- •Введение
- •Взаимосвязи экономических переменных
- •Суть корреляционного и регрессионного анализа
- •Типы моделей
- •Парный регрессионный анализ
- •Модель парной линейной регрессии
- •Причины существования случайной компоненты в уравнении регрессии
- •Этапы построения уравнения регрессии
- •Регрессия по методу наименьших квадратов
- •Интерпретация уравнения регрессии
- •Анализ общего качества уравнения регрессии
- •Свойства коэффициентов регрессии
- •Предположения о случайном члене. Условия Гаусса-Маркова
- •Первое условие Гаусса-Маркова:
- •Второе условие Гаусса-Маркова:
- •Третье условие Гаусса-Маркова:
- •Четвертое условие Гаусса-Маркова:
- •Предположение о нормальности
- •Анализ точности определения оценок коэффициентов уравнения регрессии
- •Проверка гипотез о значимости коэффициентов уравнения регрессии
- •Интервальные оценки
- •Интервальные оценки коэффициентов уравнения регрессии
- •Доверительный интервал для зависимой переменной
- •Множественный регрессионный анализ
- •Модель множественной регрессии
- •Мультиколлинеарность
- •Построение регрессионной модели
- •Невключение в уравнение существенной переменной
- •Включения в модель несущественной переменной
- •Отбор наиболее существенных объясняющих переменных
- •Замещающие переменные
- •Нелинейные модели регрессии
- •Гетероскедастичность и автокорреляция
- •Гетероскедастичность и ее последствия
- •Обнаружение гетероскедастичности
- •Тест ранговой корреляции Спирмена
- •Тест Голдфелда—Квандта
- •Тест Уайта
- •Взвешенный метод наименьших квадратов
- •Автокорреляция и связанные с ней факторы
- •Обнаружение автокорреляции первого порядка. Критерий Дарбина—Уотсона
- •Вопросы к экзамену
- •Литература
Построение регрессионной модели
Построение экономической модели включает спецификацию составляющих ее соотношений, выбор переменных, входящих в каждое соотношение, а также определение математической функции, представляющей каждое соотношение. В данном параграфе мы рассмотрим более подробно вопрос о выборе модели.
Если точно известно, какие объясняющие переменные должны быть включены в уравнение при проведении регрессионного анализа, то наша задача – ограничиться оцениванием их коэффициентов, определением доверительных интервалов для этих оценок и т. д. Однако на практике мы никогда не можем быть уверены, что уравнение специфицировано правильно. Экономическая теория должна указывать направление, но теория не может быть совершенной. Не будучи уверенными в ней, мы можем включить в уравнение переменные, которых там не должно быть, и в то же время мы можем не включить другие переменные, которые должны там присутствовать.
Невключение в уравнение существенной переменной
Предположим, что переменная зависит от двух переменных и в соответствии с соотношением:
.
Однако вы не уверены в значимости . Считая, что модель должна выглядеть как
вы оцениваете регрессию
.
Таким образом, невключение в модель переменной, которая должна была быть включена, приводит к смещению оценок коэффициентов регрессии.
Есть, однако, один исключительный случай, когда оценка остается несмещенной. Это случается, когда выборочная ковариация между и в точности равняется нулю. Действительно, коэффициент, полученный с использованием парной регрессии, будет точно таким же, как если бы вы оценили правильно специфицированную множественную регрессию. Конечно, величина смещения здесь равнялась бы нулю и при , но в этом случае неправильной спецификации не возникает.
Другим серьезным следствием невключения переменной, которая на самом деле должна присутствовать в регрессии, является то, что формулы для стандартных ошибок коэффициентов и тестовые статистики, вообще говоря, становятся неприменимыми. Это, разумеется, означает, что, основываясь на полученных результатах оценки регрессии, в принципе нельзя заниматься проверкой каких-либо гипотез.
Включения в модель несущественной переменной
Допустим, что истинная модель представляется в виде:
а вы считаете, что ею является
В целом проблемы смещения здесь нет, даже если будет рассчитана неправильно. Величина математического ожидания остается равной , но в общем оценка будет неэффективной. Она будет более неустойчивой, в смысле наличия большей дисперсии относительно , чем при правильном вычислении.
Утрата эффективности в связи со включением в случае, когда она не должна была быть включена, зависит от корреляции между и .
Дисперсия в общем окажется большей при множественной регрессии, и разница будет тем большей, чем ближе коэффициент корреляции по абсолютной величине к единице. Единственным исключением в связи с проблемой утраты эффективности является вариант, когда коэффициент корреляции точно равен нулю. В этом случае оценка для множественной регрессии совпадает с оценкой для парной регрессии.