Точность коэффициентов регрессии

Содержание

Слайд 2

В этом же следствии мы увидим, что можем также получить оценки стандартного

В этом же следствии мы увидим, что можем также получить оценки стандартного
отклонения распределения. Это даст некоторое представление об их вероятной надежности и послужит основой для проверки гипотез.

2

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Функция плотности распределения вероятности b2

β2

b2

Стандартное отклонение плотности распределения b2

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 3

Выражения (которые не решены) для дисперсий их распределений показаны выше. См. Вставку

Выражения (которые не решены) для дисперсий их распределений показаны выше. См. Вставку
2.3 в тексте для доказательства выражения дисперсии b2.

3

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 4

Мы сосредоточимся на значении выражения для дисперсии b2. Рассматривая числитель, мы видим,

Мы сосредоточимся на значении выражения для дисперсии b2. Рассматривая числитель, мы видим,
что дисперсия b2 пропорциональна σu2. Этого и следовало ожидать. Чем больше разброс в модели, тем менее точными будут наши оценки.

4

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 5

Это показано на диаграммах, представленных выше. Случайная составляющая зависимости, Y = 3.0

Это показано на диаграммах, представленных выше. Случайная составляющая зависимости, Y = 3.0
+ 0.8Xпредставленная пунктирной линейна обеих диаграммах одинакова.

5

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Y = 2.0 + 0.5X

Линия регрессии

Линия регрессии

Случайная зависимость

Случайная зависимость

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 6

Значения Х одинаковы, и одинаковые случайные числа использовались для генерирования значений остаточного

Значения Х одинаковы, и одинаковые случайные числа использовались для генерирования значений остаточного
члена в 20 наблюдениях.

6

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Линия регрессии

Линия регрессии

Случайная зависимость

Случайная зависимость

Y = 2.0 + 0.5X

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 7

Однако, на правой диаграмме случайные числа умножались в 5 раз. Как следствие,

Однако, на правой диаграмме случайные числа умножались в 5 раз. Как следствие,
линия регрессии, сплошная линия, намного меньше приближена к линии случайной зависимости.

7

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Линия регрессии

Линия регрессии

Случайная зависимость

Случайная зависимость

Y = 2.0 + 0.5X

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 8

Посмотрим на знаменатель выражения для дисперсии b2Чем больше сумма квадратов отклонений X,

Посмотрим на знаменатель выражения для дисперсии b2Чем больше сумма квадратов отклонений X,
тем меньше дисперсия b2.

8

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 9

Однако, значение суммы квадратов отклонений зависит от двух факторов: количества наблюдений и

Однако, значение суммы квадратов отклонений зависит от двух факторов: количества наблюдений и
размера отклонений Xi от его выборочного среднего. Для того, чтобы различать их, будет удобно определить среднее квадратическое отклонение X, MSD(X).

9

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 10

Из приведенного выражения видно, что дисперсия b2 обратно пропорциональна n, числу наблюдений

Из приведенного выражения видно, что дисперсия b2 обратно пропорциональна n, числу наблюдений
в выборке, которые управляют MSD(X). Чем больше информации мы имеем, тем точнее будут оценки.

10

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 11

11

Третьим следствием выражения является то, что дисперсия обратно пропорциональна среднему квадратическому отклонению

11 Третьим следствием выражения является то, что дисперсия обратно пропорциональна среднему квадратическому
Х. В чем причина этого?

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 12

На вышеприведенных диаграммах линия случайной зависимости одинакова и для 20 значений наблюдений

На вышеприведенных диаграммах линия случайной зависимости одинакова и для 20 значений наблюдений
в распределении использовались одинаковые случайные числа.

12

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Линия регрессии

Линия регрессии

Случайная зависимость

Случайная зависимость

Y = 2.0 + 0.5X

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 13

Однако, MSD (X) намного меньше на правой диаграмме, так как значения Х

Однако, MSD (X) намного меньше на правой диаграмме, так как значения Х
намного ближе друг к другу.

13

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Линия регрессии

Линия регрессии

Случайная зависимость

Случайная зависимость

Y = 2.0 + 0.5X

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 14

Следовательно, на этой диаграмме положение линии регрессии более чувствительно к значениям наблюдений

Следовательно, на этой диаграмме положение линии регрессии более чувствительно к значениям наблюдений
распределения, и, как следствие, линия регрессии, вероятно, будет относительно неточной.

14

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Линия регрессии

Линия Регрессии

Случайная зависимость

Случайная зависимость

Y = 2.0 + 0.5X

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 15

На рисунке показаны распределения оценок b2 для X = 1, 2, ...,

На рисунке показаны распределения оценок b2 для X = 1, 2, ...,
20 и X = 9.1, 9.2, ..., 11 при моделировании с 10 миллионами наблюдений.

15

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

10 миллионов наблюдений

Y = 2.0 + 0.5X

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 16

Это подтверждает, что распределение оценок, полученных с высокой дисперсией Х, имеет гораздо

Это подтверждает, что распределение оценок, полученных с высокой дисперсией Х, имеет гораздо
меньшее отклонение, чем распределение с низкой дисперсией Х.

16

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Y = 2.0 + 0.5X

Простая регрессионная модель: Y = β1 + β2X + u

10 миллионов наблюдений

Слайд 17

Конечно, как видно из выражений дисперсии, отношение MSD (X) к дисперсии u

Конечно, как видно из выражений дисперсии, отношение MSD (X) к дисперсии u
важнее, чем ее абсолютное значение.

17

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 18

18

Мы не можем рассчитать теоретические дисперсии именно потому, что не знаем дисперсии

18 Мы не можем рассчитать теоретические дисперсии именно потому, что не знаем
остаточного члена. Однако, мы можем получить оценку σu2 из остатков.

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 19

19

Очевидно, что разброс остатков относительно линии регрессии будет отражать неизвестный разброс u

19 Очевидно, что разброс остатков относительно линии регрессии будет отражать неизвестный разброс
относительно линии Yi = β1 + b2Xi хотя в общем остаток и случайный член ни в одном из наблюдений не равны друг другу.

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 20

20

Одной из мер разброса остатков является их средняя квадратическая ошибка, MSD(e), которая

20 Одной из мер разброса остатков является их средняя квадратическая ошибка, MSD(e),
определяется формулой, указанной на слайде. (Помните, что среднее значение остатков OLS равно нулю). Интуитивно это должно приводить к дисперсии u.

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 21

21

Прежде чем пойти дальше, задайте себе следующий вопрос: какая прямая вероятнее будет

21 Прежде чем пойти дальше, задайте себе следующий вопрос: какая прямая вероятнее
ближе к точкам, представляющим собой выборку наблюдений по X и Y, истинная прямая Y = β1 + β2X или линия регрессии Y = b1 + b2X?

^

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 22

22

Ответ – линия регрессии, так как по определению она строится таким образом,

22 Ответ – линия регрессии, так как по определению она строится таким
чтобы свести к минимуму сумму квадратов расстояний между ней и значениями наблюдениями.

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 23

23

Следовательно, разброс остатков у нее меньше, чем разброс значений u, а MSD(e)

23 Следовательно, разброс остатков у нее меньше, чем разброс значений u, а
имеет тенденцию занижать оценку σu2.

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 24

24

Действительно, можно показать, что математическое ожидание MSD(e), если имеется всего одна независимая

24 Действительно, можно показать, что математическое ожидание MSD(e), если имеется всего одна
переменная, находится выражением приведенным выше.

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 25

25

Однако отсюда следует, что мы можем получить несмещенную оценку σu2, умножив MSD(e)

25 Однако отсюда следует, что мы можем получить несмещенную оценку σu2, умножив
на n / (n – 2). Обозначим это su2.

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 26

26

Затем мы можем получить оценки стандартных отклонений распределений b1 и b2, подставив

26 Затем мы можем получить оценки стандартных отклонений распределений b1 и b2,
su2 для σu2 в выражениях дисперсии и взяв квадратные корни.

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 27

27

Они описываются как стандартные ошибки b1 и b2, «оценки среднеквадратических отклонений» являются

27 Они описываются как стандартные ошибки b1 и b2, «оценки среднеквадратических отклонений»
более полными.

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Слайд 28

28

Стандартные ошибки коэффициентов всегда появляются как часть результата регрессии. Здесь представлена регрессия

28 Стандартные ошибки коэффициентов всегда появляются как часть результата регрессии. Здесь представлена
почасовых заработков в годы обучения, которые обсуждались на предыдущих слайдах. Стандартные ошибки появляются в столбце справа от коэффициентов.

. reg EARNINGS S
Source | SS df MS Number of obs = 540
-------------+------------------------------ F( 1, 538) = 112.15
Model | 19321.5589 1 19321.5589 Prob > F = 0.0000
Residual | 92688.6722 538 172.283777 R-squared = 0.1725
-------------+------------------------------ Adj R-squared = 0.1710
Total | 112010.231 539 207.811189 Root MSE = 13.126
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
S | 2.455321 .2318512 10.59 0.000 1.999876 2.910765
_cons | -13.93347 3.219851 -4.33 0.000 -20.25849 -7.608444
------------------------------------------------------------------------------

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Слайд 29

Теорема Гаусса-Маркова утверждает : при условии, что допущения модели регрессии действительны, оценки

Теорема Гаусса-Маркова утверждает : при условии, что допущения модели регрессии действительны, оценки
OLS являются BLUE: лучшая (наиболее эффективная) линейная (функция значений Y) несмещенных оценок параметров.

29

Плотность вероятности функцииb2

OLS

Другая несмещенная оценка

β2

b2

ТОЧНОСТЬ КОЭФФИЦИЕНТОВ РЕГРЕССИИ

Простая регрессионная модель: Y = β1 + β2X + u

Имя файла: Точность-коэффициентов-регрессии.pptx
Количество просмотров: 44
Количество скачиваний: 0