построении множественной регрессии 14
Вопрос 3: «Мультиколлинеарность». 21
РЕШЕНИЕ ТИПОВОЙ ЗАДАЧИ 22
Решение задач с помощью MS Excel 30
ТЕМА 3 Регрессионные модели с переменной структурой 34
Вопрос 1. «Фиктивные переменные во множественной регрессии». 34
Вопрос 2. Предпосылки метода наименьших квадратов 39
Вопрос 3. «Гетероскедатистичность» 43
РАЗДЕЛ 3 44
Лекция 6: «ХАРАКТЕРИСТИКИ ВРЕМЕННЫХ РЯДОВ» 44
Вопрос 1: «ОСНОВНЫЕ ЭЛЕМЕНТЫ ВРЕМЕННОГО РЯДА» 44
Вопрос 2: «АВТОКОРРЕЛЯЦИЯ УРОВНЕЙ ВРЕМЕННОГО РЯДА И ВЫЯВЛЕНИЕ ЕГО СТРУКТУРЫ» 45
Вопрос 3: «Моделирование тенденции временного ряда» 52
Вопрос 4: «Моделирование сезонных и циклических колебаний» 52
Вопрос 5: «Моделирование тенденции временного ряда при наличии структурных изменений». 57
Лабораторный практикум по парной регрессии и корреляции
Парная (простая) линейная регрессия представляет собой модель, где среднее значение зависимой (объясняемой) переменной рассматривается как функция одной независимой (объясняющей) переменной x , т.е. это модель вида:
,
где: y – зависимая переменная (результативный признак);
х – независимая, объясняющая переменная (признак-фактор)
Так же y называют результативным признаком, а x признаком-фактором. Знак «^» означает, что между переменными x и y нет строгой функциональной зависимости.
Практически в каждом отдельном случае величина y складывается из двух слагаемых:
где y – фактическое значение результативного признака; – теоретическое значение результативного признака, найденное исходя из уравнения регрессии; – случайная величина, характеризующая отклонения реального значения результативного признака от теоретического, найденного по уравнению регрессии. Случайная величина называется также возмущением. Она включает влияние не учтенных в модели факторов, случайных ошибок и особенностей измерения. Ее присутствие в модели порождено тремя источниками: спецификацией модели, выборочным характером исходных данных, особенностями измерения переменных.
Различают линейные и нелинейные регрессии.
Линейная регрессия: y=a+b*x+ε.
Нелинейные регрессии делятся на два класса: регрессия, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам, и регрессия, нелинейные по оцениваемым параметрам.
Регрессии, нелинейные по объясняющим переменным:
Полиномы разных степеней y=a+b1*x+b2*x2+b3*x3+ε
Равносторонняя гипербола
Регрессии, нелинейные по оцениваемым параметрам:
Степенная y=a*xb*ε
Показательная y=a*bx*ε
Экспоненциальная y=ea+b*x*ε
Построение уравнения регрессии сводится к оценке ее параметров. Для оценки параметров регрессий, линейных по параметрам, используют метод наименьших квардатов (МНК). МНК позволяет получить такие оценки параметров, при которых сумма квадратов отклонений фактических значений результативного признака у от теоретических минимальна, т.е.
Для линейных и нелинейных уравнений, приводимых к линейным, решается следующая система относительно a и b:
Можно воспользоваться готовыми формулами, которые вытекают из этой системы:
Ковариация – числовая характеристика совместного распределения двух случайных величин, равная математическому ожиданию произведения отклонений этих случайных величин от их математических ожиданий. Дисперсия – характеристика случайной величины, определяемая как математическое ожидание квадрата отклонения случайной величины от ее математического ожидания. Математическое ожидание – сумма произведений значений случайной величины на соответствующие вероятности
Тесноту связи изучаемых явлений оценивает линейный коэффициент парной корреляции rxy для линейной регрессии (
И индекс корреляции pxy - для нелинейной регрессии
Оценку качества построенной модели даст коэффициент (индекс) детерминации, а также средняя ошибка аппроксимации.
Средняя ошибка аппроксимации – среднее отклонение расчетных значений от фактических:
Допустимый предел значений - не более 8-10%.
Средний коэффициент эластичности показывает, на сколько процентов в средней по совокупности изменится результат у от свой средней величины при изменении фактора х на 1% от своего среднего значения:
После того как найдено уравнение линейной регрессии, проводится оценка значимости как уравнения в целом, так и отдельных его параметров.
Проверить значимость уравнения регрессии – значит установить, соответствует ли математическая модель, выражающая зависимость между переменными, экспериментальным данным и достаточно ли включенных в уравнение объясняющих переменных (одной или нескольких) для описания зависимой переменной.
Оценка значимости уравнения регрессии в целом производится на основе F -критерия Фишера, которому предшествует дисперсионный анализ.
Согласно основной идее дисперсионного анализа, общая сумма квадратов отклонений переменной y от среднего значения раскладывается на две части – «объясненную» и «необъясненную»
Где:
Схема дисперсионного анализа имеет вид, представленный в таблице (n – число наблюдений, m – число параметров при переменной x)
Компоненты дисперсии |
Сумма квадратов |
Число степеней свободы |
Дисперсия на одну степень свободы |
Общая |
|
|
|
Факторная |
|
m |
|
Остаточная |
|
|
|
Определение дисперсии на одну степень свободы приводит дисперсии к сравнимому виду (степени свободы – это числа, показывающие количество элементов варьирования, которые могут принимать произвольные значения, не изменяющие заданных характеристик). Сопоставляя факторную и остаточную дисперсии в расчете на одну степень свободы, получим величину F -критерия Фишера (коэффициент (индекс) детерминации R2)
Коэффициент детерминации – квадрат коэффициента или индекса корреляции.
F-тест( F-критерий Фишера – оценивание качества уравнения регрессии – состоит в проверке гипотезы Н0 о статистической значимости уравнения регрессии и показателя тесноты связи. Для этого выполняется сравнение фактического Fфакт и критического (табличного) Fтабл значений F-критерия Фишера Fфакт определяется из соотношения значений факторной и остаточной дисперсий, рассчитанных на одну степень свободы:
где:
n – число единиц совокупности;
m – число параметров при переменных х.
Fтабл – это максимально возможное значение критерия под влиянием случайных факторов при данных степенях свободы и уровне значимости а. Уровень значимости а – вероятность отвергнуть правильную гипотезу при условии, что она верна. Обычно а принимается равной 0,05 или 0,01.
Если Fтабл < Fфакт, то Н0 – гипотеза о случайной природе оцениваемых характеристик отклоняется и признается их статистическая значимость и надежность. Если Fтабл > Fфакт , то гипотеза Н0 не отклоняется и признается статистическая значимость, ненадежность уравнения регрессии.
Для оценки статистической значимости коэффициентов регрессии и корреляции рассчитывается t-критерий Стьюдента и доверительные интервалы каждой из показателей. Выдвигается гипотеза Н0 о случайной природе показателей, т.е. о незначимом их отличии от нуля. Оценка знамчимости коэффициентов регрессии и корреляции с помощью t-критерия Стьюдента проводится путем сопоставления их значений с величиной случайной ошибки:
Случайные ошибки параметров линейной регрессии и коэффициента корреляции определяются по формулам:
Домашнее задание
Сравнивая фактическое и критическое (табличное) значения t-статистики – tтабл и tфакт – принимаем или отвергаем гипотезу Н0.
Связь между F-критерием Фишера и t-статистикой Стьюдента выражается равенством
Если tтабл < tфакт, то Н0 отклоняется, т.е. a,b и признается случайная природа формирования a,b, или
Для расчета доверительного интервала определяем предельную ошибку ∆ для каждого показателя:
Формулы для расчета доверительных интервалов имеют следующий вид:
Если в границы доверительного интервала попадает ноль, т.е. нижняя граница отрицательна, а верхняя положительна, то оцениваемый параметр принимается нулевым, так как он не может одновременно принимать и положительное, и отрицательное значения.
Прогнозное значение yp определяется путем подстановки в уравнение регрессии соответствующего (прогнозного) значения хр . Вычисляется средняя стандартная ошибка прогноза
где
и строится доверительный интервал прогноза: