Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Проверка выполнения условий для получения «хороших» оценок МНК
Возможность применения регрессионных уравнений определяется «хорошими» свойствами оценок коэффициента регрессии: несмещенностью, состоятельностью и эффективностью. МНК дает «хорошие» оценки коэффициентов а и b при выполнении некоторых условий, эти условия касаются εi. Основными предположениями классической модели линейной регрессии являются: 1. Математическое ожидание случайной компоненты равно 0: М(εi)=0. 2. Дисперсия должна быть постоянной: D (εi)= const 3. Ковариация должна быть равна 0: cov (ε i,ε j) = 0 Ковариация - показатель, измеряющий тесноту связей между случайными переменными. Нарушение тех или иных условий проверяется на основе выдвижения соответствующих гипотез относительно εi. Оценочными значениями εi является величина, которая рассчитывается по формуле: Все критерии относительно εi основываются на этих оценочных значениях. Рассмотрим более подробно каждое условие:
1. Нарушение условия 1: М( ε i) ≠0
... ..... .. . . .. . .
Проверка, равенства математического ожидания уровней ряда остатков нулю, осуществляется в ходе проверки соответствующей нулевой гипотезы. Н0: . С этой целью строится t – статистика
где - среднее арифметическое значение уровней ряда остатков ; – среднеквадратическое отклонение для этой последовательности, рассчитанное по формуле для малой выборки. На уровне значимости гипотеза отклоняется, если > , – критерий распределения Стьюдента с доверительной вероятностью (1– ) и = n – 1 степенями свободы.
Нарушение условия 2: D (ε i) ≠ const
Если остатки имеют постоянную дисперсию (рассеивание), то они называются гомоскедастичными. Если остатки непостоянны (нарушение условия 2), то они называются гетероскедастичными. Воздействие гетероскедастичности на оценку интервалов прогнозирования и проверку гипотезы заключается в том, что хоть оценки не смещены, но стандартные ошибки будут смещены. Если смещение отрицательно, то оценочная стандартная ошибка будет меньше, чем она должна быть, а критерии проверки будут больше, чем в реальности. Можно сделать вывод, что коэффициент значим, когда он таковым не является, и наоборот, если смещение положительно, то оценочные ошибки будут большими, чем они должны быть, а критерий проверки меньше. Значит, мы можем принять нулевую гипотезу, в то время как она должна быть отвергнута.
Для проверки условия 2 существует несколько критериев. Один из них основывается на том, что величина F подчиняется F -распределению со степенями свободы n 1 = n /2-1 и n 2 = n /2-1 Если проверяется гипотеза Н0 о росте дисперсии, то F расч должно быть меньше F табл. Если проверяется гипотеза об уменьшении дисперсии, то F расч больше F табл. Нарушение условия 3 означает, что между ошибками разных наблюдений есть какая-то взаимосвязь. Графически это можно представить в следующем виде: у
х Нарушение условия 3 называется автокорреляцией, известной также как серийная корреляция. Автокорреляция имеет место, когда остатки не являются независимыми друг от друга. Зависимость между остатками описывается с помощью авторегрессионой схемы. Допустим, что остаток находится под влиянием остатка из предшествующего периода времени и какого-либо текущего значения случайной переменной у t, тогда остаток будет описываться следующей авторегрессионной моделью: - форма авторегрессионной модели первого порядка (или модель А R (1)). Наличие (отсутствие) автокорреляции в отклонениях от модели роста проще всего проверить с помощью критерия Дарвина-Уотсона. С этой целью строится статистика Дарвина-Уотсона (d -статистика (D - W)), в основе которой лежит расчетная формула Теоретическое основание применения этого критерия обусловлено тем, что в динамических рядах, как сами наблюдения, так и отклонения от них распределяются в хронологическом порядке. При отсутствии автокорреляции значение d расч примерно равно 2, а при полной автокорреляции – 0 или 4. Следовательно, оценки, получаемые по критерию, являются не точечными, а интервальные. Верхние (d2) и нижние (d1) критические значения, позволяющие принять или отвергнуть гипотезу об отсутствии автокорреляции, зависят от количества уровней динамического ряда и числа независимых переменных модели. Фрагмент табличных значений этих границ для различного числа уровней ряда n и числа определяемых параметров модели k представлен в таблице (уровень значимости =0,05).
Таблица
При сравнении расчетного значения d расч с табличным могут возникнуть следующие ситуации:
1. d 2 < d расч < 2 – ряд остатков не коррелирован; 2. d расч < d 1 – остатки содержат автокорреляцию; 3. d 1 < d расч < d 2 – область неопределенности, когда нет оснований ни принять, ни отвергнуть гипотезу о существовании автокорреляции. 4. Если d расч превышает 2, то при наличии автокорреляции это свидетельствует о наличие отрицательной корреляции. Перед входом в таблицу такие значения следует преобразовать по формуле d 'расч= 4 - d расч Если же ситуация оказалась неопределенной (ситуация 3.), применяют другие критерии. В частности, можно воспользоваться первым коэффициентом автокорреляции:
Для суждения о наличии или отсутствии автокорреляции в исследуемом ряду расчетное значение коэффициента автокорреляции сопоставляется с табличным (критическим) для 5%-го или 1%-го уровня значимости (вероятности допустить ошибку при принятии нулевой гипотезы о независимости уровней ряда). Если расчетное значение коэффициента автокорреляции меньше табличного, то гипотеза об отсутствии автокорреляции в ряду может быть принята. Когда же расчетное значение больше табличного, делают вывод о наличии автокорреляции в ряду динамики. Установив наличие автокорреляции остатков, надо улучшать модель.
|
||||||||||||||||||||||||||
Последнее изменение этой страницы: 2021-12-15; просмотров: 82; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 3.145.151.141 (0.011 с.) |