Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь FAQ Написать работу 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 |
Интервальная оценка параметров уравнения парной регрессии.↑ Стр 1 из 6Следующая ⇒ Содержание книги
Похожие статьи вашей тематики
Поиск на нашем сайте
Интервальная оценка параметров уравнения парной регрессии.
Если в доверительный интервал попадает 0 – интервал оч большой, парметр недостоверен. Аналогично если слева +, справа –
12. Нелинейная регрессия (линеаризация, оценка параметров). Если м/д экономическими явлениями существуют нелинейные соотношения, то они выражаются с помощью соответствующих функций. Различают два класса: 1.нелинейные функции по переменным, но линейные по параметрам (гипербола,парабола,логарифмическая); 2.нелинейные и по переменным и по параметрам(степенная, показательная, экспоненциальная), сложнее привести к виду линейной. В первом случае – нет сложностей с оценкой параметров. Они определяются как и в линейной с помощью МНК. Сведение к линейной форме: Ex: Дана парабола y=a0+a1x+a2x²+e Заменив х=х1 и х²=х2 получим двухфакторное уравнение линейной регрессии. у=а0+а1х1+а2х2+е Оценка качества модели регрессии на основе ошибки аппроксимации. Фактические значения результативного признака отличаются от теоретических, рассчитанных по уравнению регрессии, т. е.y и ŷ.Чем меньше эти отличия, тем ближе теоретические значения к эмпирическим данным, тем лучше качество модели. Величина отклонений фактических и расчетных значений результативного признака (y-y^) по каждому наблюдению представляет собой ошибку аппроксимации. В отдельных случаях она может оказаться равной 0. Поскольку (y-y^) может быть величиной как положительной, так и отрицательной, ошибки аппроксимации для каждого наблюдения принято определять в процентах по модулю. Для того,чтобы иметь общее суждение о качестве модели из относительных отклонений по каждому наблюдению, находят среднюю ошибку аппроксимации как среднюю арифметическую простую: Она показывает близость фактических и расчетных значений, 5-7%-нормальная ошибка,свидетельствует о хорошем подборе модели к исходным данным.
14. Использование модели парной регрессии для прогнозирования. Производится точечный прогноз. Осуществляется путем подстановки в найденной уравнение регрессии прогнозного значения Xp: Ŷp=a+bxp. В прогнозе необходимо учесть: ошибку каждого конкретного значения(т.е.отклонение каждого значения), ошибку местоположения линии регрессии. Точечный прогноз дополняется интервальным прогнозом. Определяется средняя ошибка прогнозного индивидуального значения y: Строится доверительный интервал прогноза: самый узкий доверительный интервал при x=xсредняя Чем больше период прогноза, тем больше интервал и ошибка прогноза.
15. Визуальный анализ остатков. Одна из предпосылок МНК- это случайность остатков. В экономике большое значение придется анализу остатков. Можно использовать графический метод, т.е. используя визуальный анализ остатков. Свойства остатков · Отсутствие связи между остатками и объясняющей переменной.(может возникнуть проблема гетероскедастичности). · Отсутствие связи между остатками и предсказанными значениями · Математическое ожидание остатков равно нулю. В выборке · Остатки имеют постоянную дисперсию. Дисперсия остатков равна единице. Постоянство дисперсии остатков называют гомоскедастичностью остатков. Если же дисперсия остатков непостоянна, то имеет место гетероскедастичность остатков.(это плохо) · Остатки не коррелированны между собой. · Остатки распределены по нормальному закону распределения Остатки могут быть проанализированы разными способами и один из методов- графический: 1. случай гомоскедастичности(зависимость остатков от факторного признака)
2. гетероскедастичность
16. Смысл и значение множественной регрессии в эконометрических исследованиях. Выбор формы уравнения множественной регрессии. Основная цель множественной регрессии – построение модели с неск. факторами, определив при этом влияние каждого из них в отдельности совокупности их воздействия на результативные признаки. М. p. — метод многомерного анализа, посредством к-рого зависимая переменная (или критерий) Y связывается с совокупностью независимых переменных X посредством линейного уравнения: Y' = а + b1Х1 + b2Х2 +... + bkXk. Наиболее часто используются: · линейная ; · степенная функция ; · показательная функция ; · экспонента ; · гипербола . Наиболее широко используются линейная и степенная функции. В лин ф-ции параметры при х – коэф регрессии. Они характеризуют изменение рез-та с изменением соответствующего фактора на ед при неизменном значении др факторов. Свободный член уравнения множ лин регрессии (параметр а) вбирает в себя информацию о прочих неучитываемых в модели факторах. Его величина эк интерпретации не имеет. В степ функции коэф b являются коэф эластичности. Они показывают, на сколько % в среднем изменится рез-т с изменением соответствующего фактора на 1% при неизменности действия др факторов. Так же можно использовать и др нелинейные функции (экспоненту, гиперболу). Можно выбратьту фунцию, для которой остаточная дисперсия и ошибка аппроксимации минимальны, а коэф детерминации максимален. Однако чем сложнее функция, тм менее интерпретируемы ее параметры.
17. Отбор факторов в уравнение множественной регрессии. Важным вопросом является отбор факторов в модель и выбор исходного уравнения. При отборе факторов нужно соблюдать следующие условия: · в модель нужно включать только существенные факторы, непосредственно формирующие результат · факторы должны быть количественно измерены · факторы не должны находиться в тесной взаимосвязи друг с другом (коэффициент корреляции должен быть менее 0,7) Отбор факторов основан на: · теоретическом анализе взаимосвязи результата с кругом факторов · количественном анализе (на основе матрицы парных коэффициентов корреляции, матрицы частных коэффициентов корреляции, с помощью стандартизованных коэффициентов регрессии, на основе F, t- критериев) Матрица парных коэффициентов корреляции:
18. Оценка параметров уравнения множественной регрессии. Для оценки параметров уравнения множественной регрессии применяют МНК. При этом нелинейные функции приводят в линейному виду по параметрам. Для двухфакторной модели можно воспользоваться следующими формулами:
b1,b2-коэффициенты регрессии (иногда коэффициенты условно-чистой регрессии) МНК позволяет получить такие оценки параметров, при которых сумма квадратов отклонений фактических значений результативного признака от теоретических минимальна: Условия применения МНК: 1) модель регрессии должна быть линейной по параметрам; 2) факторный признак х является заданной, а не случайной величиной; 3) значения ошибки (остатка)- случайные. Их изменение не образует определенной модели. Не должно быть взаимосвязи между фактором х и остатками (гомоскедастичность); 4) число наблюдений должно быть больше числа оцениваемых параметров (в 5-6 раз); 5) значения переменной x не должны быть одинаковыми.; 6) изучаемая совокупность должна быть однородной; 7) модель регрессии должна быть корректно специфицирована; 8) в модели не должно наблюдаться тесной взаимосвязи между факторами (это условие для множественной регрессии).
Частные F-критерии По уравнению множественно регрессии оценивается значимость не только модели в целом, но и значимость дополнительного включения в модель соответствующего фактора. Необходимость такой оценки связана с тем, что не каждый фактор, входящий в модель может существенно увеличить факторную вариацию. Кроме того в виду корреляции между факторами, значимость одного и того же фактора может быть различной в зависимости от последовательности включения в модель этого фактора. Мерой для оценки целесообразности включения фактора в модель служит частный F-критерий. Частный F-критерий строится на сравнении пироста факторной дисперсии (на 1 степень свободы), обусловленный влиянием дополнительно включенного в модель фактора к остаточной дисперсии на 1 ст свободы по регрессионной модели.
SSe(1)остаточная сумма квадратов для модели без фактора xj SSe(2) - остаточная сумма квадратов для модели с фактором xj - прирост степеней свободы (=1 при добавлении 1 фактора)
Если Fфакт> Fтаб, то С вероятностью 0,95 можно утверждать, что включения фактора x1 после x2 целесообразно. Fj= tb(j)^2 Можно построить частные таблицы дисперсионного анализа:
Гетероскедастичность Гетероскедастичность проявляется, если совокупность исходных данных включает качественно разнородные области. Гетероскедастичность означает неравную дисперсию остатков для разных значений x. Если имеет место гетероскедастичность, то: o Оценки МНК будут неэффективными. o Могут быть смещены оценки коэфф регрессии и они будут неэффективными. o Сложно исп формулу станд ошибок, т.к она предполаг единую дисперсию остатков.
Уайта
Параметры проверяют по t и F критериям, если уравн достоверно, значит есть гетероскедастичность.
Уравнения трендов
Ex: Модель Кейнса
50. Проблема идентификации. Необходимое условие идентификации (порядковое или счетное правило). От коэф-в приведенной формы переходят к структурной форме модели, при этом сталкиваются с проблемой идентификации. Идентификация модели – это соответствие между приведенной и структурной формами модели, позволяющее однозначно оценить структурные коэффициенты по приведенным коэффициентам модели ü Модель идентифицируема, если число коэффициентов структурной модели равно числу коэффициентов приведенной модели и структурные коэффициенты однозначно определяются по приведенным коэффициентам. ü Модель неидентифицируема, если число структурных коэффициентов больше числа приведенных коэффициентов. Модели, в которых в каждом уравнении системы участвуют все эндогенные и экзогенные переменные, имеющиеся в системе, всегда неидентифицируемы. ü Модель сверхидентифицируема, если число приведенных коэффициентов превышает число структурных коэффициентов. В результате на основе коэффициентов приведенной модели можно получить несколько значений одного структурного коэффициента.
! Если хотя бы 1 из уравнений модели неидентифицируемо, то вся система называется НЕИДЕНТИФИЦИРУЕМОЙ. Аналогично, сверхидентифицируемой. Необходимое условие идентификации (порядковое или счетное правило). На идентификацию проверяется каждое уравнение структурной формы.!Балансовые тождества, если они входят в систему, НЕ проверяются на идент-ю. D-число предопределенных переменных невходящих в проверяемое уравнение, но присутствующих в системе (в др ур-ях системы) Н-число эндогенных переменных в проверяемом уравнении. · уравнение сверхидентифицируемо D+1>H · уравнение идентифицируемо D+1=H · уравнение неидентифицируемо D+1<H Ex: D+1=H Первое уравнение: 2+1=3 Второе уравнение: 1+1=2 Третье уравнение: 2+1=3 ! ТОЧНО ИДЕНТИФИЦИР МОДЕЛИ НЕОБХОДИМО ПРОВЕРИТЬ ТАК ЖЕ ПО ДОСТАТОЧНОМУ УСЛОВИЮ!
51. Достаточное (ранговое) условие идентификации. Чтобы уравнение, входящие в систему одновременных уравнений было идентифицировано, необходимо и достаточно, чтобы ранг матрицы коэффициентов по отсутствующим в нем переменным был на единицу меньше числа эндогенных переменных в системе и определитель этой матрицы не был равен нулю. Ex: Первое уравнение: Н =3 и D =2, т. е. D+1=H Определитель матрицы (detA) коэффициентов равен 0. Достаточное условие идентификации не выполняется. Уравнение неидентифицируемо Второе уравнение: Н=2 и D=1, т.е. D+1=Н detA≠0, ранг матрицы равен 2. Достаточное условие идентификации выполняется. Ур точно идентифицировано.
Третье уравнение: Н=3 и D=2, т.е. D+1=Н
detA=0. Достаточное условие идентификации не выполняется. Ур-е не идентифицировано. Вся система неидентифицир-на. 52. Косвенный метод наименьших квадратов для оценки параметров структурной формы модели Применяется для точно идентифицированных моделей. Алгоритм: · Строится приведенная форма модели. · Для каждого уравнения приведенной модели традиционным МНК оцениваются параметры модели. · Коэффициенты приведенной модели трансформируются в параметры структурной модели. Ex: Структурная форма Допустим что уже доказали дост усл что система точно идент. Приведенная форма: y1=A1+B11X1+B12X2+V1 y2=A2+B21X1+B22X2+V2
Для получения параметров 1-го уравнения СФМ из 2-го ур-я ПФМ выражаем Х2 и подставляем в 1-е ур-е ПФМ. Для получения параметров 2-го ур-я СФМ выразим из 1-го ур-я Х1 ПФМ и подставим во 2-е.
53. Двухшаговый метод наименьших квадратов для оценки параметров структурной формы модели Применяется для идентифицированных и сверхидентифицированных моделей.
Первый шаг – построение приведенной формы модели (ПФМ). С помощью МНК находят числовые параметры каждого уравнения ПФМ. Второй шаг - для каждого уравнения структурной формы модели (СФМ) выполняют следующие действия: ü находят эндогенные переменные, являющиеся факторными признаками (стоят в правой части уравнения); (y1, y2) ü для этих переменных определяют их выровненные (теоретические) значения, используя соответствующие уравнения ПФМ;(ŷ1, ŷ2) ü находят параметры рассматриваемого уравнения СФМ обычным МНК, заменяя исходные значения эндогенных переменных-факторов их выровненными значениями.(y1à ŷ1, y2àŷ2). Интервальная оценка параметров уравнения парной регрессии.
Если в доверительный интервал попадает 0 – интервал оч большой, парметр недостоверен. Аналогично если слева +, справа –
12. Нелинейная регрессия (линеаризация, оценка параметров). Если м/д экономическими явлениями существуют нелинейные соотношения, то они выражаются с помощью соответствующих функций. Различают два класса: 1.нелинейные функции по переменным, но линейные по параметрам (гипербола,парабола,логарифмическая); 2.нелинейные и по переменным и по параметрам(степенная, показательная, экспоненциальная), сложнее привести к виду линейной. В первом случае – нет сложностей с оценкой параметров. Они определяются как и в линейной с помощью МНК. Сведение к линейной форме: Ex: Дана парабола y=a0+a1x+a2x²+e Заменив х=х1 и х²=х2 получим двухфакторное уравнение линейной регрессии. у=а0+а1х1+а2х2+е
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Последнее изменение этой страницы: 2016-09-19; просмотров: 766; 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 - 3.133.141.201 (0.009 с.) |