1. Определение эконометрики. Термин эконометрика
Скачать 3.6 Mb.
|
22. Проверка значимости отдельных коэффициентов регрессии. значимость отдельных коэффициентов регрессии проверяется по t-статистике путем проверки гипотезы о равенстве нулю j-го параметра уравнения (кроме свободного члена): , где Saj— это стандартное (среднеквадратическое) отклонение коэффициента уравнения регрессии aj.Величина Saj представляет собой квадратный корень из произведения несмещенной оценки дисперсии и j -го диагонального элемента матрицы, обратной матрице системы нормальных уравнений. где - диагональный элемент матрицы . Если расчетное значение t-критерия с (n - k - 1) степенями свободы превосходит его табличное значение при заданном уровне значимости, коэффициент регрессии считается значимым. В противном случае фактор, соответствующий этому коэффициенту, следует исключить из модели (при этом ее качество не ухудшится). 23. Прогнозирование на основе уравнения регрессии. Одна из задач эконометрического моделирования заключается в прогнозировании поведения исследуемого явления или процесса в будущем. В большинстве случаев данная задача решается на основе регрессионных моделей, с помощью которых можно спрогнозировать поведение результативной переменной в зависимости от поведения факторных переменных. Прогнозируемое значение переменной у получается при подстановке в уравнение регрессии ожидаемой величины фактора х. данный прогноз называется точечным. Значение независимой переменной хпрогн не должно значительно отличаться от входящих в исследуемую выборку, по которой вычислено уравнение регрессии. ym–t*ω(m)≤ ym≤ ym+t*ω(m), 24. Вычисление доверительного интервала прогноза. Точечный прогноз результативной переменной у на основе линейной модели парной регрессии при заданном значении факторной переменной хm будет осуществляться по формуле: ym=β0+β1xm+εm. Точечный прогноз результативной переменной ym с доверительной вероятностью γ или (1–а) попадает в интервал прогноза, определяемый как: ym–t*ω(m)≤ ym≤ ym+t*ω(m), t – t-критерий Стьюдента, который определяется в зависимости от заданного уровня значимости a и числа степеней свободы (n-2) для линейной модели парной регрессии; ω(m) – величина ошибки прогноза в точке m. Для линейной модели парной регрессии величина ошибки прогноза определяется по формуле: где S2(ε) – несмещённая оценка дисперсии случайной ошибки линейной модели парной регрессии. 25. Классы нелинейных регрессий. При исследовании социально-экономических явлений и процессов далеко не все зависимости можно описать с помощью линейной связи. Поэтому в эконометрическом моделировании широко используется класс нелинейных моделей регрессии, которые делятся на два класса: 1) модели регрессии, нелинейные относительно включенных в анализ независимых переменных, но линейные по оцениваемым параметрам; 2) модели регрессии, нелинейные по оцениваемым параметрам. К моделям регрессии, нелинейным относительно включённых в анализ независимых переменных (но линейных по оцениваемым параметрам), относятся полиномы выше второго порядка и гиперболическая функция. Нелинейными по оцениваемым параметрам моделями регрессии называются модели, в которых результативная переменная yi нелинейно зависит от коэффициентов модели β0…βn. ДОБАВИТЬ ВИДЫ С ФОРМУЛОЙ 26. Нелинейность по объясняющим переменным. К моделям регрессии, нелинейным относительно включённых в анализ независимых переменных (но линейных по оцениваемым параметрам), относятся полиномы выше второго порядка и гиперболическая функция. Модели регрессии, нелинейным относительно включённых в анализ независимых переменных, характеризуются тем, что зависимая переменная yi линейно связана с параметрами β0…βn модели. Полиномы или полиномиальные функции применяются при анализе процессов с монотонным развитием и отсутствием пределов роста. Полиномиальные функции характеризуются отсутствием явной зависимости приростов факторных переменных от значений результативной переменной yi. Общий вид полинома n-го порядка (n-ой степени): Чаще всего в эконометрическом моделировании применяется полином второго порядка (параболическая функция), характеризующий равноускоренное развитие процесса (равноускоренный рост или снижение уровней).: Гиперболическая функция характеризует нелинейную зависимость между результативной переменной yi и факторной переменной xi, однако, данная функция является линейной по оцениваемым параметрам β0 и β1. Гиперболоид или гиперболическая функция имеет вид: Данная гиперболическая функция является равносторонней. Неизвестные параметры β0…βn модели регрессии, нелинейной по факторным переменным, можно найти только после того, как модели будет приведена к линейному виду. Для того чтобы оценить неизвестные параметры β0…βn нелинейной регрессионной модели необходимо привести её к линейному виду. Суть процесс линеаризации нелинейных по факторным переменным моделей регрессии заключается в замене нелинейных факторных переменных на линейные переменные. ДОБАВИТЬ ВИДЫ С ФОРМУЛОЙ 27. Нелинейность по параметрам уравнения регрессии. Нелинейными по оцениваемым параметрам моделями регрессии называются модели, в которых результативная переменная yi нелинейно зависит от коэффициентов модели β0…βn. К моделям регрессии, нелинейными по оцениваемым параметрам, относятся: 1) степенная функция: 2) показательная или экспоненциальная функция: 3) логарифмическая парабола: 4) экспоненциальная функция: 5) обратная функция: 6) кривая Гомперца: 7) логистическая функция или кривая Перла-Рида: Модели регрессии, нелинейные по оцениваемым коэффициентам, делятся на два класса: 1) модели регрессии, которые можно с помощью преобразований привести к линейному виду; 2) модели регрессии, которые невозможно привести к линейному виду 28. Метод наименьших квадратов для парной нелинейной регрессии. Рассмотрим наиболее простые случаи нелинейной регрессии: гиперболу и экспоненту. При нахождении коэффициентов гиперболы и экспоненты используют прием приведения нелинейной регрессионной зависимости к линейному виду. |