Модель парной регрессии

Содержание

Слайд 2

Простейшая регрессионная модель:
y=α+βx+u
у - зависимая переменная, объясняемая, регрессант
х – независимая переменная,

Простейшая регрессионная модель: y=α+βx+u у - зависимая переменная, объясняемая, регрессант х –

объясняющая, регрессор
α и β — параметры модели
U – случайная составляющая

Слайд 3

Р1

Р2

Р3

Р4

*

*

*

*

Х1

Х2

Х3

Х4

Q1

Q2

Q3

Q4

х

х

х

х

(α+βx1)

U1

Y

Р1 Р2 Р3 Р4 * * * * Х1 Х2 Х3 Х4

Слайд 4

Величина у - зависимая переменная, состоит из двух частей:
Неслучайной составляющей – (α+βx),

Величина у - зависимая переменная, состоит из двух частей: Неслучайной составляющей –

2) Случайной составляющей - u.

Слайд 5

Точки Р1, Р2, Р3 и Р4 – это фактические или наблюденные значения.
Точки

Точки Р1, Р2, Р3 и Р4 – это фактические или наблюденные значения.
Q1, Q2, Q3 и Q4 – это теоретические значения, т.е. в отсутствии случайной компоненты.

Слайд 6

Задача регрессионного анализа состоит в нахождении оценок α и β и в

Задача регрессионного анализа состоит в нахождении оценок α и β и в
определении положения регрессионной прямой по известным или наблюденным значениям X и Y при неизвестных значениях U

Слайд 7

Метод наименьших квадратов

МНК является наиболее популярным методом нахождения оценок неизвестных параметров.

Метод наименьших квадратов МНК является наиболее популярным методом нахождения оценок неизвестных параметров.
Критерий выбора наилучших параметров: минимизация суммы квадратов остатков.

Слайд 8

Остаток или отклонение (е) – разница между наблюдаемым значением переменной Y и

Остаток или отклонение (е) – разница между наблюдаемым значением переменной Y и
ее теоретическим значением в каждом наблюдении, т.е. при каждом значении X.

Слайд 10

Критерий оптимизации:

Предположим, что между Y и X существует прямая связь, т.е.

Критерий оптимизации: Предположим, что между Y и X существует прямая связь, т.е.

Слайд 11

Тогда можно записать:

Тогда можно записать:

Слайд 12

Функция принимает свое минимальное значение в точке, где все ее частные производные

Функция принимает свое минимальное значение в точке, где все ее частные производные равны нулю
равны нулю

Слайд 13

Данная система называется
системой нормальных уравненний,
решая эту систему относительно a и

Данная система называется системой нормальных уравненний, решая эту систему относительно a и
b,
мы получаем рабочие формулы
для нахождения оценок
неизвестных параметров α и β исходного
уравнения.

Слайд 14

Формулы для нахождения оценок a и b:

Формулы для нахождения оценок a и b:

Слайд 15

Причины существования случайной компоненты

Причины существования случайной компоненты

Слайд 16

1. Не включение объясняющих переменных

Соотношение между у и х - очень

1. Не включение объясняющих переменных Соотношение между у и х - очень
большое упрощение. Существуют и другие факторы, влияющие на у, которые не учтены в модели. Влияние этих факторов приводит к тому, что наблюдаемые точки лежат вне прямой.

Слайд 17

Невозможность измерения.
Слабое влияние фактора.
Отсутствия опыта или знаний.

Невозможность измерения. Слабое влияние фактора. Отсутствия опыта или знаний.

Слайд 18

Во многих случаях зависимость — это попытка объединить вместе некоторое число микроэкономических

Во многих случаях зависимость — это попытка объединить вместе некоторое число микроэкономических
соотношений. Отдельные соотношения имеют разные параметры, любая попытка определить соотношение между ними является лишь аппроксимацией.

2. Агрегирование переменных

Слайд 19

Если зависимость относится к данным о временном ряде, то значение Y может

Если зависимость относится к данным о временном ряде, то значение Y может
зависеть не от фактического значения Х, а от значения, которое ожидалось в предыдущем периоде.

3. Неправильное описание структуры модели

Слайд 20

Если ожидаемое и фактическое значения тесно связаны, то будет казаться, что между

Если ожидаемое и фактическое значения тесно связаны, то будет казаться, что между
Y и X существует зависимость, но это будет лишь аппроксимация.

Слайд 21

Функциональное соотношение между Y и X математически может быть определено неправильно. Истинная

Функциональное соотношение между Y и X математически может быть определено неправильно. Истинная
зависимость может не являться линейной, а быть более сложной.

4. Неправильная функциональная спецификация

Слайд 22

Если в измерении одной или более взаимосвязанных переменных имеются ошибки, то наблюдаемые

Если в измерении одной или более взаимосвязанных переменных имеются ошибки, то наблюдаемые
значения не будут соответствовать точному соотношению.

5. Ошибки измерения

Слайд 23

Случайная компонента является суммарным проявлением всех факторов. Если бы случайной компоненты не

Случайная компонента является суммарным проявлением всех факторов. Если бы случайной компоненты не
существовало, то мы бы знали, что любое изменение Y вызвано только изменением X и смогли бы точно вычислить β.

Слайд 24

Однако в действительности каждое изменение Y отчасти вызвано изменением U. Поэтому мы

Однако в действительности каждое изменение Y отчасти вызвано изменением U. Поэтому мы
не можем вычислить истинные значения параметров (α и β), а можем определить лишь их оценки, т.е. приближенные значения (a и b).

Слайд 25

Свойства коэффициентов регрессии и условия нормальной линейной регрессии (Гаусса-Маркова)

Свойства коэффициентов регрессии и условия нормальной линейной регрессии (Гаусса-Маркова)

Слайд 26

Фактическое значение Y состоит из двух элементов: из неслучайной части и случайной

Фактическое значение Y состоит из двух элементов: из неслучайной части и случайной
компоненты, поэтому вычисленные оценки а и b также состоят из двух элементов. Неслучайной частью для а является α, для b – β.
Следовательно, свойства коэффициентов регрессии существенным образом зависят от свойств случайной компоненты.

Слайд 27

Для того чтобы регрессионный анализ, основанный на обычном МНК, давал наилучшие результаты,

Для того чтобы регрессионный анализ, основанный на обычном МНК, давал наилучшие результаты,
случайный член должен удовлетворять четырем условиям, известным как условия Гаусса—Mapкова.

Слайд 28

1-е условие Гаусса—Маркова

Математическое ожидание случайной компоненты в любом наблюдении должно быть равно

1-е условие Гаусса—Маркова Математическое ожидание случайной компоненты в любом наблюдении должно быть
нулю. Иногда величина случайной компоненты будет положительной, иногда отрицательной, но она не должена иметь систематического смещения ни в одном из двух возможных направлений.

Слайд 29

Фактически если уравнение регрессии включает константу, то можно предположить, что это условие

Фактически если уравнение регрессии включает константу, то можно предположить, что это условие
выполняется автоматически, так как роль константы состоит в определении любой систематической тенденции в поведении Y, которую не учитывают объясняющие переменные, включенные в уравнение регрессии.

Слайд 30

2-е условие Гаусса—Маркова

Дисперсия случайной компоненты должна быть постоянна для всех наблюдениях.

2-е условие Гаусса—Маркова Дисперсия случайной компоненты должна быть постоянна для всех наблюдениях.
Иногда случайная компонента будет больше, иногда меньше, однако не должно быть априорной причины для того, чтобы она порождала большую ошибку в одних наблюдениях, чем в других.

Слайд 31

Если это условие выполняется, то говорят, что дисперсия ошибки гомоскедастична,

если нет,

Если это условие выполняется, то говорят, что дисперсия ошибки гомоскедастична, если нет, то - гетероскедастична.
то - гетероскедастична.

Слайд 32

3-е условие Гаусса—Маркова

Даное условие предполагает отсутствие систематической связи между значениями случайной

3-е условие Гаусса—Маркова Даное условие предполагает отсутствие систематической связи между значениями случайной
компоненты в любых двух наблюдениях. Например, если случайная компонента велика и положительна в одном наблюдении, это не должно обусловливать систематическую тенденцию к тому, что она будет большой и положительной в следующем наблюдении

Слайд 33

Или большой и отрицательной, или малой и положительной, или малой и отрицательной.

Или большой и отрицательной, или малой и положительной, или малой и отрицательной.

Случайные компоненты должна быть абсолютно независимы друг от друга.

Слайд 34

Выполнение данного условия гарантирует
отсутствие автокорреляции.

В противном случае, говорят, что
случайная компонета

Выполнение данного условия гарантирует отсутствие автокорреляции. В противном случае, говорят, что случайная компонета автокоррелирована.
автокоррелирована.

Слайд 35

4-е условие Гаусса—Маркова:

Случайная компонента должна быть распределена независимо от объясняющих переменных.

4-е условие Гаусса—Маркова: Случайная компонента должна быть распределена независимо от объясняющих переменных.

Слайд 36

Наряду с условиями Гаусса—Маркова обычно также предполагается нормальность распределения случайного члена. Если

Наряду с условиями Гаусса—Маркова обычно также предполагается нормальность распределения случайного члена. Если
случайный член нормально распределен, то так же будут распределены и коэффициенты регрессии. Предположение о нормальности основывается на центральной предельной теореме:

Предположение о нормальности:

Слайд 37

«Если случайная величина является общим результатом взаимодействия большого числа других случайных величин,

«Если случайная величина является общим результатом взаимодействия большого числа других случайных величин,
ни одна из которых не является доминирующей, то она будет иметь приблизительно нормальное распределение, даже если отдельные составляющие не имеют нормального распределения».

Слайд 38

Интерпретация линейного уравнения регрессии

ŷ=а+bx
Оценки a и b имеют математическую и экономическую

Интерпретация линейного уравнения регрессии ŷ=а+bx Оценки a и b имеют математическую и
интерпретацию.
Математическая:
Коэффициент а называется регрессионной постоянной или const. Это значение ŷ, в том случае когда х=0. Геометрически это точка с координатами: (0,а)

Слайд 39

Коэффициент b – коэффициент регрессии – это тангенс угла наклона к оси

Коэффициент b – коэффициент регрессии – это тангенс угла наклона к оси OX.
OX.

Слайд 40

a

γ

tg γ=b

X

0

Y

a γ tg γ=b X 0 Y

Слайд 41

Экономическая:
а – регрессионная постоянная, const
Дает прогнозное значение у, в том случае, когда

Экономическая: а – регрессионная постоянная, const Дает прогнозное значение у, в том
факторный признак равен нулю. Экономически это может иметь или не иметь ясного смысла.

Слайд 42

b – коэффициент регрессии
Показывает на сколько изменится значение у (в единицах измерения

b – коэффициент регрессии Показывает на сколько изменится значение у (в единицах
у), если х возрастет на одну единицу (в единицах измерения x) от своего среднего уровня.

Слайд 43

По группе предприятий, выпускающих один
и тот же вид продукции, рассматривается функция

По группе предприятий, выпускающих один и тот же вид продукции, рассматривается функция
издержек
y=α+βx+u ,
где x – объем выпуска продукции (тыс.шт.),
Y – затраты на производство (млн.руб.)

Слайд 45

Оценив параметры модели методом наименьших
квадратов, получим следующее уравнение:

Оценив параметры модели методом наименьших квадратов, получим следующее уравнение:

Слайд 46

В данном случае величина параметра a
не имеет экономического смысла.

Параметр b показывает,

В данном случае величина параметра a не имеет экономического смысла. Параметр b
что если выпуск продукции
возрастет на одну тысячу штук (от своего среднего уровня), то затраты на производство увеличатся на 36,84 млн.руб.

Слайд 47

ŷ=3,87+0,418*х
х – доход (руб.)
у – сливочное масло (г/сут.)

Суточное потребление сливочного масла

ŷ=3,87+0,418*х х – доход (руб.) у – сливочное масло (г/сут.) Суточное потребление
в обследованных семьях связано с доходом потребителя
прямолинейной регрессией следующим образом:

Слайд 51

a > 0
b < 0

a > 0 b

Слайд 53

a < 0
b < 0

a b

Слайд 54

a > 0
b = 0

a > 0 b = 0

Слайд 55

Определение тесноты связи между факторами

В качестве меры тесноты связи используется линейный

Определение тесноты связи между факторами В качестве меры тесноты связи используется линейный коэффициент корреляции:
коэффициент корреляции:

Слайд 57

Линейный коэффициент корреляции может принимать любые значения в пределах от минус 1

Линейный коэффициент корреляции может принимать любые значения в пределах от минус 1
до плюс 1. Чем ближе коэффициент корреляции по абсолютной величине к 1, тем теснее связь между признаками.
Знак при линейном коэффициенте корреляции указывает на направление связи - прямой зависимости соответствует знак плюс, а обратной зависимости - знак минус.

Слайд 58

Если сравнить формулы для расчета коэффициентов регрессии и корреляции, то можно увидеть,

Если сравнить формулы для расчета коэффициентов регрессии и корреляции, то можно увидеть,
что между этими коэффициентами существует связь

Слайд 59

Можно выразить коэффициент корреляции через
коэффициент регрессии:

Если b < 0 =>

Можно выразить коэффициент корреляции через коэффициент регрессии: Если b -1 ≤ r
-1 ≤ r < 0
Если b > 0 => 0 < r ≤ 1

Слайд 60

r = 0 ==> связь между х и у отсутствует
0 <│r│≤ 0,3

r = 0 ==> связь между х и у отсутствует 0 связь
=> связь практически отсутствует
0,3 <│r│≤ 0,5 => слабая связь между х и у.
0,5 <│r│≤ 0,7 => средняя (умеренная связь).
0,7 <│r│< 1 => сильная связь.
│r│ =1 => функциональная связь.

Слайд 61

d – коэффициент детерминации.

Коэффициент детерминации показывает на сколько процентов изменение у обусловлено

d – коэффициент детерминации. Коэффициент детерминации показывает на сколько процентов изменение у обусловлено изменением х.
изменением х.

Слайд 62

Оставшаяся доля приходится на влияние прочих факторов, не учтенных в модели.

Оставшаяся доля приходится на влияние прочих факторов, не учтенных в модели.

Слайд 63

Для интерпретации полученных результатов можно также использовать коэффициент эластичности, который показывает насколько

Для интерпретации полученных результатов можно также использовать коэффициент эластичности, который показывает насколько
процентов в среднем изменится значение результативного признака, если факторный признак увеличится на один процент.

Слайд 65

В силу того, что коэффициент эластичности для линейной функции не является величиной

В силу того, что коэффициент эластичности для линейной функции не является величиной
постоянной, а зависит от соответствующего значения x, то обычно рассчитывается средний
показатель эластичности по формуле:

Слайд 67

В нашем примере коэффициент эластичности равен 1,03 %.
Это означает, что с

В нашем примере коэффициент эластичности равен 1,03 %. Это означает, что с
ростом выпуска продукции на 1 % затраты на производство в среднем увеличатся на 1,03 %.

Слайд 68

Коэффициент корреляции также как и коэффициент регрессии должен быть подвергнут оценке статистической

Коэффициент корреляции также как и коэффициент регрессии должен быть подвергнут оценке статистической
значимости. Для этого, сначала рассмотрим разложение общей дисперсии на объяснимую (факторную) и необъяснимую (остаточную).
коэффициент корреляции статистически значим, если:

Слайд 69

Любая сумма квадратов отклонений связана с числом степеней свободы df, то есть

Любая сумма квадратов отклонений связана с числом степеней свободы df, то есть
с числом свободы независимого варьирования признака, который определяется размером выборки и числом определяемых по ней констант.

Степени свободы:
Дисперсия на 1 степень свободы:

Слайд 70

F-статистика:

Проверка:
1.
2.
3. F-статистика
4.
5.

F-статистика: Проверка: 1. 2. 3. F-статистика 4. 5.

Слайд 71


1.
2.
3.
4.
– стандартная ошибка.

–(*)

1. 2. 3. 4. – стандартная ошибка. –(*)
Имя файла: Модель-парной-регрессии.pptx
Количество просмотров: 220
Количество скачиваний: 1