4.2 Построение уравнения регрессии в стандартизованном масштабе
Параметры множественной регрессии можно определить другим способом, когда на основе матрицы парных коэффициентов корреляции строится уравнение регрессии в стандартизованном масштабе:
Применяя МНК к уравнению множественной регрессии в стандартизованном масштабе, после соответствующих преобразований получим систему нормальных уравнений вида:
где rух1, rух2 – парные коэффициенты корреляции.
Парные коэффициенты корреляции найдем по формулам:
Система уравнений имеет вид:
Решив систему методом определителей, получили формулы:
Уравнение в стандартизированном масштабе имеет вид:
Таким образом, с ростом уровня бедности на 1 сигму при неизменном среднедушевом доходе населения, общий коэффициент рождаемости уменьшится на 0,075 сигмы; а с увеличением среднедушевого дохода населения на 1 сигму при неизменном уровне бедности, общий коэффициент рождаемости возрастет на 0,465 сигмы.
Во множественной регрессии коэффициенты «чистой» регрессии bi связаны со стандартизованными коэффициентами регрессии βi следующим образом:
5. Частные уравнения регрессии
5.1 Построение частных уравнений регрессии
Частные уравнения регрессии связывают результативный признак с соответствующими факторами х при закреплении других учитываемых во множественной регрессии факторов на среднем уровне. Частные уравнения имеют вид:
В отличие от парной регрессии частные уравнения регрессии характеризуют изолированное влияние фактора на результат, т.к. другие факторы закреплены на неизменном уровне.
В данной задаче частные уравнения имеют вид:
5.2 Определение частных коэффициентов эластичности
На основе частных уравнений регрессии можно определить частные коэффициенты эластичности для каждого региона по формуле:
Рассчитаем частные коэффициенты эластичности для Калининградской и Ленинградской областей.
Для Калининградской области х1=11,4, х2=12,4, тогда:
Для Ленинградской области х1 =10,6, х2=12,6:
Таким образом, в Калининградской области при увеличении уровня бедности на 1%, общий коэффициент рождаемости сократится на 0,07%, а при увеличении среднедушевых доходов на 1%, общий коэффициент рождаемости возрастет на 0,148%. В Ленинградской области при увеличении уровня бедности на 1%, общий коэффициент рождаемости сократится на 0,065%, а при увеличении среднедушевых доходов на 1%, общий коэффициент рождаемости возрастет на 0,15%.
5.3 Определение средних коэффициентов эластичности
Средние по совокупности показатели эластичности находим по формуле:
Для данной задачи они окажутся равными:
Таким образом, с ростом уровня бедности на 1%, общий коэффициент рождаемости в среднем по совокупности сократится на 0,054% при неизменном среднедушевом доходе. При увеличении среднедушевого дохода на 1%, общий коэффициент рождаемости в среднем по изучаемой совокупности возрастет на 0,209% при неизменном уровне бедности.
6. Множественная корреляция
6.1 Коэффициент множественной корреляции
Практическая значимость уравнения множественной регрессии оценивается с помощью показателя множественной корреляции и его квадрата – коэффициента детерминации. Показатель множественной корреляции характеризует тесноту связи рассматриваемого набора факторов с исследуемым признаком, т.е. оценивает тесноту связи совместного влияния факторов на результат.
Величина индекса множественной корреляции должна быть больше или равна максимальному парному индексу корреляции. При линейной зависимости признаков формула индекса корреляции может быть представлена следующим выражением:
Таким образом, связь общего коэффициента рождаемости с уровнем бедности и среднедушевым доходом слабая.
И все коэффициенты корреляции равны 1, то определитель такой матрицы равен 0: . Чем ближе к 0 определитель матрицы межфакторной корреляции, тем сильнее мультиколлинеарность факторов и ненадежнее результаты множественной регрессии. И наоборот, чем ближе к 1 определитель матрицы межфакторной корреляции, тем меньше мультиколлинеарность факторов. Проверка мультиколлинеарности факторов может быть...
Оценка параметров уравнения регресии в стандартизованном масштабе
Параметры уравнения множественной регрессии в задачах по эконометрике оценивают аналогично парной регрессии, методом наименьших квадратов (МНК). При применении этого метода строится система нормальных уравнений, решение которой и позволяет получать оценки параметров регрессии.
При определении параметров уравнения множественной регрессии на основе матрицы парных коэффициентов корреляции строим уравнение регрессии в стандартизованном масштабе:
в уравнении стандартизированные переменные
Применяя метод МНК к моделям множественной регрессии в стандартизованном масштабе, после опрделенных преобразований получим систему нормальных уравнений вида
Решая системы методом определителей, находим параметры - стандартизованные коэффициенты регрессии (бета - коэффициенты). Сравнивая коэффициенты друг с другом, можно ранжировать факторы по силе их воздействия на результат. В этом заключается основное достоинство стандартизованных коэффициентов в отличие от обычных коэффициентов регрессии, которые несравнимы между собой.
В парной зависимости стандартизованный коэффициент регрессии связан с соответствующим коэфициентом уравнения зависимостью
Это позволяет от уравнения в стандартизованном масштабе переходить к регрессионному уравнению в натуральном масштабе переменных:
Параметр а определяется из следующего уравнения
Стандартизованные коэффициенты регрессии показывают, на сколько сигм изменится в среднем результат, если соответствующий фактор xj изменится на одну сигму при неизменном среднем уровне других факторов. В силу того, что все перемеyные заданы как центрированные и нормированные, стандартизованные коэффициенты регрессии сравнимы между собой.
Рассмотренный смысл стандартизованных коэффициентов позволяет использовать их при отсеве факторов, исключая из модели факторы с наименьшим значением.
Компьютерные программы построения уравнения множественной регрессии позволяют получать либо только уравнение регрессии для исходных данных и уравнение регрессии в стандартизованном масштабе.
19. Характеристика эластичности по модели множественной регрессии. СТР 132-136
http://math.semestr.ru/regress/mregres.php
20. Взаимосвязь стандартизированных коэффициентов регрессии и коэффициентов эластичности. СТР 120-124
21. Показатели множественной и частной корреляции. Их роль при построении эконометрических моделей
Корреляция -это статистическая взаимосвязь двух или нескольких случайных величин (либо величин, которые можно с некоторой допустимой степенью точности считать таковыми). При этом, изменения одной или нескольких из этих величин приводят к систематическому изменению другой или других величин. Математической мерой Корреляции двух случайных величин служит коэффициент Корреляции. Понятие корреляции появилось в середине XIX века в работах английских статистиков Ф. Гальтона и К. Пирсона.
Коэффициент множественной корреляции (R) характеризует тесноту связи между результативным показателем и набором факторных показателей:
где σ 2 - общая дисперсия эмпирического ряда, характеризующая общую вариацию результативного показателя (у) за счет факторов;
σ ост 2 - остаточная дисперсия в ряду у, отражающая влияния всех факторов, кроме х;
у - среднее значение результативного показателя, вычисленное по исходным наблюдениям;
s - среднее значение результативного показателя, вычисленное по уравнению регрессии.
Коэффициент множественной корреляции принимает только положительные значения в пределах от 0 до 1. Чем ближе значение коэффициента к 1, тем больше теснота связи. И, наоборот, чем ближе к 0, тем зависимость меньше. При значении R < 0,3 говорят о малой зависимости между величинами. При значении 0,3 < R < 0,6 говорят о средней тесноте связи. При R > 0,6 говорят о наличии существенной связи.
Квадрат коэффициента множественной корреляции называется коэффициентом детерминации (D): D = R 2 . Коэффициент детерминации показывает, какая доля вариации результативного показателя связана с вариацией факторных показателей. В основе расчета коэффициента детерминации и коэффициента множественной корреляции лежит правило сложения дисперсий, согласно которому общая дисперсия (σ 2) равна сумме межгрупповой дисперсии (δ 2) и средней из групповых дисперсий σ i 2):
σ 2 = δ 2 + σ i 2 .
Межгрупповая дисперсия характеризует колеблемость результативного показателя за счет изучаемого фактора, а средняя из групповых дисперсий отражает колеблемость результативного показателя за счет всех прочих факторов, кроме изучаемого.
Показатели частной корреляции. Основаны на соотношении сокращения остаточной вариации за счет дополнительно включенного в модель фактора к остаточной вариации до включения в модель соответствующего фактора
Рассмотренные показатели можно также использовать для сравнения факторов, т.е. Можно ранжировать факторы(т.е.2ой фактор более тесно связан).
Частные коэффициенты могут быть использованы в процедуре отсева факторов при построении модели.
Рассмотренные выше показатели являются коэф-ми корреляции первого порядка,т.е.они характризуют связь между двумя факторами при закреплении одного фактора (yx1. x2). Однако можно построить коэф-ты 2го и более порядка (yx1. x2x3, yx1. x2x3x4).
22. Оценка надежности результатов множественной регрессии.
Коэфициенты структурной модели могут быть оценены разными способами в зависимости от вида одновренных уравнений.
Методы оценивания коэф-тов структурной модели:
1) Косвенный МНК(КМНК)
2)Двухшаговый МНК(ДМНК)
3)Трехшаговый МНК(ТМНК)
4)МНП с полной информацией
5)МНП при огранич. информации
Применение КМНК:
КМНК применяется в случаеточнойидентификацииструктурноймодели.
Процедуры примения КМНК:
1. Структурн. модель преобраз. в привед. форму модели.
2. Для каждого уравнения привед.форма модели обычным МНК оцениваются привед. коэф
3. Коэфициенты приведенной формы модели трансформируются в параметры структурной модели.
Еслиси стема сверхидентифицируема, то КМНК не исп, так как не дает однозначных оценок для параметров структурной модели. В этом случае могут исп. разные методы оценивания, среди которых наиболее распространен ДМНК.
Основная идея ДМНК на основе приведенной модели получить для сверхидентиф. уравнения теор. значения эндогенных переменных, содерж. в правой части ур-ния. Далее подставив в найденные значения вместо факт.значений применяется обычный МНК и структурн. форма сверхидент. ур-ния.
1 шаг: при опред.привед. формы модели и нахождении на ее основе оценок теор. значений эндогенной переменой
2 шаг: Применительно к структурному сверхидентифицируемому уравнению при определении структурных коэфициентов модели по данным теоритических значений эндогенных переменных.
23. Дисперсионный анализ результатов множественной регрессии.
Задача дисперсионного анализа в проверке гипот Н0 о статист незачимости уравн регрессии в целом и показат тесн связи. Выполняется на основе сравнения факт и табличн значений F-крит кот определяются из соотн факторной и остаточной дисперсий, рассчитан на одну степень свободы
| таблица дисперсионного анализа | ||||
| Вару | df | СКО,S | Дисп на одну df,S 2 | Fфакт |
| общ | n-1 | d y 2 * n | - | - |
| факт | m | d y 2 * n*R 2 yx1x2 | ||
| Ост | n-m-1 | d y 2 * n*(1-R 2 yx 1 x 2) =Sобщ-Sфакт | - |
Также можно построить таблицу частного дисперсионного анализа , и найти частный F крит который оценивает целесообразность включения фактора в модель после включения др переменной
24. Частный F-критерий Фишера, t- критерий Стьюдента. Их роль в построении регрессионных моделей.
F-критерия Фишера.
Для оценки статистич целесообразности добавления нов факторов в регрессион модель исп-ся частн критерий Фишера, т.к на рез-ты регрессион анализа влияет не только состав факторов, но и последовательность включения фактора в модель. Это обьясняется наличием связи между факторами.
F xj =((R 2 по yx1x2...xm – R 2 по yx1x2…xj-1,хj+1…xm)/(1- R 2 по yx1x2...xm))*((n-m-1)/1)
F табл (альфа,1, n-m-1) F xj больше F табл – фактор x j целесообразно лючать в модель после др.факторов.
Если рассматривается уравнение y=a+b1x1+b2+b3x3+e, то определяются последовательно F-критерий для уравнения с одним фактором х1, далее F- критерий для дополнительного включения в модель фактора х2, т. е. для перехода от однофакторного уравнения регрессии к двухфакторному, и, наконец, F-критерий для дополнительного включения в модель фактора х3, т.е. дается оценка значимости фактора х3 после включения в модель факторов x1 их2. В этом случае F-критерий для дополнительного включения фактора х2 после х1 является последовательным в отличие от F-критерия для дополнительного включения в модель фактора х3, который является частным F- критерием, ибо оценивает значимость фактора в предположении, что он включен в модель последним. С t-критерием Стьюдента связан именно частный F- критерий. Последовательный F-критерий может интересовать исследователя настадии формирования модели. Для уравнения y=a+b1x1+b2+b3x3+e оценка значимости коэффициентов регрессии Ь1,Ь2,b3 предполагает расчет трех межфакторных коэффициентов детерминации.
Для оценки статистической значимости коэффициентов регрессии и корреляции рассчитываются t-критерий Стьюдента и доверительные интервалы каждого из показателей.
Сравнивая фактическое и критическое (табличное) значения t-статистики и tтабл. - принимаем или отвергаем гипотезу H0
. Связь между F-критерием Фишера
и t-статистикой Стьюдента
выражается равенством
Если t табл.< tфакт ., то H0 отклоняется, т.е. a, b и r ху не случайно отличаются от нуля и сформировались под влиянием систематически действующего фактора х.
Если, t табл.> tфакт. то гипотеза H0 не отклоняется и признается случайная природа формирования a, b или r ху.
25. Оценка качества регрессионных моделей. Стандартная ошибка линии регрессии.
Оценка качества линейной регрессии: коэффициент детерминации R 2
Из-за линейного соотношения и мы ожидаем, что изменяется, по мере того как изменяется , и называем это вариацией, которая обусловлена или объясняется регрессией. Остаточная вариация должна быть как можно меньше.
Если это так, то большая часть вариации будет объясняться регрессией, а точки будут лежать близко к линии регрессии, т.е. линия хорошо соответствует данным.
Долю общей дисперсии , которая объясняется регрессией называют коэффициентом детерминации , обычно выражают через процентное соотношение и обозначают R 2 (в парной линейной регрессии это величина r 2 , квадрат коэффициента корреляции), позволяет субъективно оценить качество уравнения регрессии.
Разность представляет собой процент дисперсии который нельзя объяснить регрессией.
Нет формального теста для оценки мы вынуждены положиться на субъективное суждение, чтобы определить качество подгонки линии регрессии.
Применение линии регрессии для прогноза
Применение линии регрессии для прогноза
Можно применять регрессионную линию для прогнозирования значения по значению в пределе наблюдаемого диапазона (никогда не экстраполируйте вне этих пределов).
Мы предсказываем среднюю величину для наблюдаемых, которые имеют определенное значение путем подстановки этого значения в уравнение линии регрессии.
Итак, если прогнозируем как Используем эту предсказанную величину и ее стандартную ошибку, чтобы оценить доверительный интервал для истинной средней величины в популяции.
Повторение этой процедуры для различных величин позволяет построить доверительные границы для этой линии. Это полоса или область, которая содержит истинную линию, например, с 95% доверительной вероятностью.
26. Взаимосвязь частного F-критерия, t- критерия Стьюдента и частного коэффициента корреляции.
Ввиду корреляции м/у факторами значимость одного и того же фактора м/б различной в зависимости от последовательности его введения в модель. Мерой для оценки включения фактора в модель служит частый F-критерий, т.е. F xi . В общем виде для фактора x i частый F-критерий определяется как:
Если рассматривается уравнение y=a+b 1 x 1 +b 2 +b 3 x 3 +e , то определяются последовательно F-критерий для уравнения с одним фактором х 1 , далее F-критерий для дополнительного включения в модель фактора х 2 , т. е. для перехода от однофакторного уравнения регрессии к двухфакторному, и, наконец, F-критерий для дополнительного включения в модель фактора х 3 , т. е. дается оценка значимости фактора х 3 после включения в модель факторов x 1 их 2 . В этом случае F-критерий для дополнительного включения фактора х 2 после х 1 является последовательным в отличие от F-критерия для дополнительного включения в модель фактора х 3 , который является частным F-критерием, ибо оценивает значимость фактора в предположении, что он включен в модель последним. С t-критерием Стьюдента связан именно частный F-критерий. Последовательный F-критерий может интересовать исследователя на стадии формирования модели. Для уравнения y=a+b 1 x 1 +b 2 +b 3 x 3 +e оценка значимости коэффициентов регрессии Ь 1 ,Ь 2,b 3 предполагает расчет трех межфакторных коэффициентов детерминации, а именно: , , и можно убедиться, что существует связьмежду собой t- критерия Стьюдента для оценки значимости b i и частным F-критерием:
На основе соотношения b i и получим:
27. Варианты построения регрессионной модели. Их краткая характеристика.
28. Интерпретация параметров линейной и нелинейной регрессии.
| b | a | ||
| парная | линейная | Коэффициент регрессии b показывает среднее изменение результативного показателя (в единицах измерения у) с повышением или понижением величины фактора х на единицу его измерения. Связь между у и х определяет знак коэффициента регрессии b (если > 0 – прямая связь, иначе – обратная | не интерпретируется, только знак >0 – рез-т изменяется медленнее фактора, <0 рез-т изм быстрее фактора |
| нелинейная | в степенной – коэфф эластичноести, т.е. на ск % изм рез-т в среднем при изменении фактора на 1% обратная ф-я – также как и в линейной, | не интерпретируется | |
| множ | линейная | В линейной множественной регрессии коэффициенты при хi характеризуют среднее изменение результата с изменением соответствующего фактора на единицу при неизменных значениях других факторов, закреплённых на среднем уровне | не интерпретируется |
29. Матрица парных и частных коэффициентов корреляции при построении регрессионных моделей.
30. Предпосылки метода наименьших квадратов.
Предпосылки метода наименьших квадратов (условия Гаусса-Маркова)
1. Математическое ожидание случайного отклонения равно нулю для всех наблюдений. Данное условие означает, что случайное отклонение в среднем не оказывает влияния на зависимую переменную. В каждом конкретном наблюдении случайный член может быть либо положительным, либо отрицательным, но он не должен иметь систематического смещения.
2. Дисперсия случайных отклонений постоянна для любых наблюдений . Это условие подразумевает, что несмотря на то, что при каждом конкретном наблюдении случайное отклонение может быть либо большим, либо меньшим, не должно быть некой априорной причины, вызывающей большую ошибку (отклонение).
Выполнимость данной предпосылки называется гомоскедастичностью (постоянством дисперсии отклонений). Невыполнимость данной предпосылки называется гетероскедастичностью (непостоянством дисперсии отклонений).
3. Случайные отклонения u i и u j являются независимыми друг от друга для i¹j. Выполнимость данной предпосылки предполагает, что отсутствует систематическая связь между любыми случайными отклонениями. Другими словами, величина и определенный знак любого случайного отклонения не должны быть причинами величины и знака любого другого отклонения. Выполнимость данной предпосылки влечет следующее соотношение:
Поэтому, если данное условие выполняется, то говорят об отсутствии автокорреляции.
4. Случайное отклонение должно быть независимо от объясняющих переменных.
Обычно это условие выполняется автоматически, если объясняющие переменные не являются случайными в данной модели. Данное условие предполагает выполнимость следующего соотношения:
5. Модель является линейной относительно параметров.
Теорема Гаусса-Маркова. Если предпосылки 1-5 выполнены, то оценки, полученные по МНК, обладают следующими свойствами:
- Оценки являются несмещенными, то есть М(b 0) = b 0 , М(b 1) = b 1 , где b 0 , b 1) – коэффициенты эмпирического уравнения регрессии, а b 0 , b 1 – их теоретические прототипы. Это вытекает из первой предпосылки и говорит об отсутствии систематической ошибки в определении положения линии регрессии.
- Оценки состоятельны, так как дисперсия оценок параметров при возрастании числа n наблюдений стремится к нулю. Другими словами, при увеличении объема выборки надежность оценок увеличивается (коэффициенты теоретического и эмпирического уравнений регрессии практически совпадают).
- Оценки эффективны, то есть они имеют наименьшую дисперсию по сравнению с любыми оценками данных параметров, линейными относительно величин y i .
Если предпосылки 2 и 3 нарушены, то есть дисперсия отклонений непостоянна и (или) значения случайных отклонений связаны друг с другом, то свойства несмещенности и состоятельности сохраняются, но свойство эффективности – нет.
Наряду с выполнимостью указанных предпосылок при построении классических линейных регрессионных моделей делаются еще некоторые предположения. Например:
- объясняющие переменные не являются СВ;
- случайные отклонения имеют нормальное распределение;
- число наблюдений существенно больше числа объясняющих переменных.
ДРУГОЙ ВАРИАНТ БИЛЕТА 30.
Метод наименьших квадратов - один из методов регрессионного анализа для оценки неизвестных величин по результатам измерений, содержащих случайные ошибки.
МНК применяется также для приближённого представления заданной функции другими (более простыми) функциями и часто оказывается полезным при обработке наблюдений.
Когда искомая величина может быть измерена непосредственно, как, например, длина отрезка или угол, то, для увеличения точности, измерение производится много раз, и за окончательный результат берут арифметическое среднее из всех отдельных измерений. Это правило арифметической середины основывается на соображениях теории вероятностей; легко показать, что сумма квадратов уклонений отдельных измерений от арифметической середины будет меньше, чем сумма квадратов уклонений отдельных измерений от какой бы то ни было другой величины. Само правило арифметической середины представляет, следовательно, простейший случай метода наименьших квадратов.
МНК позволяет получить такие оценки параметров, при кот. сумма квадратов отклон-й фактич.значений результат. признака от теоретич. минимальна.
Модель д.б. линейной по параметрам
Х - случайная переменная
Значение ошибки – случайны, их изменения не образуют опред.модели (модели остатков)
Число налюденийд.б. больше чисоаоценив.парметров (в 5-6р)
Значения переменной х не д.б. одинаковыми
Совокупность должна быть однородной
Отсутствие взаимосвязи м/у ф-ром х и остатком
Модель регрессии д.б. корректно специфифированна
В модели не д.б. тесной взаимосвязи м/у фак-ми (ля множ.регрессии)
Основные предпосылки МНК:
случайный характер остатков
нулевая средняя остатков, не зависящая от фактора x
гомоскедастичность (дисперсия каждого отклонения одинакова для всех значений x)
отсутствие автокорреляции остатков
остатки должны подчиняться нормальному распределению
Если регрессионная модель у = a + bх + E удовлетворяет условием Гаусса-Маркова, то оценки а и b, полученные на основе МНК имеют наилучшую дисперсию в классе всех линейных, несмещенных оценок.
31. Исследование остатков уравнения множественной регрессии.
Исследования остатков предполагают проверку наличия следующих пяти предпосылок МНК:
1) случайный характер остатков;
2) нулевая средняя величина остатков, не зависящая от ;
3) гомоскедастичность – дисперсия каждого отклонения , одинакова для всех значений ;
4) отсутствие автокорреляции остатков – значения остатков распределены независимо друг от друга;
5) остатки подчиняются нормальному распределению.
Если распределение случайных остатков не соответствует некоторым предпосылкам МНК, то следует корректировать модель.
Прежде всего, проверяется случайный характер остатков – первая предпосылка МНК. С этой целью стоится график зависимости остатков от теоретических значений результативного признака (рис. 2.1). Если на графике получена горизонтальная полоса, то остатки представляют собой случайные величины и МНК оправдан, теоретические значения хорошо аппроксимируют фактические значения .
32. Гетероскедастичность и ее учет при построении модели множественной регрессии. Качественная оценка гретероскедастичности.
Гетероскедастичность проявляется, если совокупность исходных данных включает качественно разнородные области. Гетероскедастичность означает неравную дисперсию остатков для разных значений x. Если имеет место гетероскедастичность, то:
- Оценки МНК будут неэффективными .
- Могут быть смещены оценки коэфф регрессии и они будут неэффективными .
- Сложно исп формулу станд ошибок, т.к она предполаг единую дисперсию остатков.
Меры по устранению гетероскедастичности
p Увеличениечисланаблюдений
p Изменениефункциональнойформымодели
p Разделениеисходнойсовокупностинакачественно-однородныегруппы и проведениеанализа в каждойгруппе
p Использованиефиктивныхпеременных, учитывающихнеоднородность
p Исключениеизсовокупностиединиц, дающихнеоднородность
Тесты, используемыедлявыявлениягетероскедастичности
p Гольдфельда-Квандта
p Глейзера
p РанговойкорреляцииСпирмена
33. Автокорреляция остатков и ее роль при построении регрессионной модели.
Зависимость между последовательными уровнями врем. ряда называют автокорреляцией уровня ряда. В эконометрич. исследованиях часто возникают и такие ситуации, когда дисперсия остатков постоянная, но наблюдается их ковариация. Это явление называют автокорреляцией остатков.
Один из наиболее распространенных методов определения автокорреляции в остатках – критерий Дарбина-Уотсона:
d = ;
d – отношение суммы квадратов разностей последовательных значений к остаточной сумме квадратов по модели регрессии.
Сущ-ет след. соотношение между критерием Д-У «d» и коэф-ом автокорреляции остатков 1ого порядка r 1:
d = 2 * (1-r 1) .
Если в остатках сущ-ет полная положит. автокорреляция и r 1 = 1, то d = 0.
Если в остатках полная отриц. автокорреляция, то r 1 = -1 и d = 4.
Если автокорреляция отсутствует, то r 1 = 0 и d = 2.
Т.е. 0≤d≤4.
Рассмотрим алгоритм выявления автокорреляции остатков на основе критерия Д-У.
Выдвигается гипотеза H 0 об отсутствии автокорреляции остатков . Альтернативные гипотезы H 1 и H 1 * предполагают наличие положительной или отрицательной автокорреляции в остатках. Затем по спец. таблицам определяютсякритические значения критерия Дарбина - Уотсона d L и d u для заданного числа наблюдений n, числа независимых переменных модели k при уровня значимости ɑ (обычно 0,95). По этим значениям промежуток разбивают на пять отрезков. Принятие или отклонение каждой из гипотез с вероятностью (1-ɑ) представлено на след: рисунке:
| + есть | ? | НЕТ | ? | - есть | ||||||
| d L | d u | 4- d u | 4- d L | |||||||
Если фактич. значение критерия Дарбина - Уотсона попадает в зону неопределенности , то на практике предполагают существование автокорреляции остатков и гипотезу Н 0 отклоняют.
34. Выбор наилучшего варианта модели регрессии.
35. Нелинейные модели множественной регрессии, их общая характеристика.
Если между экономическими явлениями существуют нелинейные соотношения, то они выражаются с помощью соответствующих нелинейных функций: например, равносторонней гиперболы , параболы второй степени и д.р.
Различают два класса нелинейных регрессий:
регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам;
Регрессии, нелинейные по оцениваемым параметрам.
Примером нелинейной регрессии по включаемым в нее объясняющим переменным могут служить следующие функции:
- полиномы разных степеней
- равносторонняя гипербола
К нелинейным регрессиям по оцениваемым параметрам относятся функции:
- степенная
- показательная
- экспоненциальная
36. Модели гиперболического типа. Кривые Энгеля, кривая Филипса, и другие примеры использования моделей данного типа.
Кривые Энгеля (Engel curve ) иллюстрируют зависимость между объемом потребления благ (C ) и доходом потребителя (I ) при неизменных ценах и предпочтениях. Названа в честь немецкого статистика Эрнста Энгеля, занимавшегося анализом влияния изменения дохода на структуру потребительских расходов.
На оси абсцисс откладывается уровень дохода потребителя, а на оси ординат - расходы на потребление данного блага.
На графике показан примерный вид кривых Энгеля:
- E 1 - кривая для нормальных товаров;
- E 2 - кривая для предметов роскоши;
- E 3 - кривая для низкокачественных товаров.
Кривая филипса отражает взаимосвязь между темпами инфляции ибезработицы.
Кейнсианская модель экономики показывает, что в экономике может возникнуть либо безработица (вызванная спадом производства, следовательно уменьшением спроса на рабочую силу), либо инфляция (если экономика функционирует в состоянии полной занятости).
Одновременно высокая инфляция и высокая безработица существовать не могут.
Кривая Филипса была построена А.У. Филлипсом на основе данных заработной платы и безработицы в Великобритании за 1861-1957 годы.
Следуя кривой Филлипса государство может выстроить свою экономическую политику. Государство с помощью стимулирования совокупного спроса может увеличить инфляцию и снизить безработицу и наоборот.
Кривая Филипса была полностью верна до середины 70х годов. В этот период случилась стагнация (одновременный рост инфляции и безработицы), которую кривая филипса не смогла объяснить.
Применение Кривой Филипса
©2015-2019 сайт
Все права принадлежать их авторам. Данный сайт не претендует на авторства, а предоставляет бесплатное использование.
Дата создания страницы: 2016-02-16
В долях среднего квадратического отклонения факторного и результативного признаков;
6. Если параметр а в уравнении регрессии больше нуля, то:
7. Зависимость предложения от цен характеризуется уравнением вида у = 136·х 1,4 . Что это означает?
С увеличением цен на 1 %, предложение увеличивается в среднем на 1,4%;
8. В степенной функции параметр b является:
Коэффициентом эластичности;
9. Остаточное среднее квадратическое отклонение определяется по формуле:
10. Уравнение регрессии, построенное по 15 наблюдениям, имеет вид: у = 4 + 3х +?6значение t - критерия равно 3,0 Коэффициент детерминации для этого уравнения равен:
На стадии формирования модели, в частности в процедуре отсева факторов, используют
Частные коэффициенты корреляции.
12. «Структурными переменными» называются :
Фиктивные переменные.
13. Дана матрица парных коэффициентов корреляции:
У xl х2 х3
У 1,0 - - -
Xl 0,7 1,0 - -
Х2 -0,5 0,4 1,0 -
Х3 0,4 0,8 -0,1 1,0
Какие факторы являются коллинеарными?
14. Автокорреляционная функция временного ряда - это:
последовательность коэффициентов автокорреляции уровней временного ряда;
15. Прогнозное значение уровня временного ряда в аддитивной модели - это:
Сумма трендовой и сезонной компонент.
16. Одним из методов тестирования гипотезы о коинтеграции временных рядов является:
Критерий Энгеля-Грангера;
17. Коинтеграция временных рядов - это:
Причинно - следственная зависимость в уровнях двух (или более) временных рядов;
18. Коэффициенты при экзогенных переменных в системе уравнений обозначаются:
19. Уравнение сверхидентифицируемо, если:
20.Модель считается неидентифицируемой, если:
Хотя бы одно уравнение модели неидентифицируемо;
ВАРИАНТ 13
1. Первым этапом эконометрического исследования является:
Постановка проблемы.
При какой зависимости разным значениям одной переменной соответствуют разные распределения значений другой переменной?
Статистической;
3. Если коэффициент регрессии больше нуля, то:
Коэффициент корреляции больше нуля.
4. Классический подход к оцениванию коэффициентов регрессии основан на:
Методе наименьших квадратов;
F-критерий Фишера характеризует
Соотношение факторной и остаточной дисперсий, рассчитанных на одну степень свободы.
6. Стандартизованным коэффициентом регрессии является:
Множественный коэффициент корреляции;
7. Для оценки значимости коэффициентов нелинейной регрессии рассчитывают:
F - критерий Фишера;
8. Методом наименьших квадратов определяются параметры:
Линейной регрессии;
9. Случайная ошибка коэффициента корреляции определяется по формуле:
M= √(1-r 2)/(n-2)
10. Дано: Dфакт = 120;Docт = 51. Чему будет равно фактическое значение F-критерия Фишера?
11.Частный F-критерий Фишера оценивает:
Статистическую значимость присутствия соответствующего фактора в уравнении множественной регрессии;
12. Несмещенность оценки означает, что :
Математическое ожидание остатков равно нулю.
13. При расчете модели множественной регрессии и корреляции в Ехсеl для вывода матрицы парных коэффициентов корреляции используется:
Инструмент анализа данных Корреляция;
14. Сумма значений сезонной компоненты по всем кварталам в аддитивной модели должна быть равна:
15. Прогнозное значение уровня временного ряда в мультипликативной модели - это:
Произведение трендовой и сезонной компонент;
16. Ложная корреляция вызвана наличием:
Тенденции.
17. Для определения авто корреляции остатков используют:
Критерий Дарбина- Уотсона;
18. Коэффициенты при эндогенных переменных в системе уравнений обозначаются :
19 . Условие, что ранг матрицы, составленной из коэффициентов при переменных. отсутствующих в исследуемом уравнении не меньше числа эндогенных переменных системы на единицу-это:
Дополнительное условие идентификации уравнения в системе уравнений
20. Косвенный метод наименьших квадратов применяется для решения:
Идентифицируемой системы уравнений.
ВАРИАНТ 14
1. Математико-статистическими выражениями, количественно характеризующими экономические явления и процессы и обладающими достаточно высокой степенью надежности, называются:
Эконометрические модели.
2. Задачей регрессионного анализа является:
Определение тесноты связи между признаками;
3. Коэффициент регрессии показывает:
Среднее изменение результата с изменением фактора на одну единицу его измерения.
4. Средняя ошибка аппроксимации - это:
Среднее отклонение расчетных значений результативного признака от фактических;
5. Неправильный выбор математической функции относится к ошибкам:
Спецификации модели;
6. Если параметр а в уравнении регрессии больше нуля, то :
Вариация результата меньше вариации фактора;
7. Линеаризация какой функции происходит путем замены переменных: x=x1, x2=x2
Полинома второй степени;
8. Зависимость спроса от цен характеризуется уравнением вида у = 98 х - 2,1. ЧТО это означает?
С увеличением цен на 1 %, спрос снижается в среднем на 2,1 %;
9. Средняя ошибка прогноза определяется по формуле:
- σост=√(∑(у-ỹ) 2 / (n-m-1))
10. Пусть имеется уравнение парной регрессии: у = 13+6*x, построенное по 20 наблюдениям, при этом r = 0,7. Определить стандартную ошибку для коэффициента корреляции:
11. Стандартизованные коэффициенты регрессии показывают:
На сколько сигм изменится в среднем результат, если соответствующий фактор изменится на одну сигму при неизменном среднем уровне других факторов;
12. Одной ИЗ пяти предпосылок метода наименьших квадратов является:
Гомоскедастичность;
13. Для расчета множественного коэффициента корреляции в Excel используется :
Инструмент анализа данных Регрессия.
14. Сумма значений сезонной компоненты по всем периодам в мультипликативной модели в цикле должна быть равна:
Четырем.
15. При аналитическом выравнивании временного ряда в качестве независимой переменной выступает:
16. Автокорреляция в остатках - это нарушение предпосылки МНК о:
Случайности остатков, полученных по уравнению регрессии;
Общие интенсивные коэффициенты (рождаемости, смертности, детской смертности, заболеваемости и т.д.) правильно отражают частоту явлений при их сопоставлении лишь в том случае, если состав сравниваемых совокупностей однороден. Если же они имеют неоднородный возрастно-половой или профессиональный состав, различие по тяжести болезни, по нозологическим формам иди по другим признакам, то ориентируясь на общие показатели, сравнивая их, можно сделать неправильный вывод о тенденциях изучаемых явлений и истинных причинах разницы общих показателей сравниваемых совокупностей.
Например, больничная летальность на терапевтическом отделении № 1 в отчетном году составила 3%, а на терапевтическом отделении №2 в том же году - 6%. Если оценивать деятельность этих отделений по общим показателям, то можно сделать вывод о неблагополучии на 2 терапевтическом отделении. А если предположить, что состав лечившихся на этих отделениях разнится по нозологическим формам или по тяжести заболеваний госпитализированных, то наиболее правильным способом анализа является сопоставление специальных коэффициентов, рассчитанных отдельно.для каждой группы больных с одинаковыми нозологическими формами или тяжестью заболеваний, так называемых «повозрастных коэффициентов».
Зачастую, однако, в сравниваемых совокупностях наблюдаются противоречивые данные. Кроме того, даже при наличии одинаковой тенденции во всех сравниваемых группах не всегда удобно пользоваться набором показателей, а предпочтительнее получить единую суммарную оценку. Во всех подобных случаях прибегают к методу стандартизации, то есть к устранению (элиминации) влияния состава (структуры) совокупностей на общий, итоговый показатель.
Следовательно, метод стандартизации применяется тогда, когда имеющиеся различия в составе сравниваемых совокупностей могут повлиять на размеры общих коэффициентов.
Для того, чтобы устранить влияние неоднородности составов сравниваемых совокупностей на величину получаемых коэффициентов, их приводят к единому стандарту, то есть условно допускается, что состав сравниваемых совокупностей одинаков. В качестве стандарта можно принять состав какой-либо близкой по существу третьей совокупности, средний состав двух сравниваемых групп или, проще всего, состав одной из сравниваемых групп.
Стандартизованные коэффициенты показывают, каковы были бы общие интенсивные показатели (рождаемости, заболеваемости, смертности, летальности и т.д.), если бы на их величину не оказывала влияние неоднородность в составах сравниваемых групп. Стандартизованные коэффициенты являются условными величинами и применяются исключительно для анализа в целях сравнения.
Существуют три метода стандартизации: прямой, косвенный и обратный (Керриджа).
Рассмотрим применение этих трех методов стандартизации на примерах, взятых из статистики злокачественных новообразований. Как известно, с возрастом значительно повышаются, коэффициенты смертности от злокачественных новообразований. Отсюда следует, что если в каком-либо городе будет относительно высока доля людей пожилых возрастов, а в другом - преобладать население среднего возраста, то даже при полном равенстве санитарных условий жизни и медицинской помощи в обоих сравниваемых городах неизбежно общий коэффициент смертности населения от злокачественных новообразований в первом городе будет выше, чем тот же коэффициент во втором городе.
Для того, чтобы нивелировать влияние возраста на общий показатель смертности населения от злокачественных новообразований, необходимо применить стандартизацию. Только после этого можно будет сравнивать полученные коэффициенты и сделать обоснованный вывод о большем или меньшем уровне смертности от злокачественных новообразований в целом в сравниваемых городах.
Прямой метод стандартизации. В нашем примере его можно применять в том случае, когда известен возрастной состав населения и есть информация для расчета повозрастных коэффициентов смертности населения от злокачественных новообразований (числа умерших от злокачественных новообразований в каждой возрастной группе).
Методика вычисления стандартизованных коэффициентов прямым методом слагается из четырех последовательных этапов (табл. 5.1).
Первый этап. Вычисление «повозрастных» коэффициентов смертности от злокачественных новообразований (отдельно для каждой возрастной группы).
Второй этап. Выбор стандарта осуществляется произвольно. В нашем примере за стандарт взят возрастной состав населения в городе «А».
Таблица 5.1
Стандартизация коэффициентов смертности от злокачественных новообразований в городах «А» и «Б» (прямой метод)
Третий этап. Расчет «ожидаемых» чисел. Мы определяем, сколько бы человек умерло от злокачественных новообразований в каждой возрастной группе населения города «Б» при имеющихся повозрастных показателях смертности от злокачественных новообразований в этом городе, но при возрастном составе города «А» (стандарт).
Например, в возрастной группе «до 30 лет»:
или в возрастной группе «40-49 лет»:
Четвертый этап. Расчет стандартизованных коэффициентов. Сумму «ожидаемых» чисел (1069,0) мы предлагаем получить из общей численности населения города «А» (700000). А сколько же умерших от злокачественных новообразований приходится на 100000 населения?
Из наших результатов можно сделать следующий вывод: если бы возрастной состав населения «Б» был бы такой же, как в городе «А» (стандарт), то смертность населения от злокачественных новообразований в городе «Б» была бы существенно выше (152,7%ооо против 120,2%ооо).
Косвенный метод стандартизации. Применяется, если специальные коэффициенты в сравниваемых группах неизвестны или известны, но мало достоверны. Это наблюдается, например, когда числа заболевших очень малы и, следовательно, вычисляемые коэффициенты будут существенно меняться в зависимости от прибавления одного или нескольких случаев заболеваний.
Вычисление стандартизованных коэффициентов косвенным способом можно разбить на три этапа (см. табл. 5.2).
Первый этап. Состоит в выборе стандарта. Так как нам обычно неизвестны специальные коэффициенты сравниваемых групп (коллективов), то за стандарт берутся специальные коэффициенты какого-то хорошо изученного коллектива. В рассматриваемом примере таковыми могут служить повозрастные показатели смертности от злокачественных новообразований в городе «С».
Второй этап включает вычисление «ожидаемых» чисел умерших от злокачественных новообразований. Допуская, что повозрастные коэффициенты смертности в обоих сравниваемых городах равны стандартным, определяем сколько бы умерло людей от злокачественных новообразований в каждой возрастной группе.
На третьем этапе вычисляются стандартизованные коэффициенты смертности населения от злокачественных новообразований. Для этого действительное число умерших относят к суммарному «ожидаемому» числу, и результат умножают на общий коэффициент смертности стандарта.
Действительное число умерших Общий коэф. смертности стандарта
«Ожидаемое» число умерших
