- •1. Что такое эконометрика?
- •1. Что такое эконометрика?
- •2. Основные типы эконометрических моделей
- •2.1. Регрессионные модели с одним уравнением
- •2.2. Модели временных рядов
- •2.3. Системы одновременных уравнений
- •3. Однофакторная парная регрессионная модель
- •3.1. Функциональная спецификация модели
- •3.2. Парная линейная регрессия
- •4. Множественная регрессия
- •4.1. Нахождение оценок неизвестных параметров
- •4.2. Значимость модели множественной регрессии
- •4.3. Мультиколлинеарность
- •4.4. Гетероскедастичность
- •4.5. Автокорреляция
- •4.6 Фиктивные переменные
- •5. Реализация типовых задач на компьютере
- •5.1 Регрессионный анализ в ms Excel
- •5.2 Другие возможности ms Excel
- •5.3 Анализ полученной модели
- •6. Задачи
- •Глоссарий
- •Список вопросов к экзамену (зачету)
4.2. Значимость модели множественной регрессии
1. t – статистика используется для проверки гипотезы о значимости коэффициентов регрессии с помощью статистики Стьюдента
Выдвигается гипотеза о незначимости коэффициента .
Для ее проверки рассчитывается статистика Стьюдента с (n-m) степенями свободы
(4.2.1)
где - среднеквадратическая ошибка коэффициента , рассчитываемая по формуле
(4.2.2)
Для проверки данной гипотезы необходимо сравнить фактическое и критическое (табличное) значения t – статистики Стьюдента по схеме:
1) задается уровень значимости γ ;
2) по исходным статистическим данным вычисляется и сравнивается с :
если < , то гипотеза о незначимости коэффициента регрессии отклоняется, то есть коэффициент является статистически значимым.
если > , то гипотеза принимается, то есть коэффициент является статистически незначимой величиной.
Для определяются доверительные интервалы: с надежностью (1-γ).
2. F - тест используется для проверки гипотезы о значимости модели в целом с помощью статистики Фишера.
Выдвигается нулевая гипотеза : о статистической незначимости уравнения регрессии (все коэффициенты регрессии равны нулю).
Для проверки данной гипотезы необходимо сравнить фактическое и критическое (табличное) значения F – статистики Фишера.
(4.2.3)
где n – число единиц совокупности,
m – количество регрессоров в построенной модели.
Для определенного уровня значимости γ определяется .
Если < , то гипотеза о незначимости модели в целом отклоняется, то есть модель является статистически значимой.
Если > , то гипотеза принимается, то модель является статистически незначимой.
4.3. Мультиколлинеарность
В случае если предположение о сильной статистической независимости факторов не выполняется, может возникать эффект мультиколлинеарности.
Мультиколлинеарность – наличие сильной линейной статистической зависимости между факторами.
Чем сильнее мультиколлинеарность факторов, тем менее надежна оценка распределения суммы объясненной вариации по отдельным факторам с помощью метода наименьших квадратов.
Признаками наличия мультиколлинеарности являются:
- большие стандартные ошибки и малая значимость оценок при одновременной значимости модели в целом;
- небольшие изменения исходных статистических данных (добавление или изъятие небольшой порции наблюдений) приводит к существенному изменению оценок коэффициентов модели, вплоть до изменения знаков;
- неправильные с экономической точки зрения знаки перед коэффициентами регрессии (например, увеличение площади квартиры увеличивает ее стоимость, то есть знак при коэффициенте, который отвечает за площадь, должен быть положительным, в случае мультиколлинеарности он может быть отрицательным);
Для выявления мультиколлинеарности необходимо:
1) определять первоначальный набор факторов исходя из экономического смысла;
2) построить регрессионную модель и оценить неизвестные коэффициенты МНК;
2) выявить сильную попарную статистическую зависимость между факторами и устранять их дублирующее влияние.
Для оценки сильной парной линейной зависимости между факторами строится таблица выборочных коэффициентов корреляции , которые рассчитываются по исходным статистическим данным. Выбираются коэффициенты корреляции со значениями . Один из дублирующих факторов удаляется по экономическим соображениям. Удаляемый фактор должен сильно коррелировать с результирующим признаком y и слабо коррелировать с объясняющими факторами (кроме дублирующего).
После удаления факторов строится новая модель регрессии и оценивается МНК.