🗊Презентация Эконометрика. Обобщенный метод наименьших квадратов

ОБОБЩЕННЫЙ МЕТОД НАИМЕНЬШИХ КВАДРАТОВ

Пусть функция регрессии представлена функцией, линейным образом зависящей от параметров - нелинейной по объясняющим переменным, но линейной по параметрам или, нелинейной по параметрам, но внутренне линейной (в этом случае необходимо произвести преобразование переменных): y=a0+a11(x1, x2,…, xm)+a22(x1, x2,…, xm)+...+ann(x1, x2,…, xm). Модель данных в этом случае будет yi=a0+a11(x1i, x2i,…, xmi)+a22(x1i, x2i,…, xmi)+...+ann(x1i, x2i,…, xmi)+i.

(x1i, x2i,…,xmi)–детерминированные (нестохастические) переменные ; (x1i, x2i,…,xmi)–детерминированные (нестохастические) переменные ; Каждое измерение случайной погрешности характеризуется нулевым средним, не зависящим от значений наблюдаемых переменных; Теоретическая дисперсия случайной составляющей постоянна для всех наблюдений, а их величины независимы от значений наблюдаемых переменных (гомоскедастичность); Отсутствует автокорреляция ошибок, то есть отсутствие систематической связи между значениями случайной составляющей в любых двух наблюдениях; Случайные погрешности имеют нормальное распределение.

Утверждает, что выбор параметров функции регрессии является оптимальным в случае, когда сумма квадратов отклонений эмпирических значений результирующей переменной от теоретических значений этой переменной, рассчитанной по функции регрессии, является минимальной. Утверждает, что выбор параметров функции регрессии является оптимальным в случае, когда сумма квадратов отклонений эмпирических значений результирующей переменной от теоретических значений этой переменной, рассчитанной по функции регрессии, является минимальной. В этом случае он записывается, В этом случае N–число наблюдений.

Умножим каждое уравнение на ½.

Для этого необходимо, чтобы Для этого необходимо, чтобы

В Excel определители можно посчитать с помощью функции МОПРЕД(определитель).

КОРРЕЛЯЦИЯ ДЛЯ НЕЛИНЕЙНОЙ РЕГРЕССИИ. КОЭФФИЦИЕНТЫ ЭЛАСТИЧНОСТИ

Уравнение нелинейной регрессии дополняется показателями корреляции: Уравнение нелинейной регрессии дополняется показателями корреляции: где 2 – объясненная уравнением регрессии дисперсия результирующего признака, а 2– остаточная (необъясненная уравнением регрессии) дисперсия результирующего признака, 2 – полная дисперсия результирующего признака. Величину R2 называют показателем (индексом) корреляции. Она изменяется в границах от 0 до 1 и чем она ближе к 1, тем теснее связь рассматриваемых признаков, тем более надежно уравнение регрессии.

характеристика силы связи фактора с результатом, показывающая, на сколько процентов изменится значение результата при изменении каждого фактора на 1%. Коэффициент эластичности (в случае парной регрессии) рассчитывается как: характеристика силы связи фактора с результатом, показывающая, на сколько процентов изменится значение результата при изменении каждого фактора на 1%. Коэффициент эластичности (в случае парной регрессии) рассчитывается как:

Средние коэффициенты эластичности Средние коэффициенты эластичности и точечные коэффициенты эластичности Они показывают на сколько процентов изменится значение y при росте x на 1% относительно среднего уровня или уровня x0.

1. Для линейной функции 1. Для линейной функции Коэффициент эластичности будет: 2. Для параболы Коэффициент эластичности будет:

3. Для равносторонней гиперболы 3. Для равносторонней гиперболы Коэффициент эластичности будет: 4. Для степенной функции Коэффициент эластичности будет:

5. Для показательной функции 5. Для показательной функции Коэффициент эластичности будет:

В случае многомерной функции регрессии можно рассчитать частные коэффициенты эластичности показывают на сколько процентов в среднем изменяется результат с увеличением конкретного фактора xj на 1% от своего среднего уровня при фиксированном положении других факторов модели. Частный коэффициент эластичности рассчитываются по формуле В случае многомерной функции регрессии можно рассчитать частные коэффициенты эластичности показывают на сколько процентов в среднем изменяется результат с увеличением конкретного фактора xj на 1% от своего среднего уровня при фиксированном положении других факторов модели. Частный коэффициент эластичности рассчитываются по формуле

Для характеристики степени связи между результирующей переменной и факторными признаками в случае многомерной регрессии используются еще и стандартизованные частные коэффициенты регрессии – –коэффициенты. Они показывают, на какую часть своего среднего квадратического отклонения ij изменится результат y с увеличением соответствующего фактора xj на величину своего среднего квадратического отклонения xj при неизменном влиянии прочих факторов модели. Для характеристики степени связи между результирующей переменной и факторными признаками в случае многомерной регрессии используются еще и стандартизованные частные коэффициенты регрессии – –коэффициенты. Они показывают, на какую часть своего среднего квадратического отклонения ij изменится результат y с увеличением соответствующего фактора xj на величину своего среднего квадратического отклонения xj при неизменном влиянии прочих факторов модели. Частные коэффициенты эластичности и –коэффициенты можно использовать для ранжирования факторов по силе их влияния на результат. Чем они больше для соответствующего фактора, тем сильнее влияние этого фактора на результат.

Расчет –коэффициентов осуществляется с помощью нахождения коэффициентов регрессии стандартизованной системы линейных уравнений. Вводится стандартизованная переменная: Расчет –коэффициентов осуществляется с помощью нахождения коэффициентов регрессии стандартизованной системы линейных уравнений. Вводится стандартизованная переменная: Таким образом, начало отсчета каждой стандартизованной переменной совмещается с ее средним значением, а в качестве единицы изменения принимается ее среднее квадратическое отклонение (). Если связь между переменными в естественном масштабе линейная, то изменение начала отсчета и единицы изменения этого свойства не нарушат.

Тогда система линейных уравнений для нахождения –коэффициентов будет: Тогда система линейных уравнений для нахождения –коэффициентов будет: где Если коэффициенты этой системы найдены, то решение системы уравнений в естественном масштабе будут:

Эмпирические частные коэффициенты эластичности; Эмпирические частные коэффициенты эластичности; Частные коэффициенты эластичности или оценки частных коэффициентов эластичности.

Рассчитываются по каждому фактору модели, для j фактора он будет равен: где Итоговый коэффициент эластичности равен

Рассчитываются для каждого фактора модели. Для j фактора они равны Рассчитываются для каждого фактора модели. Для j фактора они равны Итоговый коэффициент для каждого фактора равен:

Показатели парной корреляции – ryx характеризуют тесноту связи результата и фактора, не принимая во внимание возможного влияния на результат других факторов модели. Поэтому в множетсвенном регрессионном анализе возникает проблема определения тесноты связи между двумя разными факторами. Показатели парной корреляции – ryx характеризуют тесноту связи результата и фактора, не принимая во внимание возможного влияния на результат других факторов модели. Поэтому в множетсвенном регрессионном анализе возникает проблема определения тесноты связи между двумя разными факторами. где - коэффициент множественной детерминации y с комплексом факторов x1,….,xm; а - коэффициент множественной детерминации y c комплексом факторов

Частные коэффициенты корреляции используются для ранжирования факторов в модели по степени влияния на результат. Они изменяются на промежутке от 0 до 1, и чем ближе они к 1, тем сильнее влияет этот фактор на результат, а чем ближе к 0, тем слабее. Их также используют для отсева факторов.

ПРОБЛЕМА МУЛЬТИКОЛЛИНИАРНОСТИ. ФИКТИВНЫЕ ПЕРЕМЕННЫЕ

Мультиколлинеарность – это нестрогая линейная зависимость между факторными признаками (что противоречит предпосылкам применения МНК для поиска параметров функции регрессии). Мультиколлинеарность может привести к следующим неприятным последствиям: Мультиколлинеарность – это нестрогая линейная зависимость между факторными признаками (что противоречит предпосылкам применения МНК для поиска параметров функции регрессии). Мультиколлинеарность может привести к следующим неприятным последствиям: Оценки параметров станут ненадежными (большие статистические ошибки, малая значимость), при этом сама модель может быть в целом значима (завышенное значение множественного коэффициента корреляции). Небольшое изменение исходных данных приведет к существенному изменению оценок параметров регрессии. Оценки параметров модели будут иметь неправильные с точки зрения теории знаки или чрезмерно большие значения (модель будет непригодна для прогнозирования). Делает невозможным определение изолированного влияния факторов на результат.

Мультиколлинеарность не всегда оказывает неблагоприятное влияние, если другие условия благоприятны: Мультиколлинеарность не всегда оказывает неблагоприятное влияние, если другие условия благоприятны: Число наблюдений значительно. Выборочные дисперсии факторов велики, а дисперсия случайной составляющей мала. При условии влияния этих благоприятных факторов, оценки параметров могут оказаться вполне приемлемы.

На практике о наличии мультиколлинеарности судят: На практике о наличии мультиколлинеарности судят: По матрице парных коэффициентов корреляции (корреляционной матрице): , где rjk – коэффициенты парной линейной корреляции между j-м и k-м факторами (j, k=1,…, n), а r0j – коэффициент парной линейной корреляции между результатом и j-м фактором (j=1,…, n). На главной диагонали стоят единицы, так как там стоят коэффициенты, показывающие степень связи признаков самих с собой. Матрица является симметричной относительно главной диагонали (rjk=rkj).

Парными коэффициентами корреляции: Парными коэффициентами корреляции: Если имеет место мультиколлинеарность, то в модель следует включать не все факторы, а только те факторы, которые менее ответственны за нее (имеют меньшие по модулю значения коэффициентов корреляции), при условии, что качество модели снижается несущественно.

2. По величине коэффициентов множественной детерминации 2. По величине коэффициентов множественной детерминации которые показывают зависимость фактора xj других факторов. Чем он ближе этот коэффициент к 1, тем больше ответственность за мультиколлинеарность конкретного фактора. Сравнивая коэффициенты множественной детерминации для различных факторов, можно проранжировать их по степени ответственности за мультиколлинеарность.

В некоторых случаях в модель необходимо ввести некоторую качественную переменную, изменение которой может существенно влиять на результат. В некоторых случаях в модель необходимо ввести некоторую качественную переменную, изменение которой может существенно влиять на результат. В данном случае качественная переменная может быть введена в уравнение в форме фиктивной переменной. Для этого вводится система цифровых обозначений и в модель включается фактор, принимающий одно из значений в рамках заданной системы. Например, разный уровень образования работников дает разный прирост уровня их заработной платы и может быть введен в модель на равне с возрастом и стажем.