- •Понятие эконометрики и ее место в экономических исследованиях
- •Основные этапы регрессионного анализа
- •Парная линейная регрессия
- •Коэффициенты эластичности
- •2.3. Предпосылки мнк (условия Маркова-Гаусса)
- •Анализ точности определения параметров регрессии
- •Проверка выполнимости предпосылок мнк. Статистика Дарбин-Уотсона
- •Модели парной нелинейной регрессии
- •Нелинейные однофакторные регрессионные модели. Линеаризация
- •Гиперболическая модель
- •Степенная модель
- •Показательная модель
- •Экспоненциальная модель
- •Полиномы разных степеней
- •В таблице 4.1.1 приведены преобразования, с помощью которых нелинейные функции становятся линейными с новыми переменными и коэффициентами.
- •Линеаризация для различных видов моделей
- •4.2 Оценка качества нелинейной связи
- •Зависимость расходов от среднедневной заработной платы
- •Расчетная таблица для линейной модели
- •Расчетная таблица для степенной модели
- •Расчетная таблица для гиперболической модели
- •Множественная регрессия Специфика уравнения множественной регрессии
- •Оценка параметров уравнения множественной линейной регрессии
- •Фиктивные и нефиктивные переменные
- •Статистические данные к примеру 2
- •Расчет параметров уравнения регрессии
- •Отклонение реальных значений от теоретических
- •Модели временных рядов Одномерный временной ряд
- •Автокорреляция уровней временного ряда и выявление его структуры.
- •Статистические данные к примеру 3
- •Расчет коэффициента автокорреляции первого порядка
- •Расчет коэффициента автокорреляции второго порядка
- •Корреляционная функция временного ряда потребления электроэнергии
- •Моделирование тенденции временного ряда
- •Моделироание сезонных колебаний временного ряда
- •Расчет сезонной компоненты в аддитивной модели
- •Расчет оценок сезонной компоненты в аддитивной модели
- •Расчет оценок сезонной компоненты в аддитивной модели
- •Взаимосвязь временных рядов
- •11.1. Методы исключения тенденции.
- •Статистические данные к примеру 5
- •Расчетные значения и отклонения для временных рядов расходов на конечное потребление и совокупного дохода
- •Расчетные значения и отклонения для временных рядов расходов на конечное потребление и совокупного дохода
Множественная регрессия Специфика уравнения множественной регрессии
Зачастую на практике значения экономических переменных определяются влиянием не одного, а нескольких факторов. Например, рассматривая уровень фондоотдачи на различных предприятиях одной отрасли, мы можем установить, что величина его зависит от размеров предприятия, удельного веса активной части фондов, степени изношенности фондов, их обновления и ряда других факторов; урожайность зависит от количества внесенных удобрений, сроков уборки, количества осадков; вес человека – от его роста, объема груди и т.п.
Таким образом, модель множественной регрессии – это модель зависимости результирующей переменной более чем от одной независимой переменной.
Выше была рассмотрена зависимость между двумя признаками, т.е. речь шла о так называемой парной корреляции. На практике же чаще изменение рассматриваемого признака зависит от нескольких причин. В таких случаях изучение корреляционной связи не может ограничиться парными зависимостями, и в анализ необходимо включить другие признаки-факторы, существенно влияющие на изучаемую зависимую переменную.
Наиболее широкое применение получили следующие методы построения уравнения множественной регрессии:
-
метод исключения;
-
метод включения;
-
шаговый регрессионный анализ.
Каждый из этих методов по-своему решает проблему отбора факторов, давая в целом близкие результаты - отсев факторов из полного его набора (метод исключения), дополнительное введение фактора (метод включения), исключение ранее введенного фактора (шаговый регрессионный анализ).
Этап спецификации (3этап) модели множественной регрессии включает несколько этапов:
1) отбор фактор, которые окончательно войдут в модель;
2) выбор формы связи (уравнения регрессии);
3) обеспечение достаточного объема совокупности для получения несмещенных оценок.
Включение в уравнение множественной регрессии того или иного набора факторов связано прежде всего с представлением исследователя о природе взаимосвязи моделируемого показателя с другими экономическими явлениями. Факторы, включаемые во множественную регрессию, должны отвечать следующим требованиям
-
Они должны быть количественно измеримы. Но очень часто возникает необходимость включить показатель, имеющий качественную характеристику. Если необходимо включить в модель качественный фактор, не имеющий количественного измерения, то ему нужно придать количественную определенность (например, в модели стоимости объектов недвижимости учитывается место нахождения недвижимости: районы могут быть проранжированы). Как это происходит мы рассмотрим позднее ( смотри тему 6).
-
Факторы включаемые в модель не должны находиться в точной функциональной зависимости между собой. Если между факторами существует высокая корреляция, то нельзя определить их изолированное влияние на результативный показатель и параметры уравнения регрессии оказываются не интерпретируемыми.Считается, что факторы xi и xj находятся в точной функциональной зависимости между собой, если . Такие факторы дублируют друг друга в модели, и один из них не должен войти в модель, то есть подвержен исключению из модели.
Насыщение модели лишними факторами не только не снижает величину остаточной дисперсии и не увеличивает показатель детерминации, но и приводит к статистической незначимости параметров регрессии по t-критерию Стьюдента.
Таким образом, хотя теоретически регрессионная модель позволяет учесть любое число факторов, практически в этом нет необходимости. Отбор факторов производится на основе качественного теоретико-экономического анализа. Однако теоретический анализ часто не позволяет однозначно ответить на вопрос о количественной взаимосвязи рассматриваемых признаков и целесообразности включения фактора в модель. Поэтому отбор факторов обычно осуществляется в две стадии: на первой подбираются факторы исходя из сущности проблемы; на второй – на основе матрицы парных коэффициентов корреляции определяются дублирующие факторы.
Предпочтение при этом отдается не фактору, более тесно связанному с результатом, а тому фактору, который при достаточно тесной, связи с результатом имеет наименьшую тесноту связи с другими факторами. В этом требовании проявляется специфика множественной регрессии как метода исследования комплексного воздействия факторов в условиях их независимости друг от друга.
Например, при изучении зависимости у=f(x,w,z) матрица парных коэффициентов корреляции оказалась следующей:
-
y
x
w
z
y
1
x
0,8
1
w
-0,7
0,8
1
z
0,7
-0,6
0,2
1
Очевидно, что факторы х и w дублируют друг друга. В модель целесообразно включить фактор w, а не х, так как корреляция z с результатом у и корреляция фактора х с у сильные, но зато слабее межфакторная корреляция w c z, чем x c z . Поэтому в данном случае в уравнение множественной регрессии включаются факторы w, z.
На первый взгляд может показаться, что матрица парных коэффициентов корреляции играет главную роль в отборе факторов. Вместе с тем вследствие взаимодействия факторов парные коэффициенты корреляции не могут в полной мере решать вопрос о целесообразности включения в модель того или иного ; фактора. Эту роль выполняют показатели частной корреляции, оценивающие в чистом виде тесноту связи фактора с результатом. Матрица частных коэффициентов корреляции наиболее широко используется в процедуре отсева факторов. При отборе факторов рекомендуется пользоваться следующим правилом; число включаемых факторов обычно в 6—7 раз меньше объема совокупности, по которой строится регрессия. Если это соотношение нарушено, то число степеней свободы остаточной вариации очень мало. Это приводит к тому, что параметры уравнения регрессии оказываются статистически незначимыми, а F-критерий меньше табличного значения.