Содержание
- 2. Построение уравнения регрессии 1. Постановка задачи Данные наблюдений По имеющимся данным n наблюдений за совместным изменением
- 3. 2. Спецификация модели 2.1. Отбор факторов, подлежащих включению в модель Требования к отбираемым факторам Факторы не
- 4. Парная коллинеарность и мультиколлинеарность Две переменные считаются явно коллинеарными, т.е. находятся между собой в линейной зависимости,
- 5. Включение в модель мультиколлинеарных факторов нежелательно по следующим причинам: затрудняется интерпретация параметров множественной регрессии; параметры линейной
- 6. Оценка мультиколлинеарности Для оценки мультиколлинеарности используется определитель матрицы парных коэффициентов интеркорреляции: (!) Если факторы не коррелируют
- 7. (!) Если между факторами существует полная линейная зависимость и все коэффициенты корреляции равны 1, то определитель
- 8. Способы преодоления мультиколлинеарности факторов: исключение из модели одного или нескольких факторов; переход к совмещенным уравнениям регрессии,
- 9. 2. Спецификация модели 2.2. Выбор формы уравнения регрессии Линейная регрессия Линеаризуемые регрессии Степенная регрессия Экспоненциальная регрессия
- 10. Например, зависимость спроса на товар (Qd) от цены (P) и дохода (I) характеризуется следующим уравнением: Qd
- 11. 3. Оценка параметров модели 3.1. МНК или Отсюда получаем систему уравнений:
- 12. Решение системы уравнений с помощью метода определителей: где ∆ – определитель системы: ∆a, ∆b1, ∆bp –
- 13. 3. Оценка параметров модели 3.2. Метод оценки параметров через стандартизованные коэффициенты β Уравнение регрессии в стандартизованном
- 14. Взаимосвязь bi и β Связь коэффициентов «чистой» регрессии bi с коэффициентами βi описывается соотношением: или Параметр
- 15. 4. Проверка качества уравнения регрессии Н0: уравнение статистически не значимо yi = ŷi + εi D(y)
- 16. F-критерий Фишера: где m – число независимых переменных в уравнении регрессии; n – число единиц совокупности.
- 18. Скачать презентацию