
- •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
2.6.2. Надійні інтервали для коефіціентів регресії
Інтервальна оцінка параметра βi з рівнем довіри 1 – α знаходиться за наступною формулою:
(();()bbtbbtiiii ) −⋅+⋅SESEкркр. (2.23)
де значення tкр знаходиться за вибраним рівнем значущості α в таблиці розподілу Стьюдента з n-k ступенями свободи.
2.6.3. Перевірка значущості регресії
Значущість регресії означає, що незалежні змінні в сукупності впливають на залежну змінну. Як нульова гіпотеза для перевірки приймається протилежне тведження, а саме H0: β1=β2=...= βk-1.= 0. Можна показати, що коли гіпотеза H0 вірна, то FRkRnkESSkRSSnkFknk=−−−=−−−−221111~, (2.24)
За вибраним рівнем значущості α в таблиці розподілу Фішера з k–1, n–2 ступенями свободи знаходимо критичне значення F кр. Якщо |F|<Fкр, то гіпотеза H0 приймається. Якщо |F|≥Fкр, то гіпотеза H0 відхиляється. Прийняття нульової гіпотези означає, що модель потрібно відкинути і розглянути іншу.
2.7. Інтерпретація регресійних коефіцієнтів. Порівняння факторів за ступeнем їх впливу
Запишемо рівняння регресії у такому вигляді:
$ybbxbxkk=+++−−0111K 1 (2.25).
Якщо значення змінної xi змінити на одиницю, а решту змінних залишити постійними, то, як зрозуміло з (2.25), значення зміниться на b$yi одиниць. Таким чином, коефіцієнти регресійного рівняння є кількісною мірою впливу окремо взятих незалежних змінних на залежну змінну за умови ceteris paribus.
Коефіцієнти рересійного рівняння було б заманливо використовувати для порівняння різних незалежних змінних (факторів) за ступенем їх впливу на
31
залежну змінну. Однак тут виникають деякі проблеми. Зокрема, величина регре-
31
сійних коефіцієнтів залежить від одиніці виміру. Припустимо, наприклад, що деяка змінна має грошовий вимір. Якщо значення цієї змінної перерахувати з купонокарбованців у гривні, то відповідний коефіцієнт збільшиться у сто тисяч разів. Крім того, одиниці виміру різних змінних в моделі можуть мати різний економічний зміст. Отже, регресійні коефіцієнти не можна використовувати для порівняння дії різних факторів.
Найчастіше використовують два методи:
1. Порівняння коефіцієнтів в регресії відносно стандартизованих змінних.
2. Порівняння коефіцієнтів еластичності.
Регресія відносно стандартизованих змінних.
Розглянемо наступну модель лінійної регресії: yxxiiikiki=+ n +++=−−βββε011111K,, (2.26).
Введемо наступні позначення: yyniin==Σ1–середнє значення залежної змінної , xxnjijin==Σ1,jk=−1, 1– середнє значення j-ї незалежної змінної , σyiinyyn=−−=Σ()211–середньоквадратичне відхилення залежної змінної ,
σxijjinjxxn=−−=Σ()211,jk=−11,– середньоквадратичне відхилення j-ї
незалежної змінної , yyyiiy*=−σ,i=1,n–значення стандартизованої залежної змінної в i-му спостереженні xxxijijjxj*=−σ,in=1,,jk=−1, 1– значення стандартизованої j-ї незалежної змінної в i-му спостереженні.
Модель регресії відносно стандартизованих змінних записується у такому вигляді: yxxiiikiki****,*,,=+++=−−ββε11111K n. (2.27)
32
Оскільки середні значення стандартизованих змінних дорівнюють нулю, то модель (2.27) не містить константи. Оцінки коефіцієнтів при стандартизованих змінних обчислюються за наступними формулами : bbjjxyj*=σσ, jk=−11,.
Зробимо такі зауваження. По-перше, оскільки середньоквадратичні відхилення мають ті самі розмірності, що і змінні, стандартизовані змінні є безрозмірними величинами. По-друге, середньоквадратичне відхилення можна інтерпретувати як типову для даної сукупності спостережень величину зміни змінної. Отже, можна сказати, що коефіцієнти стандартизованої регресії є мірою впливу незалежних змінних в термінах типової величини іх зміни.
Коефіцієнти еластичності.
Нехай змінна y залежить від змінних x1, ...,xk-1: y = f(x1,...,xk-1). Коефіцієнт еластичності змінної y відносно xi визначається так: ε∂∂∂∂jkjjjkfxxxxfxxfxxx==−−(ln(,,...,)(ln)(,,...,)121121,jk=−1, 1 (2.28)
Найчастіше використовують коефіцієнти еластичності попиту відносно ціни та доходу в моделях попиту. Коефіцієнт еластичності показує, на скільки відсотків зміниться y у відповідь на зміну xi у 1 відсоток за умови, що решта змінних залишиться постійною.
Застосовуючи означення (2.28) до рівняння вибіркової регересії (2.8), одержимо формули для обчислення вибіркових коефіцієнтів еластичності εjjjkkbxbbxbx=+++−−01111 ...
, j = 1, k − 1 (2.29)
З формули (2.29) випливає, що коефіцієнти еластичності залежать від того, при якому значенні змінної вони обчислюються. Стандартним є обчислення коефіцієнтів еластичності при середніх значеннях змінних: εjjjbxy=, jk=−1, 1 (2.30)
Відзначимо, що для порівняння не існує критерія, придатного в усіх ситуаціях. При виборі критерія треба враховувати мету дослідження, використовувати знання з тієї галузі економічної теоріїї, яка вивчає досліджуваний об’єкт. Наприклад, при аналізі виробничої функції можна робити порівняння коефіцієнтів еластичності відносно праці та капіталу з
33
урахуванням вартості зміни на один відсоток величини капіталу та обсягу трудових ресурсів.