- •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.
4.2. Масштабування й одиниці вимірювання
Для того щоб зрозуміти суть питання, розглянемо дані, наведені в табл. 4.2. Таблиця 4.2
Валові внутрішні приватні інвестиції (gpdi) і валовий національний продукт (gnp) у цінах 1972 р. У доларах сша, 1974–1983 рр.
Рік |
GPDI, млрд дол |
GPDI, млн дол |
GNP, млрд. дол |
GNP, млн. дол |
1974 |
195,5 |
195500 |
1246,3 |
1246300 |
1975 |
154,8 |
154800 |
1231,6 |
1231600 |
1976 |
184,5 |
184500 |
1298,2 |
1298200 |
1977 |
214,2 |
214200 |
1369,7 |
1369700 |
1978 |
236,7 |
136700 |
1438,6 |
1438600 |
1979 |
236,3 |
136300 |
1479,4 |
1479400 |
1980 |
208,5 |
208500 |
1475,0 |
1475000 |
1981 |
230,9 |
230900 |
1512,2 |
1512200 |
1982 |
194,3 |
194300 |
1480,0 |
1480000 |
1983 |
221,0 |
221000 |
1534,7 |
1534700 |
Припустимо, що в регресії GPDI за GNP один дослідник використовує дані, що обчислюються в мільярдах, а інший – у мільйонах доларів. Чи будуть результати регресійного аналізу однаковими в обох випадках? Якщо ні, то який результат слід використовувати? Інакше, чи впливають одиниці, в яких вимірюються Y і Х, на результати регресійного аналізу?
Щоб відповісти на це запитання, зробимо так. Хай
, |
(4.2.1) |
де – GPDI, – GNP.
Визначимо
, |
(4.2.2) |
, |
(4.2.3) |
де і – константи, що називаються масштабними чинниками. і можуть збігатися, а можуть бути різними.
З рівнянь (4.2.2) і (4.2.3) зрозуміло, що і змінюють шкалу вимірювань і . Так, якщо і вимірюються в мільярдах доларів, а ми хочемо перейти до вимірювання в мільйонах доларів, то
, . |
|
У цьому випадку .
Тепер розглянемо регресію, застосовуючи змінні і :
, |
(4.2.4) |
де , і .
Ми можемо отримати зв’язок між парами:
і , і , і , і , і , і .
|
|
За методом найменших квадратів ми маємо
, |
(4.2.5) |
, |
(4.2.6) |
, |
(4.2.7) |
, |
(4.2.8) |
. |
(4.2.9) |
Застосовуючи МНК до (6.2.4), одержуємо
, |
(4.2.10) |
, |
(4.2.11) |
, |
(4.2.12) |
, |
(4.2.13) |
. |
(4.2.14) |
З цієї рівності легко отримати співвідношення між двома наборами оцінок параметрів. Усе, що для цього потрібно, так це застосувати рівності: (або ); (або ); ; ; . Застосовуючи ці співвідношення, нескладно отримати рівності, що цікавлять нас:
, |
(4.2.15) |
, |
(4.2.16) |
, |
(4.2.17) |
, |
(4.2.18) |
, |
(4.2.19) |
. |
(4.2.20) |
Із цих формул зрозуміло, як за наслідками регресійного аналізу в одних одиницях вимірювання перейти до інших одиниць вимірювання при заданих значеннях масштабного чинника.
Числовий приклад. Співвідношення між GPDI і GNP в США
Наведемо результати регресійного аналізу за даними табл. 4.2.
GPDI і GNP вимірюються в мільярдах доларів:
(76,261127) (0,05406) =0,5641 |
|
GPDI і GNP вимірюються в мільйонах доларів:
(76261,1278) (0,05406) =0,5641 |
|
GPDI – в мільярдах доларів, а GNP – мільйонах доларів:
(76,261127) (0,00005406) =0,5641 |
|
GPDI – в мільйонах доларів, а GNP – мільярдах доларів:
(76261,127) (54,06) =0,5641 |
|