- •Санкт-Петербургский торгово-экономический институт
- •Основы эконометрики
- •1.Введение
- •1.Эконометрика как наука
- •1.1.Определение
- •1.2.Классификация задач эконометрики
- •1.3.Математико-статистический инструментарий эконометрики
- •2.Эконометрическое моделирование
- •2.1.Основные понятия эконометрического моделирования
- •2.2.Типы эконометрических моделей
- •2.3.Типы данных
- •2.4.Основные этапы и проблемы эконометрического моделирования
- •3.Обзор элементарных понятий статистики
- •3.1.Переменные
- •3.2.Зависимости
- •3.3.Статистическая значимость
- •3.4.Нормальное распределение
- •4.Парный регрессионный анализ
- •4.1.Основные понятия регрессионного анализа
- •4.2.Модель парной линейной регрессии
- •4.3.Метод наименьших квадратов
- •4.4.Интерпретация уравнения регрессии
- •4.5.Качество оценки: коэффициент детерминации r2
- •4.6.Случайные ошибки
- •4.6.1.Природа случайности
- •4.6.2.Условия Гаусса-Маркова
- •4.6.3.Оценка дисперсии ошибок σ2
- •4.6.4. Оценка дисперсий параметров модели a и b
- •4.7.Свойства коэффициента регрессии и проверка гипотез
- •4.7.1.Формулирование нулевой гипотезы.
- •4.7.2.Проверка гипотез
- •4.7.3.Доверительные интервалы
- •4.8.Таблица дисперсионного анализа для простой линейной регрессии
- •5.Множественный регрессионный анализ
- •5.1.Модель множественной линейной регрессии
- •5.2.Фиктивные переменные
- •5.2.1.Модель бинарной фиктивной переменной
- •5.2.2.Модель сезонных колебаний
- •5.2.3.Кусочно-линейная модель
- •6. Перспективы и проблемы эконометрики
- •7.Системы для обработки эконометрических данных
- •8.Примеры эконометрических моделей
- •8.1.Маркетинг
- •29.2.Финансы
- •37.1.Социально-экономические исследования
- •Рекомендуемая литература
- •Основы эконометрики
- •194021, Санкт-Петербург, Новороссийская ул., 50
4.2.Модель парной линейной регрессии
В парном регрессионном анализе исследуется зависимость переменной y от одной объясняющей переменной х. В экономической теории эта проблема решается путем приведения соотношения, как если бы оно было точным, и предупреждением читателя о том, что это аппроксимация. Отметим, что не следует ожидать получения точного соотношения между какими-либо двумя экономическим показателями, за исключением тех случаев, когда оно существует по определению. В эконометрике факт неточности соотношения признается путем явного включения в него случайного фактора, описываемого случайным остаточным членом.
Модель парной линейной регрессии имеет вид:
|
(0) |
где
‑
зависимая переменная (объясняемая),
‑
независимая
переменная (объясняющая),
‑ параметры
модели,
‑ случайный
остаточный член (случайная ошибка).
Константу α называют также свободным членом, а угловой коэффициент β ‑ регрессионным коэффициентом.
Оценка параметров модели основана на имеющейся выборке парных наблюдений объема n: (x1 , y1), … (xn , yn).
Для оценки используется уравнение:
|
(0) |
где
‑ прогнозируемое значение объясняемой
переменной;
a – статистическая оценка параметра α;
b ‑ статистическая оценка параметра β.
Уравнение (0) задает прямую линию на плоскости (в пространстве двух измерений). Более подробно: переменная может быть выражена через константу (a) и угловой коэффициент (b), умноженный на переменную x.
Разность между фактическим значение зависимой переменной и значением, прогнозируемым по уравнению регрессии, называется остатком. Остатки ei вычисляются по формуле:
|
(0) |
Принципиальная схема модели парной линейной регрессии приведена на рис. 1.
Рисунок 1 – Принципиальная схема модели парной линейной регрессии
Есть два предварительных шага для определения существования и степени линейной зависимости между переменными.
Первый шаг заключается в построении диаграммы рассеяния – графическом отображении точек (x1 , y1), … (xn , yn) на плоскости. Анализируя диаграмму рассеяния, мы можем эмпирически решить, допустимо ли предположение о линейной зависимости между х и y. Пример построения диаграммы рассеяния приведен на рис. 2.
Вторым шагом является вычисление выборочного коэффициента корреляции r по формуле:
|
(0) |
Рисунок 2 – Пример диаграммы рассеяния: зависимость между среднедушевым потреблением и производством молока по регионам Российской Федерации (каждая точка на диаграмме представляет данные для одного региона)
где
|
(0) |
соответствующие выборочные средние для переменных х и y.
В рассматриваемом примере коэффициент корреляции между среднедушевым потреблением и среднедушевым производством молока в регионах Российской Федерации r=0.76.
4.3.Метод наименьших квадратов
Рассмотрим задачу «наилучшей» аппроксимации набора наблюдений (x1 , y1), … (xn , yn) линейной функцией.
Общий смысл оценивания по методу наименьших квадратов заключается в минимизации суммы квадратов отклонений наблюдаемых значений зависимой переменной от значений, предсказанных моделью. Более точно, оценки наименьших квадратов (МНК-оценки) получаются минимизацией функции:
|
(0) |
Для краткости опустим индексы суммирования у знака суммы, при этом отметим, что суммирование проводится по всем наблюдаемым значениям от 1 до n.
Заметим,
что S
есть
мера ошибки, возникающей при аппроксимации
выборки прямой. Оценки a
и b
минимизируют ошибку
.
Запишем необходимые условия экстремума:
|
(0) |
Взяв частные производные, получим:
|
(0) |
Раскроем скобки:
|
(0) |
Отметим, что
|
(0) |
Тогда можно записать:
|
(0) |
Выразив из первого уравнения a и подставив полученное выражение во второе уравнение, получим:
|
(0) |
Преобразуя, получим:
|
(0) |
Из последнего уравнения можно получит зависимости для определения оценок параметров модели регрессии:
|
(0) |
Варианты выражения для коэффициента регрессии b через отклонения, ковариацию и дисперсию.
Разности
и
называются отклонениями от средних по
выборке значений. Вспомним
выражения для выборочной дисперсии и
ковариации:
|
(0) |
Преобразуем сумму квадратов отклонений:
|
(0) |
Преобразуем сумму произведений отклонений:
|
(0) |
Теперь можно записать выражение для b через отклонения:
|
(0) |
Умножив
последнее равенство на
,
получим выражения для b
через выборочную ковариацию и
дисперсию:
|
(0) |

,
,
.
.
.
.
.
.
.
.
.