Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Метод_пособие_эконометрика 4.doc
Скачиваний:
8
Добавлен:
01.07.2025
Размер:
931 Кб
Скачать
☆

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:

min.

(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)