- •1. Эконометрика как наука. Предмет эконометрики.
- •2. Критерии и принципы эконометрики.
- •3. Цели и задачи эконометрики.
- •4. Введение в эконометрическое моделирование
- •5. Основные этапы эконометрического моделирования.
- •6. Функциональная, стохастическая и корреляционная зависимости.
- •7. Парная линейная регрессия.
- •8. Коэффициент корреляции.
- •9. Основные предположения регрессионного анализа.
- •10. Оценка значимости уравнения регрессии.
- •11. Коэффициент детерминации.
- •12. Множественный регрессионный анализ.
9. Основные предположения регрессионного анализа.
В регрессионном анализе зависимость Y от X может быть представлена в виде модельного уравнения регрессии (3.1). В силу воздействия неучтенных случайных факторов и причин отдельные наблюдения переменной У будут в большей или меньшей мере отклоняться от функции регрессии 𝜑(х). В этом случае уравнение взаимосвязи двух переменных (парная регрессионная модель) может быть представлено в виде: , где ℰ — случайная переменная (случайный член), характеризующая отклонение от функции регрессии. Эту переменную будем называть возмущающей или просто возмущением (либо ошибкой). Таким образом, в регрессионной модели зависимая переменная Y есть некоторая функция 𝜑(X) с точностью до случайного возмущения ℰ. Рассмотрим линейный регрессионный анализ, для которого функции 𝜑(X) линейна относительно оцениваемых параметров: . (3.21). Предположим, что для оценки параметров линейной функции регрессии (3.21) взята выборка, содержащая п пар значений переменных (xi,yi), где i=1,2,..., п. В этом случае линейная парная регрессионная модель имеет вид: . (3.22).
Основные предпосылки регрессионного анализа.
1. В модели (3.22) возмущение ℰi (или зависимая переменная уi) есть величина случайная, а объясняющая переменная хi — величина mнеслучайная.
2. Математическое ожидание возмущения ℰi равно нулю: M(ℰi)=0 (3.23) (или математическое ожидание зависимой переменной yi равно линейной функции регрессии: .
3. Дисперсия возмущения ℰi (или зависимой переменной уi )постоянна для любого i: (3.24) (или — условие гомоскедастичности или равноизменчивости возмущения (зависимой переменной)).
4. Возмущения ℰi и ℰj (или переменные yi и yj) не коррелированы M(ℰi ℰj)=0(i≠j). (3.25)
5. Возмущение ℰi (или зависимая переменная уi) есть нормально распределенная случайная величина. В этом случае модель (3.22) называется классической нормальной линейной регрессионной моделью.
Для получения уравненртя регрессии достаточно предпосылок 1—4. Требование выполнения предпосылки 5 (т. е. рассмотрение «нормальной регрессии») необходимо для оценки точности уравнения регрессии и его параметров.
Оценкой модели (3.22) по выборке является уравнение регрессии ŷ = b0 + b1 (3.3). Параметры этого уравнения b0 и b1 определяются на основе метода наименьших квадратов.
Воздействие неучтенных случайных факторов и ошибок наблюдений в модели (3.22) определяется с помощью дисперсии возмущений (ошибок) или остаточной дисперсии 𝜎2. Несмещенной оценкой этой дисперсии является выборочная остаточная дисперсия.
10. Оценка значимости уравнения регрессии.
Проверить значимость уравнения регрессии — значит установить, соответствует ли математическая модель, выражающая зависимость между переменными, экспериментальным данным и достаточно ли включенных в уравнение объясняющих переменных (одной или нескольких) для описания зависимой переменной. Проверка значимости уравнения регрессии производится на основе дисперсионного анализа.
Основная идея дисперсионного анализа: Q=QR+Qe, (3.41) где Q – общая сумма квадратов отклонений зависимой переменной
от средней , QR и Qe — соответственно сумма квадратов, обусловленная регрессией, и остаточная сумма квадратов, характеризующая влияние неучтенных факторов
Схема дисперсионного анализа :
Компоненты дисперсии |
Сумма квадратов |
Число степеней свободы |
Средние квадраты |
Регрессия |
|
m-1 |
|
Остаточная |
|
n-m |
|
Общая |
|
n-1 |
|
Средние квадраты SR2 и S2 представляют собой несмещенные оценки дисперсий зависимой переменной, обусловленных соответственно регрессий или объясняющей переменной X и воздействием неучтенных случайных факторов и ошибок; т — число оцениваемых параметров уравнения регрессии; п — число наблюдений.