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 |
Зависимость между F- и t-статистикамиСодержание книги
Поиск на нашем сайте
Предположим, что вы рассматриваете следующие альтернативные спецификации модели:
(3.76)
(3.77)
единственным различием между которыми является добавление Хк как объясняющей переменной в (3.77). У вас теперь есть два способа проверки того, принадлежит ли Хк модели. Вы можете выполнить t-тест для ее коэффициента после оценивания (3.77). В качестве альтернативы вы можете выполнить F-тест только что обсужденного вида, обращаясь с Хк как с «группой» лишь из одной переменной, проверив ее предельную объясняющую способность. Для F-теста нулевой гипотезой является H0: βk = 0, поскольку была добавлена только переменная Хк, и это — та же самая нулевая гипотеза, что и для t-теста. Таким образом, может показаться, что имеется риск того, что результаты двух тестов могу: находиться в противоречии друг с другом. К счастью, это невозможно, так как можно показать, что F-статистика должна равняться квадрату t-статистики и что критическое значение F равно квадрату критического значения t (при двустороннем тесте). Этот результат означает, что t-тест для коэффициента при переменной — это в действительности проверка его предельной объясняющей способности после того, как все другие переменные были включены в уравнение. Если переменная коррелированна с одной или более другими переменными, то ее предельная объясняющая способность может быть весьма низкой, даже если эта переменная действительно принадлежит модели. Если все переменные коррелированны, то все они могут иметь низкую предельную объясняющую способность, так что ни один из t-тестов не является значимым, даже при том, что F-тест на их совместную объясняющую способность высоко значим Если дело обстоит таким образом, то считают, что модель страдает от проблемы мультиколлинеарности, обсужденной выше в этой главе. Мы не будем приводить здесь доказательство эквивалентности, но она будет проиллюстрирована на модели продолжительности обучения. В первой регрессии предполагалось, что переменная S зависит от ASVABC и SM. Во второй — считалось, что она также зависит и от SF. Если сравнивать данные табл. 3.15 с данными табл. 3.16, то улучшение модели от добавления SF отражено в сокращении суммы квадратов остатков (2069,3 - 2023,6). Платой за это является единственная степень свободы, потраченная на оценку коэффициента при SF. Сумма квадратов отклонений, остающаяся после добавления SF, равна 2023,6. Число степеней свободы, остающееся после добавления SF, равно 540 - 4 = 536. Следовательно, F-статистика равна 12,10: Таблица 3.16
(3.78)
Критическое значение F при уровне значимости 0,1% с 500 степенями свободы равно 10,96. Критическое значение при 536 степенях свободы должно быть более низким, так что мы отклоняем Н0 на 0,1%-ном уровне значимости. Значение t-статистики для коэффициента при SF b регрессии с SM и SF нравно 3,48. Критическое значение t на уровне 0,1% с 500 степенями свободы равно 3,31. Критическое значение при 536 степенях свободы должно быть более низким, так что мы снова отклоняем H0 на основе t-теста. Квадрат числа 3,48 равен 12,11 и полностью совпал бы с F-статистикой, если бы не ошибка округления, а квадрат числа 3,31, равный 10,96, совпадает с критическим значением F(1; 500). Следовательно, выводы, сделанные на основе двух проведенных тестов, должны совпасть.
«Скорректированный» коэффициент R2
Если вы посмотрите на распечатку результатов оценивания регрессии, вы почти наверняка найдете рядом с коэффициентом R2 коэффициент, который называют скорректированным коэффициентом R2 («adjusted R2»). Иногда его также называют «исправленным» коэффициентом R2. Это определение не означает, по мнению многих, что такой коэффициент улучшен по сравнению с обычным. Как отмечалось в данном разделе ранее, при добавлении объясняющей переменной к уравнению регрессии коэффициент R2 никогда не уменьшается, а обычно увеличивается. Скорректированный коэффициент R2, который обычно обозначают , обеспечивает компенсацию для такого автоматического сдвига вверх путем наложения «штрафа» за увеличение числа объясняющих переменных. Он определяется следующим образом: (3.79) где (к - 1) — число объясняющих переменных. По мере увеличения к увеличивается отношение (к - 1)/(п - к), следовательно, возрастает корректировка R2 в сторону уменьшения. Можно показать, что добавление новой переменной к регрессии приведет к увеличению , если и только если соответствующая t-статистика больше (или меньше -1). Следовательно, увеличение при добавлении новой переменной необязательно означает, что ее коэффициент значимо отличается от нуля. Поэтому отнюдь не следует, как можно было бы предположить, что увеличение означает улучшение спецификации уравнения. Это является одной из причин того, почему не используется широко в качестве диагностической величины. Другая причина состоит в уменьшение внимания к самому коэффициенту R2. Ранее среди экономистов наблюдалась тенденция рассматривать коэффициент R2 в качестве основного индикатора успеха в спецификации модели. Однако на практике, как будет показано в следующих главах, даже плохо определенная модель регрессии может дать высокий коэффициент R2, и признание этого факта привело к снижению значение R2. Теперь он рассматривается в качестве одного из целого ряда диагностических показателей, которые должны быть проверены при построении модели регрессии, и, вероятно, как один из менее важных. Следовательно, и корректировка этого коэффициента мало что дает.
Ключевые понятия множественный регрессионный анализ «скорректированный» коэффициент R2 ограничение
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Последнее изменение этой страницы: 2016-08-01; просмотров: 537; 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 - 3.138.134.247 (0.009 с.) |