- •Эконометрика. 01.02.2013 Преподаватель: Дроженко Валентина Михайловна Лекция 1. Понятие эконометрики и эконометрических моделей.
- •Корреляционная связь. Количественная мера силы корреляционной связи.
- •Лекция 2. 08.02.13. Линейная модель парной корреляции.
- •Проверка статистических гипотез.
- •Лекция 3. 15.02.13 Основы дисперсионного анализа.
- •Лекция 4. 22.02.13
- •Лекция 5. 1.03.12
- •Лекция 6. 15.03.13
- •Лекция 22.03.13
Лекция 3. 15.02.13 Основы дисперсионного анализа.
Вставить
Основная идея дисперсионного анализа состоит в разложении вариации изучаемого признака на составляющие: среднее значение признака У, заштрихованные квадраты точки наблюдений, прямая линия – теоритическая линия регрессии, незаштрихованные – токи теоритических регрессий.
Два вида отклонения от среднего – дельта факторное и дельта остаточное – как значение эмпирическое отличается от теоритического. Общее отклонение от среднего равно
Для каждой точки справедливо соотношение. Дельта общее=дельта факторное+ дельта ост.
Разложим сумму квадратов отклонений значений результирующего признака от среднего значения таким образом.
Вставка
Общая сумма отклонений равна остаточная сумма отклонений и сумма отклонений объясняемых факторов.
Разделим каждую сумму квадратов отклонений на соответствующую ей число степеней свободы и получим дисперсию на 1 степень свободы.
Общая дисперсия на 1 степень свободы:
Остаточная дисперсия характеризующаяся вариацию результирующего признака за счёт факторов не включенных в модель.
Факторная дисперсия, которая характеризует вариацию результирующего признака за счет факторов включенных в модель
Проверка адекватности регрессионной модели по критерию Фишера-Снедекора
Проверка адекватности модели по этому критерию проводится путем сравнения факторной дисперсии с остаточной дисперсией.
Вставка
Fвыб=
сигма2 факт/сигма2/ост
Если остаточная дисперсия много меньше чем факторная F>1 то считается что факторный признак существенным образом влияет на результирующий признак т е модель адекватна.
Проверка адекватности модели по критерию Фишера производится следующим образом.
Выдвигаем нуль гипотезу. H0 – модель неадекватна, те заложенные в уравнение регрессии связи не отвечают реально существующим.
Альфа =0,05 (5%), те зрительная вероятность 95%
Проверяем статистическое правило. Fвыб < F крит , то гипотеза Н0 не отвергается, если наоборот то гипотеза отвергается и модель статистической значимости принимается.
Считаем по формуле. Fвыб =
По справочным таблицам Фишера найдем критическое значение Фкрит. Фкр=Ф(альфа; К1=К-1; К2=н-к)
Пример проверим адекватность модели на основе Ф примера Фишера для примера о 10 предприятиях.
Фвыб=34,246/5,754*8/1=47,6
Фвыб>Фкрит, то с 95% доверительной вероятностью нулевая гипотеза Н0 отвергается, то модель адекватна или статистически значима по критерию Фишера.
МНОЖЕСТВЕННАЯ (МНОГОФАКТОРНАЯ) РЕГРЕССИЯ
Модель множественной регрессии - это уравнение отражающая корреляционную связь между результатом и несколькими факторами.
построение модели множественной регрессии начинается с процесса отбора факторов, т.е. главновлияющих переменных в модель.
Имеются 2 наиболее распространенных алгоритма отбора факторов.
1 путь шаговый регрессионный анализ основанный на методе последовательного включения факторов. Алгоритм проведения отбора факторов снизу.
Этот метод предполагает что сначала будет построена модель с фактором наиболее тесно связанная с результатом. Затем поочередно добавляются другие факторы, каждый раз при этом оценивается целесообразность включения нового фактора с точки зрения сокращения остаточной дисперсии и увеличение величины коэффициента множественной корреляции.
Для того что бы осуществить этот отбор рассчитывают парный коэффициент корреляции результирующего признака и каждого из факторов, при этом устанавливается некоторое пороговое значение (ру1) и если значение коэффициента корреляции rxy>ro1 вставка то соответствующий фактор включается в модель. Далее рассчитывается парный коэффициент корреляции самих факторов. Между факторами включаемыми в модель связь должна быть не очень сильной не очень тесной, поэтому вводят второе пороговое значение (ро2). Если значение rxixj<ro2 то оба фактора включаются в модель.
Для выполнения этого анализа формируется матрица коэффициентов корреляции
|
y |
X1 |
X2 |
… |
Xn |
Y |
1 |
Ryx1 |
Ryx2 |
… |
ryn |
X1 |
|
1 |
Rx1x2 |
… |
Rx1xn |
X2 |
|
|
1 |
… |
Rx2xn |
… |
|
|
|
1 |
|
Xn |
|
|
|
… |
1 |
Rxiyj=rxixj
Расчёт и инерпритация коэффициентов уравнений множественной регрессии.
Как и в случае парной регрессии коэффициенты уравнения множественной регрессии определяются по методу наименьших квадратов. Из условий минимума функционала S.
Для минимизации функционала приравняем к нулю все частные производные по соответствующим коэффициентам регрессии.
Вставка
После решения системы получаем
Вставка
Функция в екселе линейная.
Интерпритация модели коэффициенты регрессий бетта 2 и бетта 3 указывают гна изменение результирующего признака У при изменнии соотвтетствующего факторного признака на 1.
Коэффицент бетта 2 = х1 бетта 3 . Для сравнения степени влияния факторных признаков на результирующий признаккоэффициенты регрессий бетта 2 и бетта 3 указывают гна изменение результирующего признака У при изменнии соотвтетствующего факторного признака на 1.
Коэффицент бетта 2 = х1 бетта 3 . Для сравнения степени влияния факторных признаков на результирующий признак используют средние частыне коэффициенты эластичности.
Втавка
Эти коэффициенты показывают насколько % в среднем изменится результирующий признак при изменении факторного признака на 1%
Шапка. ФГБОУ ВПО РЭУ Кафедра математические методы в экономике.
Контрольное работа №1 Однофакторные регресии. Группы Фио препод
