- •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
2.5. Статистичні властивості оцінок методу найменших квадратів
Обчислимо математичне сподівання оцінок методу найменших квадратів. Підставимо формулу (2.2) до формули (2.6):
bXXXXXXX=βεβ+()()()TTT−−+=11Tε 2.15)
Маємо
EEEETTTTbXXXXXX=β+ε=β+ε=β()()−−11,
оскільки лінійний множник можна виносити за знак математичного сподівання, і Eε = 0. Отже, МНК-оцінки є незміщеними. Знайдемо коваріаційну матрицю оцінки b:
Db = E(b- Eb)(b- Eb)T = E(b-β)(b-β)T =
()()= E()()T-1TT-1TTXXXXXXεε⎡⎣⎢⎤⎦⎥ =
28
[]= E()()()E(()T-1TTT-1T-1TTT-1XXXXXXXXXXXXεεεε==)
=()()T-1TT-1XXXIXXXσ2=
=()()()T-1TT-1T-σσ22XXXXXXXX= 1.
Ми скористались властивостями математичного сподівання, добутку транспонованих матриць, формулою (2.3), а також тим, що матриця XTX, а отже і обернена до неї, симетричні.
Eb=β
DbXX=σ2()T-1 (2.16)
Позначимо матрицю(через )1 T-XXS==−=−(),,,,sikjkij010 1. Тоді Dbsikbbsikjkiiiijij==−==−=σσ2201010,,,cov(,),,,,. −1 .17)
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 $σ2=−RSSnk, (2.18)
де k – кількість регресорів, включаючи константу, є незміщеною оцінкою σ2. Якщо збурення нормально розподілені, то b має багатовимірний нормальний розподіл, математичне сподівання і дисперсія якого обчислюються за формулою (2.16). Зокрема, bisi,kiii~(,),Nβσ201=−.
Величина RSSnkeiinσσ2212=−=Σ()
має χ2 - розподіл з n - k ступенями свободи і не залежить від b. Оцінка коваріаційної матриці коефіціентів методу найменших квадратів одержується підстановкою до формули (2.16) виразу (2.18) замість дисперсії збурень σ2:
29
∧=DbXX$σ2(T-)1, (2.19)
зокрема ∧==Dbsikiii$,,σ201 − .
Позначимо через s.e.(bi) оцінку середньокватратичного відхилення коефіціента bi. (стандартнy похибку) SE()$bsii=σ2
i
Розмірковуючи так, як у випадку простої регресії, приходимо до висновку, що bbtikiiink−=−−βSE()~,,01 (2.20)
Оцінки методу найменших квадратів є лінійними у тому розумінні, що b є лінійною функцією y. Наступна теорема встановлює оптимальні властивості оцінки методу найменших квадратів.
Теорема Гауса-Маркова
1) Нехай припущення про нормальність збурень не накладається. Тоді МНК-оцінки мають мінімальну коваріаційну матрицю в класі незміщених лінійних оцінок.
2)Припустимо, що збурення нормально розподілені. МНК- оцінки мають мінімальну коваріаційну матрицю в класі усіх незміщених оцінок.
Зокрема, оцінки індивідуальних коефіціентів bi мають найменші дисперсії серед оцінок відповідних класів.
2.6. Статистичні висновки в моделі множинної лінійної регресії
2.6.1. Перевірка гіпотез про коефіціенти регресії.
Стандартною процедурою є перевірка гіпотези про те, що коефіціент βi дорівнює нулю. Прийняття цієї гіпотези означає, що незалежна змінна xi не має впливу на в рамках лінійної моделі. Статистика для перевірки гіпотези має вигляд tbbii=SE() (2.21)
Значення цієї t -статистики, як правило, автоматично підраховуються в комп’ютерних програмах з регресійного аналізу. Для перевірки гіпотези H0: βi = βвикористовують наступну статистику i0
30
tbbii=−β0SE()
i (2.22)
За вибраним рівнем значущості α в таблиці розподілу Стьюдента з n-k ступенями свободи знаходимо критичне значення tкр. Якщо |t| < tкр, то гіпотеза H0 приймається. Якщо |t| ≥ tкр, то гіпотеза H0 відхиляється.