- •Определение эконометрики. Метод эконометрики
- •Эконометрический метод и этапы эконометрического исследования.
- •Парная регрессия. Способы задания уравнения парной регрессии.
- •Линейная модель парной регрессии. Смысл и оценка параметров.
- •Оценка существенности уравнения в целом на основе дисперсионного анализа (-критерий фишера).
- •Оценка существенности отдельных параметров регрессии (-критерий стьюдента).
- •Прогноз по линейному уравнению регрессии. Средняя ошибка аппроксимации.
- •Нелинейная регрессия. Классы нелинейных регрессий. Оценка нелинейной регрессии в целом
- •Регрессии нелинейные относительно включенных в анализ объясняющих переменных.
- •Регрессии нелинейные по оцениваемым параметрам.
- •Коэффициенты эластичности для разных видов регрессионных моделей.
- •Корреляция и-критерий фишера для нелинейной регрессии.
- •Отбор факторов при построении уравнения множественной регрессии.
- •Отбор факторов на основе корреляционного анализа. Коллинеарность
- •Отбор факторов на основе корреляционного анализа. Мультиколлинеарность
- •Оценка параметров уравнения множественной регрессии. Стандартизированная форма уравнения множественной регрессии
- •Эластичность в множестенной регрессии.
- •Множественная корреляция.
- •Частные коэффициенты корреляции.
- •-Критерий фишера и частный-критерий фишера для уравнения множественной регрессии.
- •-Критерий стьюдента для уравнения множественной регрессии.
Оценка параметров уравнения множественной регрессии. Стандартизированная форма уравнения множественной регрессии
Классический подход к оцениванию
параметров линейной модели множественной
регрессии основан на методе наименьших
квадратов (МНК). МНК позволяет получить
такие оценки параметров, при которых
сумма квадратов отклонений фактических
значений результативного признака
от расчетных
минимальна:
.
(2.2)
Как известно из курса математического анализа, для того чтобы найти экстремум функции нескольких переменных, надо вычислить частные производные первого порядка по каждому из параметров и приравнять их к нулю.
Итак. Имеем функцию
аргумента:
.
Находим частные производные первого порядка:

После элементарных преобразований приходим к системе линейных нормальных уравнений для нахождения параметров линейного уравнения множественной регрессии (2.1):
(2.3)
Для двухфакторной модели данная система будет иметь вид:

Метод наименьших квадратов применим и к уравнению множественной регрессии в стандартизированном масштабе:
(2.4)
где
– стандартизированные переменные:
,
,
для которых среднее значение равно
нулю:
,
а среднее квадратическое отклонение
равно единице:
;
– стандартизированные коэффициенты
регрессии.
Стандартизованные коэффициенты регрессии
показывают, на сколько единиц изменится
в среднем результат, если соответствующий
фактор
изменится на одну единицу при неизменном
среднем уровне других факторов. В силу
того, что все переменные заданы как
центрированные и нормированные,
стандартизованные коэффициенты регрессии
можно сравнивать между собой. Сравнивая
их друг с другом, можно ранжировать
факторы по силе их воздействия на
результат. В этом основное достоинство
стандартизованных коэффициентов
регрессии в отличие от коэффициентов
«чистой» регрессии, которые несравнимы
между собой.
Применяя МНК к уравнению множественной регрессии в стандартизированном масштабе, получим систему нормальных уравнений вида
(2.5)
где
и
– коэффициенты парной и межфакторной
корреляции.
Коэффициенты «чистой» регрессии
связаны со стандартизованными
коэффициентами регрессии
следующим образом:
.
(2.6)
Поэтому можно переходить от уравнения
регрессии в стандартизованном масштабе
(2.4) к уравнению регрессии в натуральном
масштабе переменных (2.1), при этом параметр
определяется как
.
Рассмотренный смысл стандартизованных
коэффициентов регрессии позволяет их
использовать при отсеве факторов – из
модели исключаются факторы с наименьшим
значением
.
Эластичность в множестенной регрессии.
На основе линейного уравнения множественной регрессии
(2.7)
могут быть найдены частные уравнения регрессии:
(2.8)
т.е. уравнения регрессии, которые
связывают результативный признак с
соответствующим фактором
при закреплении остальных факторов на
среднем уровне. В развернутом виде
систему (2.8) можно переписать в виде:

При подстановке в эти уравнения средних значений соответствующих факторов они принимают вид парных уравнений линейной регрессии, т.е. имеем
(2.9)
где

В отличие от парной регрессии частные уравнения регрессии характеризуют изолированное влияние фактора на результат, ибо другие факторы закреплены на неизменном уровне. Эффекты влияния других факторов присоединены в них к свободному члену уравнения множественной регрессии. Это позволяет на основе частных уравнений регрессии определять частные коэффициенты эластичности:
,
(2.10)
где
– коэффициент регрессии для фактора
в уравнении множественной регрессии,
– частное уравнение регрессии.
Наряду с частными коэффициентами эластичности могут быть найдены средние по совокупности показатели эластичности:
,
(2.11)
которые показывают на сколько процентов в среднем изменится результат, при изменении соответствующего фактора на 1%. Средние показатели эластичности можно сравнивать друг с другом и соответственно ранжировать факторы по силе их воздействия на результат.
