- •Економетрика конспект лекцій
- •Зауваження................................................................................................118
- •1. Регресійний аналіз. Регресійний аналіз для двох змінних: основні ідеї
- •1.1. Гіпотетичний приклад
- •1.2. Концепція регресійної функції популяції (prf роpulation regression function)
- •1.3. Значення терміна “лінійність”
- •1.4. Стохастичні властивості prf
- •1.5. Важливість урахування складової стохастичного збурення
- •1.6. Вибіркова регресійна функція (srf)
- •2. Двовимірна регресійна модель. Задача оцінки
- •2.1. Метод найменших квадратів
- •Експериментальне визначення srf
- •2.2. Властивості оцінок за мнк
- •Дійсна й оцінена ціна будинку і його житлова площа у кв. Футах
- •Припущення 4 гомоскедастичність або рівність дисперсій
- •Це припущення не таке нешкідливе, як здається. Розглянемо рівняння
- •2.3. Точність або стандартна похибка оцінювачів за мнк
- •2.4. Властивості оцінювачів за мнк: теорія Гаусса-Маркова
- •2.5. Коефіцієнт детермінації : міра «якості підгонки»
- •2.6. Числовий приклад
- •2.7. Ілюстративні приклади
- •3. Інтервальні оцінки і перевірка гіпотез
- •3.1. Інтервальні оцінки: основні ідеї
- •3.2 Довірчі інтервали для регресійних коефіцієнтів і
- •Отже, наприклад, змінна
- •3.3. Довірчий інтервал для
- •3.4. Перевірка гіпотез: загальні зауваження
- •3.5. Перевірка гіпотез: підхід на основі довірчого інтервалу
- •3.6. Перевірка гіпотез: підхід, оснований на перевірці значимості
- •3.7. Перевірка значимості : хі-квадрат тест
- •3.8. Регресійний аналіз і аналіз дисперсії
- •Розглянемо таку змінну:
- •3.9. Застосування регресійного аналізу: проблема прогнозу
- •3.10. Форма звіту за результатами регресійного аналізу
- •3.11. Обчислення результатів регресійного аналізу
- •Залишки для проведення -тесту
- •4. Розвиток двовимірної лінійної моделі регресії
- •4.1. Регресія, що проходить через початок координат
- •4.2. Масштабування й одиниці вимірювання
- •Валові внутрішні приватні інвестиції (gpdi) і валовий національний продукт (gnp) у цінах 1972 р. У доларах сша, 1974–1983 рр.
- •4.3. Функціональний вид регресійної моделі
- •4.4. Вимірювання еластичності. Лінійно-логарифмічна модель
- •4.5. Напівлогарифмічні моделі. Визначення темпів зростання.
- •4.6. Обернені моделі
- •4.7. Зауваження щодо стохастичної складової
- •5. Множинний регресійний аналіз. Задача оцінювання
- •5.1. Модель із трьома змінними. Позначення і гіпотези
- •5.2. Інтерпретація рівняння множинної регресії
- •5.3. Значення частинних коефіцієнтів регресії
- •5.4. Оцінка частинних коефіцієнтів регресії за мнк
- •5.6. Проста регресія в контексті множинної регресії
- •5.7. R2 і скорегований r2
- •5.8. Частинні коефіцієнти кореляції
- •5.9. Виробнича функція Коба – Дугласа
- •5.10. Поліноміальная модель регресії
- •6. Припущення нормальності розподілу залишків
- •Витрати на споживання і особистий дохід у сша за 1956–1970 рр.
- •7. Перевірка гіпотез множинної регресії. Загальні зауваження
- •7.1. Перевірка гіпотези про частинний коефіцієнт регресії
- •7.2. Перевірка вибіркової регресії на загальну значущість
- •7.3. Перевірка на рівність двох коефіцієнтів регресії
- •7.4. Перевірка лінійних обмежень
- •Обчислимо
- •7.5. Перевірка структурної стабільності моделей регресії
- •Можна показати, що при виконанні згаданих припущень
- •7.6. Перевірка функціонального виду регресії. Вибір між лінійною моделлю регресії і лінійно-логарифмічною моделлю
- •8. Прогнозування в разі множинної регресії
- •9. Множинна регресія. Матричний метод
- •9.1. Лінійна модель регресії з k змінними
- •9.2. Припущення класичної лінійної моделі регресії в матричній формі
- •Припущення класичної лінійної моделі регресії
- •9.3. Оцінювання за мнк
- •9.4. Коефіцієнт детермінації r2 у матричному позначенні
- •9.5. Кореляційна матриця
- •9.6. Перевірка гіпотез про індивідуальні коефіцієнти регресії в матричному позначенні
- •9.7. Загальна перевірка регресії на значущість. Аналіз дисперсії в матричному позначенні
- •Матричне формулювання anova-таблиці
- •9.8. Перевірка лінійних обмежень. Загальний f-тест у матричних позначеннях
- •9.9. Прогнозування в множинній регресії. Матричне формулювання
- •9.10. Ілюстративний приклад у матричних позначеннях
- •Витрати на споживання на душу населення (ppce) і дохід на душу населення (ppdi) в сша за 1956–1970 рр.
- •Anova-таблиця для даних з таблиці 9.4.
3.2 Довірчі інтервали для регресійних коефіцієнтів і
Як було відзначено раніше, при припущенні про нормальний закон розподілу залишків отримані за МНК оцінки і самі розподілені за нормальним законом з відомими математичними сподіваннями і дисперсіями:
, , , . |
|
Отже, наприклад, змінна
|
(3.2.1) |
є стандартизована нормальна змінна. Якщо відома, то важливою властивістю нормально розподіленої величини зі сподіванням і дисперсією є те, що площа під густиною розподілу між становить 68%, між – близько 95%, а між – близько 99,7%.
На практиці відома рідко і замінюється її незміщеною оцінкою . Якщо замінити в (3.2.1) на , то можна отримати
, , |
(3.2.2) |
де стандартна помилка оцінювача . Можна показати, що визначена таким чином змінна t розподілена за законом розподілу Ст’юдента з N–2 степенями вільності. Слід звернути увагу на різницю між (3.2.1) і (3.2.2). Отже, замість того щоб застосовувати нормальний розподіл, ми можемо застосовувати розподіл Ст’юдента для побудови довірчого інтервалу величини :
, |
(3.2.3) |
де t визначається за формулою (3.2.2), а є величиною розподілу Ст’юдента для рівня значимості і N–2 степеня вільності. Вона часто називається критичною величиною при рівні значимості. Підстановка (3.2.2) у (3.2.3) дає рівність
. |
(3.2.4) |
Перетворюючи (3.2.4), одержуємо
. |
(3.2.5) |
Ця рівність являє собою -й довірчий інтервал для , який може бути записаний більш компактно у вигляді
. |
(3.2.6) |
За аналогією з цим, застосовуючи (3.2.1) і (3.2.2), ми можемо записати довірчий інтервал для :
|
(3.2.7) |
або більш компактно
. |
(3.2.8) |
Відзначимо важливу межу довірчих інтервалів (3.2.6) і (3.2.8). В обох випадках довжина довірчого інтервалу пропорційна стандартній помилці оцінювачів. Тобто чим більша стандартна помилка, тим більша довжина довірчого інтервалу. Інакше кажучи, чим більша стандартна помилка оцінювача, тим більша невизначеність оцінки істинного значення параметра. Так, стандартна помилка оцінювача часто описується як міра точності оцінювача, тобто наскільки точно оцінювач вимірює дійсний параметр генеральної сукупності.
Повертаючись до нашого ілюстрованого прикладу моделі “споживання-дохід”, нагадаємо, що ми знайшли , і df=8. Якщо ми покладемо , тобто 95%-й довірчий коефіцієнт, тоді за таблицею розподілу Ст’юдента знаходимо критичне . Підставляючи цю величину в (3.2.5), можна перевірити, що 95%-й довірчий інтервал для буде
. |
(3.2.9) |
Або, застосовуючи (3.2.6),
, |
|
тобто
. |
(3.2.10) |
Інтерпретація цього довірчого інтервалу така: для даного 95%-го довірчого коефіцієнта при довготривалій вибірці в 95 зі 100 випадків інтервали типу (0,4268; 0,5914) міститимуть істинне . Але, як ми попереджали раніше, зауважимо, що не можна говорити про імовірність у 95% того, що специфічний інтервал (0,4268; 0,5914) містить істинне , оскільки цей інтервал фіксований; отже, або лежить у ньому, або ні. Таким чином, імовірність знаходження у фіксованому інтервалі дорівнює або 1, або 0.
Згідно з (3.2.7) можна перевірити, що 95%-й довірчий інтервал для в нашому прикладі буде
, |
(3.2.11) |
або, використовуючи (3.2.8), ми знаходимо
, |
|
тобто
. |
(3.2.12) |
Ще раз нагадаємо про правильну інтерпретацію цього довірчого інтервалу.