🗊Презентация Нарушения предпосылок МНК

Категория: Математика
Нажмите для полного просмотра!
Нарушения предпосылок МНК, слайд №1Нарушения предпосылок МНК, слайд №2Нарушения предпосылок МНК, слайд №3Нарушения предпосылок МНК, слайд №4Нарушения предпосылок МНК, слайд №5Нарушения предпосылок МНК, слайд №6Нарушения предпосылок МНК, слайд №7Нарушения предпосылок МНК, слайд №8Нарушения предпосылок МНК, слайд №9Нарушения предпосылок МНК, слайд №10Нарушения предпосылок МНК, слайд №11Нарушения предпосылок МНК, слайд №12Нарушения предпосылок МНК, слайд №13Нарушения предпосылок МНК, слайд №14Нарушения предпосылок МНК, слайд №15Нарушения предпосылок МНК, слайд №16Нарушения предпосылок МНК, слайд №17Нарушения предпосылок МНК, слайд №18Нарушения предпосылок МНК, слайд №19Нарушения предпосылок МНК, слайд №20Нарушения предпосылок МНК, слайд №21Нарушения предпосылок МНК, слайд №22Нарушения предпосылок МНК, слайд №23Нарушения предпосылок МНК, слайд №24Нарушения предпосылок МНК, слайд №25Нарушения предпосылок МНК, слайд №26
Скачать

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Нарушения предпосылок МНК. Доклад-сообщение содержит 26 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1


Тема3. Нарушения предпосылок МНК
Описание слайда:
Тема3. Нарушения предпосылок МНК

Слайд 2


Мультиколлинеарность (МТК) – это явление высокой взаимной коррелированности НП.
Описание слайда:
Мультиколлинеарность (МТК) – это явление высокой взаимной коррелированности НП.

Слайд 3


Частичная (реальная ) МТК при сильных корреляционных связях между НП (высокие коэффициенты парной корреляции). Если значения коэффициентов корреляции по абсолютной величине близки к 1, то почти совершенная МТК
Описание слайда:
Частичная (реальная ) МТК при сильных корреляционных связях между НП (высокие коэффициенты парной корреляции). Если значения коэффициентов корреляции по абсолютной величине близки к 1, то почти совершенная МТК

Слайд 4


Последствия МТК: Оценки коэффициентов УМР ненадежны и неустойчивы (увеличиваются стандартные ошибки оценок и уменьшаются t-статистики МНК-оценок) МНК-оценки коэффициентов неустойчивы (чувствительны к изменениям данных и размерности выборки) Возможность получения неверного знака у коэффициентов регрессии
Описание слайда:
Последствия МТК: Оценки коэффициентов УМР ненадежны и неустойчивы (увеличиваются стандартные ошибки оценок и уменьшаются t-статистики МНК-оценок) МНК-оценки коэффициентов неустойчивы (чувствительны к изменениям данных и размерности выборки) Возможность получения неверного знака у коэффициентов регрессии

Слайд 5


Последствия МТК: Оценки коэффициентов УМР становятся очень чувствительными к ошибкам спец. Осложнение процесса определения наиболее существенных факторов Затрудняет экономическую интерпретацию коэффициентов УМР (выделение характеристик влияния факторов на ЗП в чистом виде) ОДНАКО: Оценки коэффициентов остаются несмещенными Оценки коэффициентов немультикол. факторов не ухудшаются
Описание слайда:
Последствия МТК: Оценки коэффициентов УМР становятся очень чувствительными к ошибкам спец. Осложнение процесса определения наиболее существенных факторов Затрудняет экономическую интерпретацию коэффициентов УМР (выделение характеристик влияния факторов на ЗП в чистом виде) ОДНАКО: Оценки коэффициентов остаются несмещенными Оценки коэффициентов немультикол. факторов не ухудшаются

Слайд 6


Практические рекомендации по выявлению МТК: Плохая обусловленность матрицы (X’X), т.е. det(X’X)≈0 Близость к нулю минимального собственного числа min матрицы (X’X).
Описание слайда:
Практические рекомендации по выявлению МТК: Плохая обусловленность матрицы (X’X), т.е. det(X’X)≈0 Близость к нулю минимального собственного числа min матрицы (X’X).

Слайд 7


Практические рекомендации по выявлению МТК: Анализ матрицы парных коэффициентов корреляции между НП (матрицы межфакторной корреляции) Присутствие в матрице парных коэффициентов корреляции значений коэффициентов интеркорреляции, превосходящих по абсолютной величине 0,7 – 0,80 Результаты анализа надежны лишь в случае двух НП
Описание слайда:
Практические рекомендации по выявлению МТК: Анализ матрицы парных коэффициентов корреляции между НП (матрицы межфакторной корреляции) Присутствие в матрице парных коэффициентов корреляции значений коэффициентов интеркорреляции, превосходящих по абсолютной величине 0,7 – 0,80 Результаты анализа надежны лишь в случае двух НП

Слайд 8


Практические рекомендации по выявлению МТК:
Описание слайда:
Практические рекомендации по выявлению МТК:

Слайд 9


Методы устранения мультиколлинеарности 5. Переход к смещенным методам оценивания
Описание слайда:
Методы устранения мультиколлинеарности 5. Переход к смещенным методам оценивания

Слайд 10


2. Гетероскедастичность
Описание слайда:
2. Гетероскедастичность

Слайд 11


Нарушения предпосылок МНК, слайд №11
Описание слайда:

Слайд 12


Нарушения предпосылок МНК, слайд №12
Описание слайда:

Слайд 13


Нарушения предпосылок МНК, слайд №13
Описание слайда:

Слайд 14


Обобщенный метод наименьших квадратов Обобщенный метод наименьших квадратов Теорема. Если в схеме Гаусса-Маркова не выполняется предпосылка о гомоскедастичности и некорелированности случайных возмущений, то наилучшей линейной процедурой оценки параметров модели является:
Описание слайда:
Обобщенный метод наименьших квадратов Обобщенный метод наименьших квадратов Теорема. Если в схеме Гаусса-Маркова не выполняется предпосылка о гомоскедастичности и некорелированности случайных возмущений, то наилучшей линейной процедурой оценки параметров модели является:

Слайд 15


Взвешенный метод наименьших квадратов Взвешенный метод наименьших квадратов Теорема. Если в схеме Гаусса-Маркова не выполняется предпосылка о гомоскедастичности случайных возмущений, то наилучшей линейной процедурой оценки параметров модели является:
Описание слайда:
Взвешенный метод наименьших квадратов Взвешенный метод наименьших квадратов Теорема. Если в схеме Гаусса-Маркова не выполняется предпосылка о гомоскедастичности случайных возмущений, то наилучшей линейной процедурой оценки параметров модели является:

Слайд 16


3. Автокорреляция
Описание слайда:
3. Автокорреляция

Слайд 17


Понятие автокорреляции Модель называется автокоррелированной, если не выполняется третья предпосылка теоремы Гаусса-Маркова: при i≠j. Автокорреляция чаще всего появляется в моделях временных рядов и моделировании циклических процессов.
Описание слайда:
Понятие автокорреляции Модель называется автокоррелированной, если не выполняется третья предпосылка теоремы Гаусса-Маркова: при i≠j. Автокорреляция чаще всего появляется в моделях временных рядов и моделировании циклических процессов.

Слайд 18


Причины АК : Причины АК : неправильный выбор спецификации модели Наличие ошибок измерения ЗП Цикличность значений экономических показателей Запаздывание изменений значений экономических показателей по отношению к изменениям экономических условий Сглаживание данных
Описание слайда:
Причины АК : Причины АК : неправильный выбор спецификации модели Наличие ошибок измерения ЗП Цикличность значений экономических показателей Запаздывание изменений значений экономических показателей по отношению к изменениям экономических условий Сглаживание данных

Слайд 19


Понятие автокорреляции
Описание слайда:
Понятие автокорреляции

Слайд 20


Понятие автокорреляции
Описание слайда:
Понятие автокорреляции

Слайд 21


Последствия автокорреляции при применении МНК: Последствия автокорреляции при применении МНК: оценки коэффициентов теряют эффективность но остаются линейными и несмещенными дисперсии оценок являются смещенными (часто занижены) оценка остаточной дисперсии регрессии является смещенной (часто заниженной) выводы по критериям Стьюдента и Фишера могут оказаться неверными. Это ухудшает прогнозные качества РМ.
Описание слайда:
Последствия автокорреляции при применении МНК: Последствия автокорреляции при применении МНК: оценки коэффициентов теряют эффективность но остаются линейными и несмещенными дисперсии оценок являются смещенными (часто занижены) оценка остаточной дисперсии регрессии является смещенной (часто заниженной) выводы по критериям Стьюдента и Фишера могут оказаться неверными. Это ухудшает прогнозные качества РМ.

Слайд 22


Нарушения предпосылок МНК, слайд №22
Описание слайда:

Слайд 23


Тест Дарбина-Уотсона 1. Предпосылки теста. Случайные возмущения распределены по нормальному закону. Имеет место авторегрессия первого порядка:
Описание слайда:
Тест Дарбина-Уотсона 1. Предпосылки теста. Случайные возмущения распределены по нормальному закону. Имеет место авторегрессия первого порядка:

Слайд 24


Тест Дарбина-Уотсона Для статистики DW не возможно найти критическое значение, т.к. оно зависит не только от Рдов и степеней свободы p и n-1, но и от абсолютных значений регрессоров. Возможно определить границы интервала DL и Du внутри которого критическое значение DWкр находится: DL ≤ DWкр ≤ Du Значения Du и DL находятся по таблицам.
Описание слайда:
Тест Дарбина-Уотсона Для статистики DW не возможно найти критическое значение, т.к. оно зависит не только от Рдов и степеней свободы p и n-1, но и от абсолютных значений регрессоров. Возможно определить границы интервала DL и Du внутри которого критическое значение DWкр находится: DL ≤ DWкр ≤ Du Значения Du и DL находятся по таблицам.

Слайд 25


Тест Дарбина-Уотсона
Описание слайда:
Тест Дарбина-Уотсона

Слайд 26


Обобщенный метод наименьших квадратов Обобщенный метод наименьших квадратов Теорема. Если в схеме Гаусса-Маркова не выполняется предпосылка о гомоскедастичности и некорелированности случайных возмущений, то наилучшей линейной процедурой оценки параметров модели является:
Описание слайда:
Обобщенный метод наименьших квадратов Обобщенный метод наименьших квадратов Теорема. Если в схеме Гаусса-Маркова не выполняется предпосылка о гомоскедастичности и некорелированности случайных возмущений, то наилучшей линейной процедурой оценки параметров модели является:

Скачать

Похожие презентации
Mypresentation.ru
Загрузить презентацию