- •П.Я. Бушин
- •Введение
- •Глава 1. Парная линейная регрессия и корреляция
- •1.1. Обычный метод наименьших квадратов (мнк) и его предпосылки
- •1.2. Оценки точности уравнения регрессии и его параметров
- •1.2.1. Стандартная ошибка оценки по регрессии
- •1.2.3. Интервальные оценки параметров уравнения регрессии
- •1.2.4. Проверка значимости параметров уравнения регрессии
- •1.2.7. Коэффициент ранговой корреляции Спирмена
- •1.3. Спецификация уравнения регрессии
- •0 1,22 1,42 2,58 2,78 4
- •1.4. Нелинейная корреляция и регрессия
- •1.4.2. Индекс корреляции
- •Глава 2. Множественная корреляция и регрессия
- •2.1. Множественный корреляционный анализ
- •2.1.1. Анализ матрицы парных коэффициентов корреляции
- •2.1.2. Частная и множественная корреляция
- •2.2. Линейная модель множественной регрессии
- •2.2.1. Уравнение множественной регрессии в натуральном масштабе
- •2.2.2.Стандартизованное уравнение множественной регрессии
- •2.2.3. Оценки точности уравнения множественной регрессии
- •2.2.4. Анализ остатков уравнения множественной регрессии на втокорреляцию
- •2.2.5. Пошаговый выбор переменных
- •0 0,9 1,83 2,17 3,1 4
- •2.3. Особые случаи использования мнк во множественной регрессии
- •2.3.1. Оценка параметров уравнения множественной регрессии в условиях мультиколлинеарности (пошаговый регрессионный анализ)
- •2.3.2. Оценка параметров уравнения множественной регрессии с автокоррелированными остатками
- •2.3.3. Оценка уравнения множественной регрессии с гетероскедастичными остатками (обобщенный мнк)
- •2.3.4. Регрессионные модели с переменной структурой (фиктивные переменные)
- •Глава 3. Анализ временных рядов
- •3.1. Характеристики временных рядов
- •3.2. Показатели точности прогноза
- •3.3. Анализ автокорреляций
- •3.4. Модели стационарных временных рядов
- •3.5. Модели нестационарных временных рядов
- •3.5.1. Прогноз по тренду
- •3.5.2. Прогнозирование на основе сезонной компоненты (сезонная декомпозиция временного ряда)
- •3.5.3. Прогноз по экспоненциально взвешенным скользящим средним (адаптивные методы прогнозирования)
- •Поквартальные данные продажи учебников
- •Расчет прогноза с учетом сезонной компоненты
- •Глава 4. Система одновременных эконометрических уравнений
- •4.1. Общие понятия о системах одновременных уравнений
- •4.2. Косвенный метод наименьших квадратов
- •4.3. Проблемы идентифицируемости
- •Библиографический список
- •Оглавление
- •Глава 1. Парная линейная регрессия и корреляция………………………………………4
- •Глава 2. Множественная корреляция и регрессия………………………………………..23
- •Глава 3. Анализ временных рядов………………………………………………………….58
- •Пример. Моделирование сезонной компоненты на основе
- •Учебное издание Павел Яковлевич Бушин эконометрика
4.2. Косвенный метод наименьших квадратов
Косвенный метод наименьших квадратов предназначен для оценки структурных параметров системы одновременных уравнений. Идея этого метода заключается в следующем. Известно, что оценивать каждое уравнение структурной модели по отдельности не рекомендуется (в этом случае оценки могут быть смещенными и неэффективными в силу коррелированности эндогенных переменных с остатками). Поэтому сначала обычным МНК оцениваются параметры приведенной формы модели, а затем эти оценки используются для определения оценок параметров структурной формы.
Такой метод оценки называется косвенным МНК.
Проиллюстрируем этот метод на примере.
Рассмотрим модель формирования спроса и предложения товара в зависимости от его цены, описанную в п. 4.1. Пусть имеется информация для этой модели по 15 периодам времени (рис. 75):
Рис. 75. Исходная информация для рассматриваемого примера
Оценим параметры системы одновременных уравнений (4.4) – (4.5) косвенным МНК. Для этого оценим сначала каждое уравнение этой системы обычным МНК. Получим для уравнения (4.4) (см. рис. 76).
Рис. 76. Оценка уравнения (4.4) обычным МНК (R2= 93%,d= 2,03)
Имеем = 29,033 + 0,0058*Y+ 6.183*P. (4.6)
Коэффициент множественной детерминации, равный 93 %, показывает, что уравнение регрессии довольно точно воспроизводит зависимость спроса от дохода и цены. Коэффициент Дарбина – Уотсона, равный 2,03, показывает, что автокорреляция в остатках отсутствует. Но поскольку в правой части уравнения находится зависимая переменная Р, то предполагается, что остатки коррелируют с факторными переменными, нарушая тем самым предпосылки МНК и регрессионного анализа
Для уравнения (4.5) обычный МНК дает (рис. 77):
Рис. 77. Оценка уравнения (5,5) обычным МНК (R2= 88,4%,d=1,97).
Имеем = 16,559 + 11,1785*Р. (4.7)
И здесь уравнение регрессии значимо, на 84,4 % описывает изменение предложения от изменения цены, а коэффициент Дарбина – Уотсона, равный 1,97, показывает, что автокорреляция в остатках отсутствует. Однако считается, что остатки в этих уравнениях могут коррелировать с регрессорами.
Применим к этой системе косвенный МНК. Для этого запишем уравнения линейной регрессии для PиQв зависимости от объясняющей переменнойY– доход.
= a1+b1*Yи=a2+b2*Y. Оценки этих уравнений дают следующие результаты (рис. 78 и 79).
Рис. 78. Оценка уравнения =a2+b2*Y(R2= 87,6%,d= 2,15)
Имеем = 46,95 + 0,00116*Y. (4.8)
Коэффициент детерминации = 87,6%, статистика Дарбина – Уотсона = 2,15. Это значит, что уравнение регрессии значимо, точное и без автокорреляции в остатках.
Рис. 79. Оценка уравнения =a1+b1*Y(R2= 81,5%,d= 2,34)
Имеем = 2,899 + 0,00094*Y. (4.9)
И это уравнение достаточно точное.
Воспользуемся последними двумя уравнениями (4.8) и (4.9) для получения оценок параметров системы уравнений (4.4) – (4.5).
Для оценки параметров уравнения (4.5) выразим QчерезP, подставивYиз (4.9) в (4.8). Получим= 11,27 + 12,31*P. (4.10)
Сравните с (4,7). Как видим, различие есть.
Для оценки параметров уравнения (4.4) сложим (4.8) и (4.9). Получим
= 49,7 –P+ 0.013*Y. (4.11)
Как видим, отличие полученного уравнения от уравнения (4.6) значимое, т. е. оценки, полученные на основе обычного МНК и косвенного МНК, различаются.
В то же время, как показывают расчеты, результаты, полученные по этим уравнениям при оценке по ним значений зависимых переменных, различаются незначимо.
Предполагается, что оценки, полученные косвенным МНК, состоятельные и несмещенные.