- •1. Оцінка параметрів лінійної регресії методом найменших квадратів
- •2. Коефіцієнт кореляції та детермінації
- •3. Властивості оцінок параметрів лінійної регресії
- •4. Перевірка лінійної регресії на адекватність (значимість) за допомогою f-критерію Фішера.
- •5. Перевірка значимості параметрів регресійної моделі за допомогою t-критерію Ст’юдента
- •6. Коефіцієнт еластичності. Довірчі інтервали (інтервали довіри). Прогнозування за допомогою моделі парної лінійної регресії
- •7.Нелінійна регресія
- •8. Поняття мультиколінеарності, основні її ознаки та наслідки
- •9. Методи усунення мультиколінеарності
- •10. Алгоритм Фарара-Глобера
- •11. Поняття гетероскедастичності та її наслідки
- •12. Тест Голдфельда-Квандта
- •13. Знаходження оцінок параметрів моделі за допомогою узагальненого методу найменших квадратів (метод Ейткена)
- •14. Поняття автокореляції та її наслідки
- •15. Критерій Дарбіна-Уотсона
- •16. Оцінювання параметрів економетричної моделі узагальненим методом найменших квадратів при наявності автокореляції
5. Перевірка значимості параметрів регресійної моделі за допомогою t-критерію Ст’юдента
Для перевірки на значимість параметрів регресійної моделі, при умові, що вона адекватна дійсній, потрібно спочатку знайти оцінку дисперсії залишків (помилок):
називають стандартною помилкою рівняння регресії.
Тож потрібно знайти дисперсійно-коваріаційну матрицю параметрів моделей регресії:
, - оцінки параметрів дисперсії
, - стандартні похибки коефіцієнтів
Алгоритм перевірки значимості коефіцієнта
лінійної регресії
Висувають статистичні гіпотези:
Задають критерій:
( )
Вважають, що цей критерій має розподіл Ст’юдента (t-розподіл) з
Знаходять фактичне значення критерію ( ).
Знаходять за таблицями t-розподілу для рівня значимості і ступенів вільності.
Порівнюють між собою два знайдені значення.
Якщо ( ) тоді приймається нульова гіпотеза і коефіцієнт ( ) вважається статистично не значимий, тобто його моделі можна опустити (відкинути). В противному випадку коефіцієнт ( ) вважають статистично значимим при прийнятті альтернативної гіпотези.
- вибіркова модель
Зауваження: функція розподілу Ст’юдента або t-розподілу має вигляд: (графік).
Перевірка значимості коефіцієнта кореляції за допомогою
t-критерію Ст’юдента.
Перевірка на значимість вибіркового коефіцієнта кореляції здійснюється за допомогою t-критерію Ст’юдента.
Для перевірки вибирають критерій:
Вважають, що цей критерій має розподіл Ст’юдента з ступенями вільності. Гіпотези мають вигляд:
Якщо приймається нульова гіпотеза, то вважають, що між змінними у та х не існує лінійної залежності. При гіпотезі вважається, що така залежність між у та х існує.
Якщо отримана вибіркова модель лінійної регресії адекватна дійсній моделі, оцінки параметрів статистично значимі та між змінними х та у існує лінійний зв'язок, то цю вибіркову модель можна використати для дослідження процесу, який вона описує. Дослідження полягає в тому, щоб встановити рівень впливу, в певному розумінні, незалежної змінної на залежну, а також можливі значення різного типу прогнозованих значень у.
6. Коефіцієнт еластичності. Довірчі інтервали (інтервали довіри). Прогнозування за допомогою моделі парної лінійної регресії
Середнім коефіцієнтом еластичності моделі парної регресії називається величина:
Цей коефіцієнт показує на скільки процентів (відсотків) зміниться змінна у, якщо змінна х зміниться (збільшиться) на 1 процент (відсоток).
Довірчі інтервали (інтервали довіри)
Якщо для регресійної моделі отримати вибіркову регресійну модель , то тоді за знайденими оцінками параметрів моделі можна знайти інтервали, які з деякою імовірністю попадають в невідомі параметри . Ці інтервали називаються довірчими інтервалами або інтервалами довіри.
Інтервал довіри (довірчий інтервал) – це інтервал, в який з ймовірністю ( – рівень значимості, Р – рівень надійності) попадає в параметр при знайдених оцінках параметрів при заданому рівні значимості .
Інтервали довіри мають вигляд:
(графік)
Геометрична інтерпретація:
Якщо полоса між прямими є неширокою, це означає, що оцінки параметрів досить добре наближають дійсні значення параметрів моделі .
Прогнозування за допомогою моделі парної лінійної регресії
Для регресійних моделей використовують в основному два типи прогнозів: точковий та інтервальний.
Точковий прогноз – дає змогу знайти прогнозоване значення , якщо задане прогнозоване значення . Прогнозоване значення знаходять за формулою:
Інтервальний прогноз задає інтервал, який з ймовірністю попадає в дійсне значення змінної у при заданому рівні значимості .
Інтервальний прогноз знаходиться наступним чином: