- •1.Виды регрессии. Спецификация модели.
- •Присутствие случайных ошибок в модели порождено тремя источниками: спецификацией модели, выборочным характером исходных данных, особенностями измерения переменных.
- •2.1.Линейная регрессия и корреляция: смысл и оценка параметров.
- •2.2. Оценка существенности параметров
- •Оценка значимости уравнения регрессии
- •Оценка значимости параметров уравнения регрессии
- •2.3 Интервалы прогноза
- •I. Регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам.
- •3. Средняя ошибка аппроксимации
- •4.1. Нелинейная регрессия: классы и виды.
- •II. Регрессии, нелинейные по оцениваемым параметрам.
- •Оценка параметров моделей.
- •4.2. Корреляция для нелинейной регрессии
II. Регрессии, нелинейные по оцениваемым параметрам.
Данный класс нелинейных моделей подразделяется на два типа:
II.а) нелинейные модели внутренне нелинейные (нелинейная модель внутренне нелинейна если она не может быть сведена к линейной функции).
К
таким моделям можно отнести:
,
так как эти уравнения не могут быть
преобразованы в уравнения линейные по
коэффициентам.
Если модель внутренне нелинейна по параметрам, то для оценки параметров используются итеративные процедуры, успешность которых зависит от вида уравнений и особенностей применяемого итеративного подхода . Модели внутренне нелинейные по параметрам могут иметь место в эконометрических исследованиях., но мы будем рассматривать лишь внутренне линейные модели.
II.б) нелинейные модели внутренне линейные (нелинейная модель внутренне линейна если она может быть сведена к линейной функции);
Эти модели получили гораздо большее распространение, к ним можно отнести:
1) степенная — y=a xb E;
2) показательная — y=a bx E;
3) экспоненциальная — y=ea+bx E;
4)
обратная —
5)
логистическая
—
и другие.
Такие модели, которые внешне нелинейны, но путем преобразований параметров могут быть приведены к линейному виду, относятся к классу линейных моделей.
Рассмотрим на примере экспоненциальной модели y=ea+bxE процесс её линеаризации: логарифмируя ее по натуральному основанию, получим линейную форму модели: Lny=a+b x+lnE.
Аналогичным образом, путем логарифмирования, приводят к линейному виду степенную и показательную функции.
Линеаризация
для обратной модели происходит путём
обращения обеих частей равенства
.
Так получим линейную форму модели для
переменной
.
Приводима
к линейному виду и логистическая функция:
.
Преобразовывая равенство, получим:
.
Обозначив,
,
имеем:
.
В
эконометрике широко используются
коэффициенты эластичности. Формула
расчета коэффициента эластичности:
,
где f’(x) – первая производная, характеризующая соотношение приростов результата и фактора для соответствующей модели.
Из данной формулы видно, что коэффициент эластичности показывает, на сколько процентов изменится в среднем результат, если фактор изменится на 1%.
Приведем формулы расчета коэффициентов эластичности для наиболее распространенных типов уравнений регрессии:
Вид функции, y |
Коэффициент
эластичности,
|
Линейная y=a+bx+E |
|
Парабола второго порядка y=a+bx+cx2+E |
|
Гипербола y=a+b/x+E |
|
Показательная y=a bx E |
|
Степенная y=a xb E |
|
Полулогарифмическая y=a+b lnx+E |
|
Логистическая |
|
Обратная |
|
В силу того, что коэффициент эластичности для степенной функции является величиной постоянной, равной параметру b, а у других форм связи коэффициент эластичности зависит от значений фактора x, то в эконометрических исследованиях очень широко используется степенная функция y=axbE (в ней параметр b имеет чёткое экономическое истолкование).
Так
как коэффициент эластичности для
линейной функции
не является величиной постоянной, а
зависит от соответствующего
значения х, то обычно рассчитывается
средний показатель
эластичности по формуле:
.
Несмотря на широкое использование в эконометрике коэффициентов эластичности, возможны случаи, когда их расчет экономического смысла не имеет. Это происходит тогда, когда для рассматриваемых признаков бессмысленно определение изменения значений в процентах.
