- •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.
9.7. Загальна перевірка регресії на значущість. Аналіз дисперсії в матричному позначенні
У розд. 8 була розглянута техніка ANOVA загальної перевірки на значущість оціненої регресії, тобто перевірки нульової гіпотези про те, що істинні кутові коефіцієнти одночасно перетворюються в нуль, і оцінювання додаткового внеску пояснювальної змінної. Цю техніку можна поширити на випадок k змінних. Пригадаємо, що механізм полягає в розкладанні TSS на дві складові: ESS і RSS. Матричні вирази для цих трьох сум квадратів уже наведені в (9.3.10) – (9.3.12). Асоційовані з ними кількості степенів вільності відповідно дорівнюють (n–1), (k–1) і (n–k). За аналогією з табл. 8.2 ми можемо скласти табл. 9.2.
Таблиця 9.2
Матричне формулювання anova-таблиці
для лінійної моделі регресії з k змінними.
-
Джерело дисперсії
SS
DF
MSS
Унаслідок регресії
k–1
Унаслідок залишків
n–k
Загальна
n–1
Припускаючи, що збурення розподілені нормально й нульова гіпотеза є , як і в розд. 8, можна показати, що
. |
(9.7.1) |
розподілено за законом F-розподілу з (k–1) і (n–k) степенями вільності.
У розд. 8 ми бачили, що при зроблених вище припущеннях існує тісний зв’язок між F і R2, а саме
. |
|
Отже, табл. 9.2 може бути перетворена до вигляду табл. 9.3.
Таблиця 9.3
ANOVA-таблиця для k змінних в термінах R2
Джерело дисперсії |
SS |
DF |
MSS |
Унаслідок регресії |
|
k–1 |
|
За залишками |
|
n–k |
|
Загальна |
|
n–1 |
|
Однією з переваг табл. 9.3 в порівнянні з табл. 9.2 є те, що весь аналіз може бути виконаний у термінах R2; немає потреби розглядати складова , оскільки він випадає з виразу для F.
9.8. Перевірка лінійних обмежень. Загальний f-тест у матричних позначеннях
У розд. 8 ми описали загальний F-тест для перевірки справедливості лінійних обмежень, що накладаються на один або більше параметрів лінійної регресії з k змінними. Відповідний тест визначається рівнянням (7.4.9). Матричний аналог цього рівняння можна отримати дуже легко. Хай
– вектор залишків регресії з обмеженнями;
– вектор залишків регресії без обмежень.
Тоді
з регресії з обмеженнями;
з регресії без урахування обмежень;
m – кількість лінійних обмежень;
k– кількість параметрів у регресії без обмежень;
n – кількість спостережень.
Матричний аналог формули (7.4.9) має вигляд
. |
(9.8.1) |
У цій формулі F підкоряється закону F-розподілу з (m, n–k) степенями вільності. Як завжди, якщо підрахована величина F більша критичного значення, ми можемо відкинути обмеження на регресію, у протилежному випадку ми їх не відкидаємо.