- •2.1. Опис моделі
- •4.1. Вступ
- •5.1. Вступ
- •1.1.Опис Моделі
- •1.2. Знаходження оцінок параметрів регресії методом найменших квадратів
- •1.3.Властивості залишків методу найменших квадратів
- •1.4.Розклад дисперсії залежної змінної. Коефіціент детермінації
- •1.5.Статистичні власт ок методу найменших
- •1.6.Статистичні висновки в моделі простої лінійної регресії
- •1.6.1. Перевірка гіпотез про коефіцієнт нахилу регресії
- •1.6.2. Інтервальне оцінювання
- •1.6.3. Перевірка значущості регресії
- •1.7. Прогнозування за допомогою простої лінійної регресії
- •1.8.Приклад
- •2.1. Опис моделі
- •2.2. Знаходження параметрів регресії методом найменших квадратів
- •2.3.Властивості залишків методу найменших квадратів
- •2.4.Розклад дисперсії залежної змінної. Коефіцієнт детермінації
- •2.5. Статистичні властивості оцінок методу найменших квадратів
- •2.6. Статистичні висновки в моделі множинної лінійної регресії
- •2.6.1. Перевірка гіпотез про коефіціенти регресії.
- •2.6.2. Надійні інтервали для коефіціентів регресії
- •2.6.3. Перевірка значущості регресії
- •2.7. Інтерпретація регресійних коефіцієнтів. Порівняння факторів за ступeнем їх впливу
- •2.8.Моделі, які зводяться до моделі лінійної регресії
- •2.9. Фіктивні змінні.
- •2.10.Перевірка гіпотез про лінійні обмеження на параметри
- •2.11 Перевірка гіпотез про стійкість моделі
- •2.11.1. Критерій дисперсійного аналізу
- •2.11.2. Критерій Чоу
- •3.1. Вступ
- •3.3.Наслiдки гетероскедастичності збурень на оцiнки методу найменших квадратiв
- •3.4. Зважений метод найменших квадратiв у випадку відомої коваріаційної матриці збурень
- •3.5. Виявлення гетероскедастичності
- •3.5.1. Загальні критерії виявлення гетероскедастичності
- •3.5.2. Регресійні критерії виявлення гетероскедастичності
- •4.2. Опис моделi
- •4.3.Наслiдки автокорельованостi збурень на оцiнки методу найменших квадратiв
- •4.4. Узагальнений метод найменших квадратiв у випадку відомої кореляційної матриці
- •4.5. Процес авторегресiї першого порядку
- •4.6. Узагальнений метод найменших квадратiв у випадку ar(1)-збурень
- •4.7. Виявлення автокореляції. Статистика Дурбіна-Уотсона
- •4.8. Оцінювання у випадку невідомої кореляційної матриці збурень
- •5.1.Вступ
- •5.2. Класифікація рівнянь і змінних
- •5.3. Структурний і зведений вигляд систем симультативних рівнянь
- •5.4. Проблема ідентифікації
- •5.4.1. Ідентифікація через зведений вигляд
- •5.4.2. Порядкова та рангова умова ідентифікованості
- •5.5. Методи оцінювання систем симультативних рівнянь
- •5.5.1. Непрямий метод найменших квадратів
- •5.5.2 Двоетапний метод найменших квадратів
1.5.Статистичні власт ок методу найменших
цінки методу найменших квадратів є незміщеними1) :
Eb = β, Ea = α .
цінок методу найменших квадратів обчислюються
за наступними формулами:
б) відсутність зв’язк2
в) відсутність зв’язку2
У випадку, зображеному на Рис. 1.2.а) має місце досить тісний лінійний зв’язок між змінними. У випадках б) та в) лінійний зв’язок практично відсутній. Однак між цими двома ситуаціями існує істотна різниця. На Рис. 1.2 б), очевидно, відсутній будь-який зв’язок між
ивості оцін
квадратів
О
Дисперсії та коваріація о
1) Оцінка параметра називається незміщеною, якщо . $θθEθθθ$=
14
DDanxSbSabxSxxxxxx=+⎛⎝⎜⎞⎠⎟==−⎛⎝⎜⎞⎠⎟σσσ22221cov(,) (1.18)
14
Наведені формули не можна використовувати для перевірки гіпотез та інтервального оцінювання, оскільки до них входить невідомий параметр – дисперсія збурень σ2 . Отже, нам потрібно вміти знаходити її оцінку. Має місце наступний результат: статистика $σ22=−RSSn
є незміщеною оцінкою σ2. Якщо збурення нормально розподілені, то a та b також нормально розподілені. Величина RSSneiinσσ22122=−=Σ()
має χ2 - розподіл з n - 2 ступенями свободи. Більше того, випадкова величина RSS не залежить від a та b.
Далі ми будемо припускати, що збурення нормально розподілені. Як відомо, якщо випадкові величини ξ1~N(0,1), ξ2~незалежніχp22) , то tp===−ξξχ12стандарний нормальний розподілнезалежний 2розподіл, що ділиться на свою кількість ступенів свободи
має розподіл Стьюдента з p ступенями свободи.
Оскільки bSxx~(,)Nβσ2, тоbSxx−βσ2 має стандартний нормальний розподіл. Крім того, RSSnσχ222~− і ці випадкові величини незалежні. Отже, частка bSRSSnbSxxxx−−=−βσσβσ2222()$
має розподіл Стьюдента з n - 2 ступенями свободи. Величина $
σ2Sxxє оцінкою дисперсії b, а $
σ2Sxx – оцінкою середньоквадратичного відхилення, або,
2) Знак «~» читається: (випадкова величина) «має розподіл».
15
коротко, стандартною похибкою оцінки b. Уведемо позначення SE(b) = $σ2Sxx (
від англійського standard error -
стандартна похибка). Маємо bbtn−−βSE()~2 (1.19)
1.6.Статистичні висновки в моделі простої лінійної регресії
1.6.1. Перевірка гіпотез про коефіцієнт нахилу регресії
Стандартною процедурою є перевірка гіпотези про те, що коефіцієнт нахилу регресійної прямої β дорівнює нулю. Прийняття цієї гіпотези означає, що незалежна змінна не має впливу на залежну в рамках лінійної моделі. Не виключено, що насправді між змінними існує залежність, але виражена іншою функціональною формою. Статистика для перевірки гіпотези має вигляд tbb=SE() (1.20)
Значення цієї t-статистики, як правило, автоматично підрахо-вуються в комп’ютерних програмах з регресійного аналізу. Для перевірки гіпотези H0: β = β0 використовують наступну статистику tbb=−β0SE() (1.21)
За вибраним рівнем значущості α в таблиці розподілу Стьюдента з n-2 ступенями свободи знаходимо критичне значення tкр. Якщо |t| < tкр, то гіпотеза H0 приймається. Якщо |t| ≥ tкр, то гіпотеза H0 відхиляється.
1.6.2. Інтервальне оцінювання
Інтервальна оцінка параметра β з рівнем довіри 1-α (не плутати з постійним доданком у регресії) знаходиться за наступною формулою:
(();()bbtbbt ) −⋅+⋅SESEкркр, (1.22)
де значення tкр знаходиться за вибраним α в таблиці розподілу Стьюдента з n-2 ступенями свободи.