- •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.
4.7. Зауваження щодо стохастичної складової
Розглянемо модель регресії, у якій порівняно з (4.4.1) відсутня стохастична складова:
. |
(4.7.1) |
З метою проведення регресійного аналізу цю модель можна подати в трьох різних видах:
; |
(4.7.2) |
; |
(4.7.3) |
. |
(4.7.4) |
Після логарифмування цих рівнянь одержуємо
; |
(4.7.5) |
; |
|
, |
|
де .
Модель типу (4.7.2) приводиться до лінійної (за параметрами) моделі регресії в тому розумінні, що шляхом відповідного перетворення (логарифмування) вона може бути приведена до лінійної щодо параметрів і моделі. Зазначимо, що вона нелінійна щодо параметра .
Хоча моделі (4.7.2) і (4.7.3) є лінійними моделями регресії і їх оцінка може проводитися за МНК, слід велику увагу приділити властивостям стохастичної складової, що входить у модель . Пригадаємо, що властивість якнайкращої лінійної незміщеної оцінки за МНК вимагає, щоб стохастична складова мала математичне сподівання, яке дорівнює нулю, постійну дисперсію та нульову автокореляцію. При перевірці гіпотез ми також припускаємо, що розподіляється за нормальним законом розподілу з математичним сподіванням і дисперсією, згаданими вище, тобто припускаємо, що .
Звернемося до моделі (4.4.2). Логарифмічне перетворення приводить її до вигляду (4.4.5). Для використання класичної лінійної моделі регресії необхідно зробити припущення про те, що
. |
(4.7.6) |
Отже, коли ми проводимо регресію за моделлю (4.7.5), то повинен бути розподілений за нормальним законом розподілу з нульовим математичним сподівання і постійною дисперсією. У такому разі в (4.7.2) розподілений за логарифмічно-нормальним законом розподілу з математичним сподіванням і дисперсією .
5. Множинний регресійний аналіз. Задача оцінювання
Вивчена раніше регресійна модель із двома змінними часто виявляється на практиці неадекватною. Наприклад, у нашому випадку моделі “споживання – дохід” передбачалося, що дохід Х впливає на витрати Y. Але економічна теорія рідко буває настільки простою, оскільки окрім доходу чимала кількість інших змінних може впливати на витрати й споживання. Очевидним прикладом є заощадження покупця. Іншим прикладом є залежність попиту на товар не тільки від ціни цього товару, але й від ціни конкуруючих товарів, доходу покупця, його соціального статусу і т.д. Отже, ми повинні поширити нашу просту модель з двома змінними на випадок з великою кількістю змінних. Додавання додаткових змінних приводить нас до обговорення множинної регресійної моделі, тобто такої моделі, у якій залежна змінна, або регресант Y залежить від двох або більше змінних.
Найпростішою з таких моделей є модель із трьома змінними – однією пояснюваною і двома пояснювальними. Перейдемо до вивчення цієї моделі. При цьому ми вважатимемо, що множинна регресійна модель лінійна за параметрами, хоча може бути нелінійною за змінними.