- •Содержание
- •Введение
- •1. Парная корреляция и регрессия
- •1.1. Спецификация модели
- •1.2. Линейная корреляция и регрессия
- •1.3. Нелинейная регрессия
- •1.4. Проверка значимости линейного уравнения регрессии
- •1.5. Корреляция для нелинейной регрессии
- •1.6. Предпосылки метода наименьших квадратов
- •1.7. Обобщенный метод наименьших квадратов
- •2. Множественная корреляция и регрессия
- •2.1. Множественный корреляционный анализ
- •2.2. Спецификация модели
- •2.3. Частные уравнения регрессии
- •2.4. Выбор формы уравнения множественной регрессии
- •Оценка параметров уравнения множественной регрессии
- •2.6. Многошаговый регрессионный анализ
- •3.1.2. Способы выявления структурной неоднородности
- •3.2. Методы последовательного разбиения
- •3.3. Методы многомерной классификации
- •3.3.1. Мера сходства
- •3.3.2. Модели кластерного анализа
- •4.2. Числовые характеристики экономического развития
- •4.3. Состав динамического ряда
- •4.4. Моделирование одномерных динамических рядов
- •4.4.1. Типы экономического развития и их трендовые модели
- •4.4.2. Построение трендовых моделей
- •4.4.3. Сглаживание временных рядов
- •4.4.4. Моделирование тенденции временного ряда при наличии структурных изменений
- •4.4.5. Влияние автокорреляции на структуру временного ряда
- •4.5. Многомерные временные ряды
- •4.5.1. Сущность и особенности многомерных динамических рядов
- •4.5.2. Способы построения множественной регрессионной модели по временным рядам
- •5.1.2. Связь однородности статистической совокупности с типом моделей
- •5.2. Динамическое моделирование взаимосвязей в структурно-однородных совокупностях
- •5.2.1. Методы построения пространственно-динамических
- •Моделей
- •5.2.2. Выбор вида пространственно-динамической модели
- •5.2.3. Динамизация параметров связи
- •5.3.2. Построение динамических моделей на основе временных выборок
- •6. Системы эконометрических уравнений
- •6.1.Общие понятия и способы представления систем эконометрических уравнений
- •6.2. Структурная и приведенная формы модели
- •6.3. Проблемы идентификации структурной модели
- •6.4. Оценка параметров структурной модели
- •6.5. Двухшаговый метод наименьших квадратов
- •7. Динамические эконометрические модели
- •7.1. Общая характеристика моделей с распределенным лагом и моделей авторегрессии
- •7.2. Оценка параметров авторегрессионных моделей
- •7.3. Интерпретация параметров модели с распределенным лагом
- •7.4. Интерпретация параметров модели авторегрессии
- •7.5. Изучение структуры лага и выбор вида модели с распределенным лагом
- •7.6. Лаги Алмон
- •8. Статистическое прогнозирование динамических рядов
- •8.1. Сущность и виды статистических прогнозов
- •8.2. Методы статистического прогнозирования
- •8.2.1. Экстраполяция динамических рядов
- •8.2.2. Прогнозирование на основе экспоненциального сглаживания
- •8.2.3. Прогнозирование на основе регрессионных и авторегрессионных моделей
- •Список литературы
1.3. Нелинейная регрессия
Выделяют следующие группы нелинейных уравнений регрессии.
Во-первых, это регрессия, нелинейная относительно факторов (объясняющих переменных), но линейная по оцениваемым параметрам. Примерами таких моделей могут быть следующие функции:
– парабола второго порядка;
– парабола третьего порядка;
– гипербола.
Параметры данных моделей, как и в линейной регрессии, оцениваются обычным МНК, т.к. эти функции линейны по параметрам. Например, в параболе второй степени, заменяя переменные , получим двухфакторное уравнение регрессии .
К следующей группе относят регрессию, нелинейную по оцениваемым параметрам. В ее составе выделяют две подгруппы.
В одну из них включают нелинейные модели, которые являются внутренне линейными, т.е. те, которые могут быть линеаризованы. Например, степенную функцию необходимо прологарифмировать как
Для линеаризации обратной модели вида находится величина, равная . Возможно одновременное использование логарифмирования и нахождения обратных величин (в частности, для логистической функции ).
Параметры моделей данной подгруппы оцениваются с помощью МНК после их линеаризации, при этом меняется критерий оценки параметров [4]. В частности, он может принять следующий вид:
.
Ко второй подгруппе относят модели, которые можно считать внутренне нелинейными. Эти функции не могут быть приведены к линейному виду. Например, и .
Линеаризация таких моделей невозможна. Поэтому обычный МНК неприменим, а для оценки параметров используются итеративные процедуры, точность которых зависит от конкретного вида уравнений регрессии и от особенностей используемого численного метода.
1.4. Проверка значимости линейного уравнения регрессии
Значимость уравнения определяется возможностью надежного прогноза результативного показателя по значениям факторных признаков. Значимость линейной регрессии проверяется по F–критерию Фишера, расчетное значение которого определяется согласно следующей формуле:
(1.8)
где – факторная дисперсия результативного показателя (оценивает степень влияния изучаемого фактора на Y, т.е. объясняемую регрессию), которой соответствует число степеней свободы ,
; (1.9)
– остаточная дисперсия (характеризует воздействие неучтенных факторов, т.е. необъясняемую регрессию):
(1.10)
где – число степеней свободы, соответствующее линейной регрессии.
Если расчетное значение критерия больше табличного, выбираемого по теоретическим значениям F-распределения Фишера при заданном уровне значимости и двух степенях свободы и , то выдвинутая гипотеза о незначимости линейного уравнения регрессии не принимается.
Для выбора лучшего уравнения регрессии (из множества значимых) могут быть использованы следующие критерии их качества:
минимум остаточной дисперсии;
минимум корреляционного отношения
(1.11)
минимум относительной ошибки аппроксимации
. (1.12)
Уравнения регрессии затем ранжируются по данным критериям. Минимальная сумма баллов соответствует лучшему уравнению регрессии [2].
Оценивается значимость не только уравнения в целом, но и отдельных его параметров путем расчета их стандартных ошибок. Например, для линейной регрессии вида истинные значения параметров от рассчитанных по выборочным данным отличаются на следующие величины стандартных ошибок
Доверительные границы Y при значении фактора для линейной регрессии определяются по формуле
(1.13)
где – значение Y, рассчитанное по уравнению регрессии при ;
– табличное значение критерия Стьюдента при уровне значимости и числе степеней свободы .