- •Эконометрика. Цели и задачи. Этапы эконометрического моделирования.
- •Основные этапы регрессионного анализа.
- •Что такое функция регрессии? Чем регрессионная модель отличается от функции регрессии?
- •Как выглядит линейная модель парной регрессии? Как называются переменные в модели?
- •Коэффициент корреляции. Свойства коэффициента корреляции. Множественный коэффициент корреляции. Частный коэффициент корреляции. Ложная корреляция.
- •Выведите формулы для расчета коэффициентов парной линейной регрессии по методу наименьших квадратов.
- •Проинтерпретируйте коэффициенты эмпирического парного линейного уравнения регрессии.
- •Причины наличия в регрессионной модели случайного отклонения.
- •Что понимается под спецификацией модели и как она осуществляется в случае одной независимой переменной.
- •В чем состоит различие между теоретическим и эмпирическим уравнениями регрессии?
- •В чем суть метода наименьших квадратов?
- •12.Коэффициент детерминации. Роль коэффициента детерминации при определении качества построенного уравнения регрессии. Формула расчёта коэффициента детерминации.
- •15. Расчет коэффициентов множественной регрессии по мнк в матричной форме.
- •16. Коэффициент детерминации и скорректированный коэффициент детерминации.
- •Сформулируйте предпосылки мнк. Каковы последствия их выполнимости или невыполнимости.
- •Как определяются стандартные ошибки регрессии и коэффициентов регрессии?
- •19. Интервальные оценки коэффициентов регрессии
- •20. В чем суть статистической значимости коэффициентов регрессии?
- •Как определяется статистическая значимость коэффициентов регрессии
- •Что такое предсказание значения зависимой переменной? Как его найти?
- •Что означает статистическая значимость уравнения регрессии в целом? Как проверить значимость уравнения по f-тесту?
- •Что такое мультиколлинеарность? Последствия мультиколлинеарности.
- •Методы устранения мультиколлинеарности.
- •26. Пошаговый метод включения исключения факторной переменной в модель регрессии.
- •27.Нелинейные модели регрессии.
- •28.Основные виды ошибок спецификации модели.
- •4.3. Ошибки спецификации
- •29. Фиктивная переменная. Причины использования фиктивных переменных в моделях регрессии.
- •Что такое автокорреляция остатков, и каковы ее виды? Причины ее возникновения.
- •30. В чем суть теста Чоу проверки структурной однородности модели. Тест Грегори Чоу
- •Примеры использования фиктивных переменных.
- •Каким образом выявляется наличие автокорреляции в остатках?
- •Способы устранения автокорреляции в остатках.
- •Что такое гетероскедастичность? Причины и последствия гетероскедастичности.(гл 5)
- •38. Временной ряд. Составляющие временного ряда. Примеры.
- •39.Коэффициент автокорреляции. Автокорреляционная функция. Коррелограмма.
15. Расчет коэффициентов множественной регрессии по мнк в матричной форме.
В матричной форме модель примет вид:
Y = XB + . (3.11)
Оценкой этой модели по выборочным данным является уравнение (эмпирическая модель)
. (3.12)
Предпосылки МНК (см. раздел 2.4.1.) в матричной форме можно записать следующим образом:
1. M() = 0; 2. D() = σ2I; 3. Матрица ковариаций V() = M( · T) = σ2E,
где
=
– вектор-столбец случайных отклонений
(ошибок);
I
=
– (n
·
1)
вектор;
E
= En×n
=
– единичная матрица;
– матрица
ковариаций или ковариационная
матрица
вектора случайных отклонений, которая
является многомерным аналогом дисперсии
одной переменной и в которой, если
предпосылка о некоррелированности
отклонений i
и j
выполняется, все элементы, не лежащие
на главной диагонали, равны нулю, а
элементы главной диагонали равны одной
и той же дисперсии D(i)
= σ2;
4.
– нормально распределенный случайный
вектор, т. е.
~ N(0,
σ2Е);
5. r(X)
= m
+ 1 > n
– детерминированная матрица объясняющих
переменных (регрессоров) имеет ранг r,
равный числу определяемых параметров
модели m
+ 1,
кроме того, число имеющихся наблюдений
каждой из объясняющих переменных и
зависимой переменной превосходит ранг
матрицы Х.
Выполнение пятой предпосылки означает линейную независимость объясняющих переменных (линейную независимость столбцов матрицы Х), т. е. отсутствие функциональной мультиколлинеарности.
Наша
задача заключается в нахождении вектора
оценок
по МНК, который, при выполнении предпосылок
1–5, обладает наименьшим рассеянием
относительно параметра B.
Воспользовавшись
известными соотношениями матричной
алгебры и правилами дифференцирования
по векторному аргументу, получим
необходимое условие минимума функции
G
(равенство нулю вектор-столбца частных
производных
)
(3.13)
откуда вытекает система нормальных уравнений в матричной форме для определения вектора
(3.14)
где ХТ – транспонированная матрица.
Решением уравнения (3.14) является вектор оценок:
(3.15)
где (ХТХ)1 – матрица, обратная ХТХ; ХТY – вектор-столбец свободных членов системы.
Найдем матрицы, входящие в матричное уравнение (3.14):
. (3.16)
Матрица ХТХ образует симметричную матрицу сумм первых степеней, квадратов и попарных произведений n наблюдений объясняющих переменных.
. (3.17)
Матрица ХТХ представляет вектор-столбец произведений n наблюдений объясняющих и зависимой переменных.
Зная
вектор коэффициентов множественной
линейной регрессии
(3.15), находим оценку (групповую среднюю)
зависимой переменной Y
при заданном векторе значений объясняющей
(факторной) переменной
16. Коэффициент детерминации и скорректированный коэффициент детерминации.
Для оценки взаимосвязи между зависимой переменной и совокупностью объясняющих переменных используют множественный (совокупный) коэффициент (индекс) корреляции R или коэффициент детерминации R2.
или
R2 = RSS / TSS
Множественный коэффициент детерминации можно рассматривать как меру качества уравнения регрессии, характеристику прогностической силы регрессионной модели. Чем ближе R2 к 1, тем лучше регрессия описывает зависимость между объясняющими и зависимой переменными.
Основная
проблема применения (выборочного)
заключается
в том, что его значение увеличивается
(не уменьшается)
от добавления в модель новых переменных,
даже если эти переменные никакого
отношения к объясняемой переменной не
имеют!
Для того, чтобы была возможность сравнивать модели с разным числом факторов так, чтобы число факторов не влияло на статистику обычно используется скорректированный коэффициент детерминации.
,
где
n – общее число наблюдений,
р – число объясняющих переменных (число параметров модели регрессии без учета свободного члена).
Чем ближе значения коэффициентов к 1, тем качественнее модель.
При R2 =0, скорректированный R2 может принимать отрицательные значения.
Скорректированный R2 - показатель качества для множественной регрессии.
