- •1. Предмет эконометрики. Измеренияния в экономике. Типы шкал.
- •2. Линейность и аддитивность связей в функции
- •3. Типы данных. Выбор вида функции парной регрессии.
- •4. Смысл и оценка параметров линейной регрессии. Мнк.
- •5. Уравнение парной линейной регрессии в отклонениях
- •6. Геометрическая интерпретация мнк. Матричная форма записи мнк.
- •7. Линейный коэффициент корреляции. Коэффициент детерминации и его связь с коэффициентом корриляции.
- •8. Оценка существенности (значимости) линейной регрессии
- •9. Природа ошибок регрессии. Основные гипотезы для обоснования парной линейной регрессионной модели
- •10. Теорема Гаусса-Маркова для парной линейной регрессии.
2. Линейность и аддитивность связей в функции
Ф-ция y = f (x1,…,xk) линейна по xi ∂y/∂xi не включает xi, т.е. ∂(∂y/∂xi)=0. Это значит, что эффект от изменения по xi не зависит от xi.
Ф-ция y=f(x1,…,xk) явл. аддитивной по всем независимым переменным для любого i dy/dxi не включает xj (j ≠ i) т.е. ∂(∂y/∂xi)/∂xj=0. Это значит, что эффект от изменения по каждой независимой переменной не зависит от уровня др. переменной. В этом случае совместный эффект изм-ния по всем учтенным независимым переменным может быть получен сложением отдельно вычисленных эффектов изменений по каждой из них.
Примеры оценки линейности и аддитивности функций
Ф-ция f (x1, x2) |
∂f/∂x1 |
∂f/∂x2 |
Лин-ть |
Аддит-ть по x1,x2 |
|
x1 |
x2 |
||||
a1x21+a2x22+a3x1x2 |
2a1x1+а3x2 |
2a2x2+a3x1 |
нет |
нет |
нет |
a1x21+a2x22 |
2a1x1 |
2a2x2 |
нет |
нет |
да |
x2/x1 |
-x2/x12 |
1/x1 |
нет |
да |
нет |
a1x21+a2x2 |
2a1x1 |
a2 |
нет |
да |
да |
a1x1x22+a2logx2 |
a1x22 |
2a1x1x2+a2/x2 |
да |
нет |
нет |
a1x1+a2x2+a3x1x2 |
a1+a3x2 |
a2+a3x1 |
да |
да |
нет |
3. Типы данных. Выбор вида функции парной регрессии.
При моделировании экономических процессов встречаются 3 типа данных:
Пространственные данные – данные снятые в один момент или отрезок времени, или время не имеет знач. для этих данных (объем произв-ва, кол-во работников и т.д.).
Временные данные – отслеживание за одним показателем (осн. показ-ль– время).Прим.: ежеквартальные данные по инфляции, средней зарплате и т.д.
Панельные данные– замеры произв-ся по времени, но для одной и той же совок-ти (ежегодные обследования одних и тех же предприятий или домашних хозяйств).Т.о. панельные данные объединяют в себе как пространственные данные так и временные ряды.
Корреляционное поле – отображение парной взаимосвязи, для каких-то эконом. параметров.
Простая или парная регрессия представляет собой регрессию между 2-мя переем-ми — у и х. Т.е. модель вида: y=f(x), у — завис-ая перем-ная(результативный признак), а х — независимая, или объясняющая, переменная (признак-фактор или регрессор).
На практике величина у складывается из двух слагаемых:y= y ˆx+ ,где СВ , характеризующая отклонения реального значения результативного признака от теоретического, найденного по уравнению регрессии. СВ наз. ошибкой или возмущением.
В парной регрессии выбор вида ф-ции ух=f(x) осущ-ся 3-мя методами: графическим (строится корреляционное поле и по его виду делается предположение о форме линии корреляции), аналит-им (т.е. исходя из теории изучаемой взаимосвязи) и экспериментальным.
4. Смысл и оценка параметров линейной регрессии. Мнк.
Пусть имеется набор двух переменных Xt и Yt ,t=1,…,n;можно отобразить пары (Xt,Yt)точками на плоскостиXY. Пусть нашей задачей явл. подобрать ф-цию Y=f(X, ), где —неизвестные парам., наилучшим образом описывающую зависимость Y от X. Подобрать ф-цию означает выбрать наилучшее знач. парам. .Простейшим примером служит семейство линейных функций:
В качестве меры отклонения ф-ции f(X, ) от набора наблюдений м. взять след. функционалы, кот. необходимо минимизировать:
Сумму квадратов отклонений
Сумму модулей отклонений .
Д ля того чтобы устранить те или иные недостатки исп-ся: , где g — «мера», с которой отклонение входит в функционал F.
Функция Хубера:
МНК: рассм. задачу «наилучшей» аппроксимации набора наблюдений Хt, Yt, t=1,...,n –линейной ф-ции f(X)=а+bX в смысле минимизации функционала (1) , a,b – неизвестные, для их оценки необх:
Запишем необходимые условия экстремума:
Поделив каждое уравнение на (-2), преобразуем в стандартную форму нормальных уравнений и получим: (2)
=> и
Поделив числитель и знаминатель на n2, получим: (3а) (cov – ковариация, var – дисперсия) (3б).
Параметр b наз. коэффициентом регрессии, он показывает среднее изменение результата при изменении регрессора на одну единицу. Формально а — значение у при х = 0. Если же фактор х по своей природе не м. иметь нулевого значения, то такая трактовка не им. смысла.