- •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
2.3. Частные уравнения регрессии
Частные уравнения регрессии строятся на основе линейной регрессии
и имеют следующий вид:
Каждое из уравнений связывает изменение Y с соответствующими факторами при закреплении всех остальных факторов на среднем уровне, т.е.
После подстановки в эти выражения соответствующих средних значений они принимают вид парных уравнений линейной регрессии
В отличие от парной регрессии, данные уравнения характеризуют изолированное влияние факторов на результат, т.к. остальные закрепляются на постоянном уровне. Для количественной оценки этого влияния рассчитываются частные коэффициенты эластичности следующим образом:
, (2.4)
где – коэффициенты регрессии для фактора в уравнении множественной регрессии;
частное уравнение регрессии.
Каждый из частных коэффициентов эластичности показывает, на сколько процентов изменяется Y при изменении соответствующего фактора на 1 %.
2.4. Выбор формы уравнения множественной регрессии
В эконометрических исследованиях используются следующие функции для построения множественных регрессионных уравнений.
Линейная функция
,
где коэффициенты «чистой» регрессии, характеризующие среднее изменение Y при изменении соответствующего фактора на единицу своего измерения при условии, что все остальные факторы закреплены на среднем уровне, т.е. неизменны.
Степенная функция
где – коэффициенты эластичности, которые используются при сравнении влияния разноименных факторов. Их сумма может достигать различных значений. В частности:
В первом случае отдача (эффективность) факторов не меняется в случае увеличения их величины, во втором – увеличивается (имеет место «положительный эффект масштаба»), в третьем – снижается («отрицательный эффект масштаба»).
3. Экспонента
.
4. Гипербола
.
5. Комбинированные функции
.
6. Тригонометрические функции
.
7. Полиномиальные функции (более подробно рассмотрены в разделе 2.6)
При выборе функции необходимо учитывать возможности ее линеаризации и экономической интерпретации, а также выполнение соотношения между числом параметров и числом наблюдений (п. 1.6).
Оценка параметров уравнения множественной регрессии
Модель множественной регрессии может быть представлена в виде
(2.5)
где i-тое наблюдение результативного показателя;
-ое наблюдение факторных признаков.
Включение в регрессионную модель новых объясняющих переменных усложняет полученные вычисления. Это приводит к целесообразности использования матричных обозначений:
а) Y – вектор-столбец зависимых переменных размерности n, т.е.
;
б) Х – матрица значений объясняющих переменных размерности , значения элементов первого столбца которой объясняется тем, что умножается на фиктивную переменную для всех i
;
в) B – матрица-столбец (вектор) параметров регрессии размерности p
;
г) – вектор случайных ошибок размерности n
Тогда, в матричной форме модель (2.5) примет вид
. (2.6)
Для нахождения значений матрицы B (без учета вектора случайных ошибок) используют следующие преобразования выражения (2.6):
Для сравнительного анализа влияния факторов на изменение Y (в случае разных единиц измерения факторов) рассчитывают частные коэффициенты эластичности (формула (2.4)).
Расчет значений параметров уравнений регрессии может быть упрощен за счет использования выборочных частных коэффициентов корреляции и средних квадратичных отклонений. Так, для уравнения вида параметры могут быть найдены по формулам
где средние квадратичные отклонения признаков соответственно;
– частные коэффициенты корреляции между результативным признаком Y и первым (вторым) фактором соответственно;
– частный коэффициент корреляции между признаками и .