- •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
1.2. Оценки точности уравнения регрессии и его параметров
1.2.1. Стандартная ошибка оценки по регрессии
Обозначается как Sy,xи вычисляется по формуле
Sy,x=.
Стандартная ошибка оценки по регрессии показывает, на сколько в среднем мы ошибаемся, оценивая значение зависимой переменной по найденному уравнению регрессии при фиксированном значении независимой переменной.
Квадрат стандартной ошибки по регрессии является несмещенной оценкой дисперсии 2, т.е.
= =.
Дисперсия ошибок характеризует воздействие в модели (1.1) неучтенных факторов и ошибок.
1.2.2. Оценка значимости уравнения регрессии (дисперсионный анализ регрессии)
Для оценки значимости уравнения регрессии устанавливают, соответствует ли выбранная модель анализируемым данным. Для этого используется дисперсионный анализ регрессии. Основная его посылка – это разложение общей суммы квадратов отклонений на составляющие. Известно, что такое разложение имеет вид
=+.
Второе слагаемое в правой части разложения – это часть общей суммы квадратов отклонений, объясняемая действием случайных и неучтенных факторов. Первое слагаемое этого разложения – это часть общей суммы квадратов отклонений, объясняемая регрессионной зависимостью. Следовательно, если регрессионная зависимость между уихотсутствует, то общая сумма квадратов отклонений объясняется действием только случайных факторов или ошибок, т.е.=. В случае функциональной зависимости между уихдействие случайных факторов и ошибок отсутствует и тогда=. Будучи отнесенными к соответствующему числу степеней свободы, эти суммы называются средними квадратами отклонений и служат оценками дисперсиив разных предположениях.
MSE= ()/(n–2) – остаточная дисперсия, которая является оценкойв предположении отсутствия регрессионной зависимости, аMSR= ()/1 – аналогичная оценка без этого предположения. Следовательно, если регрессионная зависимость отсутствует, то эти оценки должны быть близкими. Сравниваются они на основе критерия Фишера:F=MSR/MSE.
Расчетное значение этого критерия сравнивается с критическим значением F(с числом степеней свободы числителя, равным 1, числом степеней свободы знаменателя, равнымn–2, и фиксированным уровнем значимости). ЕслиF<F, то гипотеза о не значимости уравнения регрессии не отклоняется, т. е. признается, что уравнение регрессии незначимо. В этом случае надо либо изменить вид зависимости, либо пересмотреть набор исходных данных.
При компьютерных расчетах оценка значимости уравнения регрессии осуществляется на основе дисперсионного анализа регрессии в таблицах вида:
Таблица 1.1
Дисперсионный анализ регрессии
Источник вариации |
Суммы квадратов |
Степени свободы |
Средние квадраты |
F-отношение |
p-value |
Модель |
SSR |
1 |
MSR |
MSR/MSE |
Уровень |
Ошибки |
SSE |
n–2 |
MSE |
|
значимости |
общая |
SST |
n–1 |
|
|
|
Здесь p-value– это вероятность выполнения неравенстваF<F, т. е. того, что расчетное значениеF-статистики попало в область принятия гипотезы. Если эта вероятность мала (меньше), то нулевая гипотеза отклоняется.