Содержание
- 2. Простейшая регрессионная модель: y=α+βx+u у - зависимая переменная, объясняемая, регрессант х – независимая переменная, объясняющая, регрессор
- 3. Р1 Р2 Р3 Р4 * * * * Х1 Х2 Х3 Х4 Q1 Q2 Q3 Q4
- 4. Величина у - зависимая переменная, состоит из двух частей: Неслучайной составляющей – (α+βx), 2) Случайной составляющей
- 5. Точки Р1, Р2, Р3 и Р4 – это фактические или наблюденные значения. Точки Q1, Q2, Q3
- 6. Задача регрессионного анализа состоит в нахождении оценок α и β и в определении положения регрессионной прямой
- 7. Метод наименьших квадратов МНК является наиболее популярным методом нахождения оценок неизвестных параметров. Критерий выбора наилучших параметров:
- 8. Остаток или отклонение (е) – разница между наблюдаемым значением переменной Y и ее теоретическим значением в
- 10. Критерий оптимизации: Предположим, что между Y и X существует прямая связь, т.е.
- 11. Тогда можно записать:
- 12. Функция принимает свое минимальное значение в точке, где все ее частные производные равны нулю
- 13. Данная система называется системой нормальных уравненний, решая эту систему относительно a и b, мы получаем рабочие
- 14. Формулы для нахождения оценок a и b:
- 15. Причины существования случайной компоненты
- 16. 1. Не включение объясняющих переменных Соотношение между у и х - очень большое упрощение. Существуют и
- 17. Невозможность измерения. Слабое влияние фактора. Отсутствия опыта или знаний.
- 18. Во многих случаях зависимость — это попытка объединить вместе некоторое число микроэкономических соотношений. Отдельные соотношения имеют
- 19. Если зависимость относится к данным о временном ряде, то значение Y может зависеть не от фактического
- 20. Если ожидаемое и фактическое значения тесно связаны, то будет казаться, что между Y и X существует
- 21. Функциональное соотношение между Y и X математически может быть определено неправильно. Истинная зависимость может не являться
- 22. Если в измерении одной или более взаимосвязанных переменных имеются ошибки, то наблюдаемые значения не будут соответствовать
- 23. Случайная компонента является суммарным проявлением всех факторов. Если бы случайной компоненты не существовало, то мы бы
- 24. Однако в действительности каждое изменение Y отчасти вызвано изменением U. Поэтому мы не можем вычислить истинные
- 25. Свойства коэффициентов регрессии и условия нормальной линейной регрессии (Гаусса-Маркова)
- 26. Фактическое значение Y состоит из двух элементов: из неслучайной части и случайной компоненты, поэтому вычисленные оценки
- 27. Для того чтобы регрессионный анализ, основанный на обычном МНК, давал наилучшие результаты, случайный член должен удовлетворять
- 28. 1-е условие Гаусса—Маркова Математическое ожидание случайной компоненты в любом наблюдении должно быть равно нулю. Иногда величина
- 29. Фактически если уравнение регрессии включает константу, то можно предположить, что это условие выполняется автоматически, так как
- 30. 2-е условие Гаусса—Маркова Дисперсия случайной компоненты должна быть постоянна для всех наблюдениях. Иногда случайная компонента будет
- 31. Если это условие выполняется, то говорят, что дисперсия ошибки гомоскедастична, если нет, то - гетероскедастична.
- 32. 3-е условие Гаусса—Маркова Даное условие предполагает отсутствие систематической связи между значениями случайной компоненты в любых двух
- 33. Или большой и отрицательной, или малой и положительной, или малой и отрицательной. Случайные компоненты должна быть
- 34. Выполнение данного условия гарантирует отсутствие автокорреляции. В противном случае, говорят, что случайная компонета автокоррелирована.
- 35. 4-е условие Гаусса—Маркова: Случайная компонента должна быть распределена независимо от объясняющих переменных.
- 36. Наряду с условиями Гаусса—Маркова обычно также предполагается нормальность распределения случайного члена. Если случайный член нормально распределен,
- 37. «Если случайная величина является общим результатом взаимодействия большого числа других случайных величин, ни одна из которых
- 38. Интерпретация линейного уравнения регрессии ŷ=а+bx Оценки a и b имеют математическую и экономическую интерпретацию. Математическая: Коэффициент
- 39. Коэффициент b – коэффициент регрессии – это тангенс угла наклона к оси OX.
- 40. a γ tg γ=b X 0 Y
- 41. Экономическая: а – регрессионная постоянная, const Дает прогнозное значение у, в том случае, когда факторный признак
- 42. b – коэффициент регрессии Показывает на сколько изменится значение у (в единицах измерения у), если х
- 43. По группе предприятий, выпускающих один и тот же вид продукции, рассматривается функция издержек y=α+βx+u , где
- 45. Оценив параметры модели методом наименьших квадратов, получим следующее уравнение:
- 46. В данном случае величина параметра a не имеет экономического смысла. Параметр b показывает, что если выпуск
- 47. ŷ=3,87+0,418*х х – доход (руб.) у – сливочное масло (г/сут.) Суточное потребление сливочного масла в обследованных
- 51. a > 0 b
- 53. a b
- 54. a > 0 b = 0
- 55. Определение тесноты связи между факторами В качестве меры тесноты связи используется линейный коэффициент корреляции:
- 56. где
- 57. Линейный коэффициент корреляции может принимать любые значения в пределах от минус 1 до плюс 1. Чем
- 58. Если сравнить формулы для расчета коэффициентов регрессии и корреляции, то можно увидеть, что между этими коэффициентами
- 59. Можно выразить коэффициент корреляции через коэффициент регрессии: Если b -1 ≤ r Если b > 0
- 60. r = 0 ==> связь между х и у отсутствует 0 связь практически отсутствует 0,3 слабая
- 61. d – коэффициент детерминации. Коэффициент детерминации показывает на сколько процентов изменение у обусловлено изменением х.
- 62. Оставшаяся доля приходится на влияние прочих факторов, не учтенных в модели.
- 63. Для интерпретации полученных результатов можно также использовать коэффициент эластичности, который показывает насколько процентов в среднем изменится
- 65. В силу того, что коэффициент эластичности для линейной функции не является величиной постоянной, а зависит от
- 67. В нашем примере коэффициент эластичности равен 1,03 %. Это означает, что с ростом выпуска продукции на
- 68. Коэффициент корреляции также как и коэффициент регрессии должен быть подвергнут оценке статистической значимости. Для этого, сначала
- 69. Любая сумма квадратов отклонений связана с числом степеней свободы df, то есть с числом свободы независимого
- 70. F-статистика: Проверка: 1. 2. 3. F-статистика 4. 5.
- 71. 1. 2. 3. 4. – стандартная ошибка. –(*)
- 73. Скачать презентацию