- •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
2.6. Многошаговый регрессионный анализ
Для более точного и достоверного отражения действительности в модели необходимо подобрать такую форму кривой, которая бы адекватно отражала связи между факторами. Если форма кривой неизвестна, то можно аппроксимировать эту связь полиномом n-ой степени, считая его универсальной формой связи:
(2.7)
На практике степень полинома и количество его параметров ограничивают, т.к. это не приводит к адекватному повышению точности расчетов. При увеличении количества параметров до числа, равного числу наблюдений, теоретическая линия регрессии будет проходить через все точки корреляционного поля, т.е. корреляционная зависимость станет функциональной, в которой будут учитываться не средние, а частные, случайные явления, при этом могут не учитываться принципиально важные характеристики самого объекта.
При аппроксимации нелинейной зависимости полиномом n-ой степени каждый его параметр заменяется условной переменной 1-ой степени и дальнейшие расчеты ведут по методике аппроксимации линейной зависимости:
Тогда уравнение (2.7) сводится к виду
.
Громоздкость полученной модели требует исключения из полинома отдельных его параметров без снижения точности аппроксимации. Решается эта задача путем многошагового регрессионного анализа в следующей последовательности.
1. Выбирается наиболее простая форма зависимости, например, .
Составляется система нормальных уравнений вида и оцениваются параметры .
3. Рассчитываются теоретические значения по уравнению регрессии .
Проверяется значимость уравнения регрессии по F-критерию Фишера. Если уравнение оказалось незначимым, то расширяется матрица X (соответственно, усложняется уравнение регрессии) и осуществляется переход к этапу 2. Если значимость доказана, то оценивают значимость отдельных коэффициентов регрессии, для чего определяют расчетные значения t-критерия Стьюдента по следующим формулам:
а) при одномерном регрессионном анализе:
;
б) при множественной корреляции:
,
где – количество параметров уравнения регрессии;
– объем выборки;
– диагональный элемент матрицы ,
остаточная дисперсия (формула (1.10)).
5. Расчетные значения критериев сравниваются с табличными при числе степеней свободы . Коэффициенты считаются значимыми, если полученные значения не меньше табличных. Если это условие не выполняется, то в матрице X расширенного состава вычеркиваются соответствующая строка и столбец. Далее возвращаются ко второму этапу, и расчеты продолжают до тех пор, пока не будут исключены незначимые коэффициенты из уравнения регрессии.
3. Анализ структуры совокупности
Наблюдений
3.1. Однородность совокупности и способы
типологического анализа
3.1.1. Понятие и виды однородности
Структура совокупности определяется характером распределений признаков, описывающих единицы совокупности, и видом взаимосвязи между этими признаками.
Относительная однородность (степень однородности) представляет собой различие в уровне однородности, обеспечивающее достаточную точность статистических выводов для конкретного исследования.
Для оценки степени однородности («близости» объектов совокупности) используются общие (близкие по значению) и варьирующие показатели, влияние которых должно быть определено в результате статистического моделирования.
Степень однородности объекта характеризуется не только долей общих показателей, но и их ролью (значимостью) в формировании характерных свойств объекта.
В зависимости от назначения и от стадии моделирования различают однородность:
в широком смысле: для выделения изучаемой совокупности из генеральной совокупности объектов на стадии постановки задач моделирования;
в узком смысле: для выделения однородных групп или типов объектов после сбора данных на стадии собственно эконометрического моделирования.
Однородность может быть количественной или качественной в зависимости от характера классификационного признака.