39.Алгоритм покрокової регресії.
В основу алгоритму покрокової регресії покладено залежність оцінок параметрів економетр-ї моделі і коефіцієнтів парної кореляції.
Алгоритм має 4 кроки: 1.Усі вихідні дані змінних стандартизуються (нормалізуються):
2.Знаходиться
кореляційна матриця:
3.Вибираються
max{|ryxj|}. Найбільше |ryxj| вказує на ту
незалежну змінну, яка найтісніше
пов’язана з y. На цьому кроці на основі
МНК знаходиться оцінка параметра цієї
змінної в моделі:
.
4.Серед ін значень ryxj вибирається
max{|ryxj|} і в модель вводиться наступна
незалежна змінна
і т.д. Якщо немає обмеження на внесення
до економетр-ї моделі кожної наступної
незалежної змінної, то обчислення
виконуються доти, поки поступово не
будуть внесені до моделі всі змінні.
Сума
квадратів залишків для такої моделі
запишеться так:
.
Звідси мінімізації підлягає
.
Узявши похідну за кожним невідомим параметром j цієї функції і прирівнявши всі здобуті похідні нулю, дістанемо систему нормальних рівнянь.
41.Негат наслідки наявності гетероск-ті залишків в лін моделях
Якщо дисперсія залишків змінюється для кожного спостереження або для груп спостережень, то це явище назив гетероск-тю. Наявність гетероск-ті спричиняє поруш-я властивостей оцінок параметрів моделі при розрахунку їх за методом 1МНК; вони, як правило, залишаються незміщеними, об ґрунт-и, але неефективними. За гетероск-ті дисперсія 2u буде змінюватися через зростаючий розкид значень залишків, тобто вона зростатиме. Це означ, що буде зростати дисперсія оцінок параметрів моделі, яка приводить до збільш-я їх стандартних похибок. Інтервали довіри оцінок параметрів моделі також будуть більшими. Як наслідок, F та t-критерії дають неточні результати. Якщо не звернути увагу на гетероск-ть, то висновки будуть неправильними.
42.Негативні наслідки наявності автокореляції залишків в лінійних моделях.
Наявність автокореляції залишків у лін-й моделі призводить до таких 3 наслідків: 1.Оцінки параметрів моделі можуть бути незміщеними, але неефективними, тобто вибіркові дисперсії вектора оцінок Â можуть бути невиправдано великими. 2.Оскільки вибіркові дисперсії обчислюються не за уточненими формулами, то статист-і критерії t- і F-cтатистики, які знайдено для лін-ї моделі, практично не можуть бути викор-ні в дисперсійному аналізі. 3.Неефективність оцінок параметрів економетр-ї моделі призводить, як правило, до неефективних прогнозів, тобто прогнозів з дуже великою вибірковою дисперсією.
43.Негативні наслідки наявності мультик-і.
Основні наслідки наявності М-ті: 1.Падає точність оцінювання, яка виявляється так: а)помилки деяких конкретних оцінок стають занадто великими; б)ці помилки досить корельовані одна з одною; в)дисперсії оцінок параметрів різко збіл-ся. 2. Оцінки параметрів деяких змінних моделі можуть бути незначущими через наявність їх взаємозв’язку з іншими змінними, а не тому, що вони не впливають на залежну змінну. У такому разі множина вибіркових даних не дає змоги цей вплив виявити. 3.Оцінки параметрів стають досить чутливими до обсягів сукупності спостережень. Збіл-ня сукупності спостережень іноді може спричинитися до істотних змін в оцінках параметрів. Тому при побудові економетр-ї моделі потрібно мати інформацію про те, що між пояснювальними змінними не існує мульт-ті.