Эконометрика, лекции. 1 Составитель Е. А. Парышева Введение

• Название: 1 Составитель Е. А. Парышева Введение
• Анкор: Эконометрика, лекции.pdf
• Дата: 18.07.2018
• Размер: 1.28 Mb.
• Имя файла: Эконометрика, лекции.pdf
• Тип: Документы; #21642
• страница: 9 из 13

72
,
1
;
996
,
0
)
8
,
58
(
)
6
,
5
(
003
,
1 8
,
208 С Оценим прогнозные качества модели, рассчитав среднюю относительную ошибку прогноза. Поскольку для постпрогнозного периода число степеней свободы равно числу точек
4


, стандартная ошибка прогноза за 1987-1990гг рассчитывается как
2
,
25 4
2



i e
S
. Относительная ошибка прогноза
0096
,
0 3
,
2615 С или 0,96%. Если относительную ошибку прогноза оценить по расчётному периоду 1971-1986гг, то она окажется равной
009
,
0 5
,
1947 5
,
17



С
S
V
или 0,90%, где
5
,
17 2
16 2




i То. оценка прогнозных качеств уравнения регрессии даёт хороший результат (менее 1% ошибки) как на расчётном, таки на контрольном (постпрогнозном) периоде. Для построения прогноза объёма потребления Сна период после г нужно оценить уравнение за 1971-1990 г. И подставить в него прогнозируемые значения величины располагаемого дохода Y.
Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only.

54 7.2. Интервалы прогноза по линейному уравнению регрессии Прогнозирование по уравнению регрессии представляет собой подстановку в уравнение регрессии соответственного значениях. Такой прогноз yˆ
называется точечным. Он не является точным, поэтому дополняется расчетом стандартной ошибки yˆ
. Стандартная ошибка предсказываемого среднего значения зависимой переменной при заданном значении к x 
:


















2 2
2 х х
х х х
х к к
y
Где
2 2



n e
S
i
- стандартная ошибка регрессии,
2
S
- остаточная дисперсия. Величина y
S
ˆ
достигает минимума при х к и возрастает по мере удаления к
х от х в любом направлении. Получаем интервальную оценку прогнозного значения

y
: табл табл y
t
S
y Пример 2: Уравнение зависимости затратна производство от объёма выпускаемой продукции по 7 предприятиям имеет вид х
у




84
,
36 х х х
7

n
,
53 7
265 При к х точечный прогноз затратна производство
57
,
141 4
84
,
36 у 857
,
10
)
143
,
3 4
(
7 1
53 Для прогнозируемого значения у 95%-ные доверительные интервалы при заданном к
х определены выражением y
y
S
t у у, те.
34
,
3 57
,
2 57
,
141 34
,
3 57
,
2 То. прогноз линии регрессии лежит в интервале
15
,
150
ˆ
99
,
132

 у
Мы рассмотрели доверительные интервалы для среднего значения у при заданном х
Однако фактические значения у варьируются около среднего значения у они могут отклоняться на величину случайной ошибки ε, дисперсия которой оценивается как остаточная дисперсия на одну степень свободы
2
S
Поэтому ошибка прогноза отдельного значения у
должна включать не только стандартную ошибку y
S
ˆ
, но и случайную ошибку S. Таким образом, средняя ошибка прогноза индивидуального значения у составит k
x y x
Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only.

55






2 2
)
(
)
(
1 х х
х к к Для примера
01
,
8 857
,
10
)
143
,
3 4
(
7 1
1 53 к x
i Доверительный интервал прогноза индивидуальных значений y при к x
с вероятностью составит
,
01
,
8 57
,
2 57
,
141


или
16
,
162 р у
Получился достаточно большой интервал, т.к. мало наблюдений. Пусть в примере с функцией издержек выдвигается предположение, что в предстоящем году в связи со стабилизацией экономики затраты на производство 8 тыс. ед. продукции не превысят млн. руб. Означает ли это изменение найденной закономерности или затраты соответствуют регрессионной модели Точечный прогноз
93
,
288 8
84
,
36 79
,
5
ˆ
8






x Предполагаемое значение – 250. Средняя ошибка прогнозного индивидуального значениях х
х х
n
S
к i
x Сравним ее с предполагаемым снижением издержек производства, те. 250–288,93= –
38,93:
93
,
2 26
,
13 Поскольку оценивается только значимость уменьшения затрат, то используется односторонний- критерий Стьюдента. При ошибке в 5 % с
5 2 

n
015
,
2

таб t
, поэтому предполагаемое уменьшение затрат значимо отличается от прогнозируемого значения при 95 % – ном уровне доверия. Однако, если увеличить вероятность допри ошибке 1 % фактическое значение критерия оказывается ниже табличного 3,365, и различие в затратах статистически не значимо, те. затраты соответствуют предложенной регрессионной модели. Тема 8. Нелинейные модели регрессии. Простейшие методы линеаризации Если между экономическими явлениями существуют нелинейные соотношения, то они выражаются с помощью соответствующих нелинейных функций. Различают два класса нелинейных регрессий
1. Регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам. Например,
– полиномы различных степеней –







m m
x a
x a
x a
a y
2 2
1 0
,





2
cx bx a
y
,






3 2
dx cx bx a
y
;
– равносторонняя гипербола –




x b
a y
;
– полулогарифмическая функция –





x b
a y
ln
2. Регрессии, нелинейные по оцениваемым параметрам. Например,
– степенная –




b x
a y
;
– показательная –




x b
a y
;
– экспоненциальная –



bx a
e y
Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only.

56 1. Регрессии нелинейные по включенным переменным сводятся к линейному виду с помощью методов линеаризации простой заменой переменных, а дальнейшая оценка параметров производится с помощью метода наименьших квадратов. Рассмотрим некоторые функции. Полином второй степени





2
cx bx a
y приводится к линейному виду с помощью замены
2 1
2
,
x x
x В результате приходим к двухфакторному уравнению





2 1
cx bx a
y
, оценка параметров которого при помощи МНК, приводит к системе следующих нормальных уравнений
1 2
2 1
1 1
2 1
2 2
1 2
2 2
;
;
a n b
x c
x y
a x
b x
c x x x y a
x b
x x c
x А после обратной замены переменных получим
2 2
3 2
3 4
2
;
;
a n b
x c
x y
a x
b x
c x
x y a
x b
x c
x Полином второй степени обычно применяется в случаях, когда для определенного интервала значений фактора меняется характер связи рассматриваемых признаков прямая связь меняется на обратную или обратная напрямую. Аналогично, для полинома третьего порядка получим трёхфакторную модель. Для полинома степени m, получим множественную регрессию с m объясняющими переменными т m
x a
x a
x a
a y
2 2
1 Среди нелинейной полиномиальной модели чаще всего используется полином второй степени, реже – третьей. Для равносторонней гиперболы




x b
a y
замена
1
z x

приводит к уравнению парной линейной регрессии





z b
a yˆ
, для оценки параметров которого используется МНК. Система линейных уравнений при применении МНК будет выглядеть следующим образом
2 1
;
1 1
1
a n b
y x
a b
y x
x Такая модель может быть использована для характеристики связи удельных расходов сырья, материалов, топлива от объема выпускаемой продукции, времени обращения товаров от величины товарооборота, процента прироста заработной платы от уровня безработицы (например, кривая А.В. Филлипса), расходов на непродовольственные товары от доходов или общей суммы расходов (например, кривые Э. Энгеля) ив других случаях. Аналогичным образом приводятся к линейному виду зависимости





x b
a y
ln
,




x b
a у
и другие.
2. Регрессии, нелинейными по оцениваемым параметрам, делятся на два типа нелинейные модели внутренне линейные (приводятся к линейному виду с помощью соответствующих преобразований, например, логарифмированием) и нелинейные модели внутренне нелинейные (к линейному виду не приводятся.
Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only.

57 К внутренне линейным моделям относятся, например, степенная функция –




b x
a y
, показательная –




x b
a y
, экспоненциальная –



bx a
e y
, логистическая –

1
e x
c x a
y b
 

 
, обратная –




bx Среди нелинейных моделей наиболее часто используется степенная функция b
y a x

 

, которая приводится к линейному виду логарифмированием


ln ln b
y a x




; ln ln ln ln y
a b x


 

;
Y
A b X

 
 
, где ln ,
ln ,
ln ,
ln
Y
y X
x A
a




 
. Те. МНК мы применяем для преобразованных данных
2
,
,
A n b
X
Y
A
X
b
X
X а затем потенцированием находим искомое уравнение. Широкое использование степенной функции связано стем, что параметр b
в ней имеет четкое экономическое истолкование – он является коэффициентом эластичности. (Коэффициент эластичности показывает, насколько процентов измениться в среднем результат, если фактор изменится на 1%.) Формула для расчета коэффициента эластичности имеет вид Э Так как для остальных функций коэффициент эластичности не является постоянной величиной, а зависит от соответствующего значения фактора x
, то обычно рассчитывается средний коэффициент эластичности Э Наконец, следует отметить зависимость логистического типа




 x be a
y
1
. Графиком функции является так называемая кривая насыщения, которая имеет две горизонтальные асимптоты ау у и точку перегиба


 
a y
a b
x
2
/
1
,
/
ln


, а также точку пересечения с осью ординату Уравнение приводится к линейному виду заменами переменных x
e z
y К внутренне нелинейным моделям можно, например, отнести следующие модели




b x
a y
,




c bx a
y
,











b x
a y
1 В случае, когда функция не поддаётся непосредственной линейной линеаризации, можно разложить её в функциональный ряди затем оценить регрессию с членами этого ряда. x
1/a
1/(a+b)
Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only.

58 При линеаризации функции или разложении её вряд возникают и другие проблемы искажение отклонений е и нарушение их первоначальных свойств, статистическая зависимость членов ряда между собой. Например, если оценивается формула е bx y




2
, полученная путём линеаризации или разложения вряд, то независимые переменные
2
, x связаны между собой функционально. Поэтому во многих случаях актуальна непосредственная оценка нелинейной формулы регрессии. Для этого используется нелинейный МНК, идея которого основана на минимизации суммы квадратов отклонений расчётных значений от эмпирических, те. нужно оценить параметры вектора а функции
)
,
(
x a
f у 
, так чтобы ошибки
)
,
(
i i
i x
a f
y e


по совокупности были минимальны min
))
,
(
(
2




i i
x a
f Для решения этой задачи существуют два пути
1) непосредственная минимизация функции F с помощью методов нелинейной оптимизации, позволяющих находить экстремум выпуклых линий (метод наискорейшего спуска.
2) решение системы нелинейных уравнений, которая получается из необходимого условия экстремума функции – равенство нулю частных производных по каждому из параметров




m j
F
j a
,
1
,
0
система уравнений m
j x
a f
x a
f y
i a
i Эта система может быть решена итерационными методами. Однако в общем случае решение такой системы не является более простым способом нахождения вектора а. Существуют методы оценивания нелинейной регрессии, сочетающие непосредственную оптимизацию, использующую нахождение градиента, с разложением вряд Тейлора для последующей оценки линейной регрессии (метод Марквардта). При построении нелинейной регрессии более остро, чем в линейном случае, стоит проблема правильной оценки формы зависимости между переменными. Неточности при выборе формы функции существенно сказываются на качестве отдельных параметров уравнения и соответственно, на адекватности всей модели в целом. Любое уравнение нелинейной регрессии, как и линейной зависимости, дополняется показателем корреляции, который в данном случае называется индексом корреляции
2 2
1
y ост
R




Здесь
2
y

- общая дисперсия результативного признака y, ост- остаточная дисперсия, определяемая по уравнению нелинейной регрессии
 
x f
y x

ˆ
. Следует обратить внимание на то, что разности в соответствующих суммах




2
y y
и




2
ˆ
x y
y берутся не в преобразованных, а в исходных значениях результативного признака. Иначе говоря, при вычислении этих сумм следует использовать не преобразованные (линеаризованные) зависимости, а именно исходные нелинейные уравнения регрессии. По-другому можно записать так










2 2
ˆ
1
y y
y Величина R находится в границах
1 0

 R
, и чем ближе она к единице, тем теснее связь рассматриваемых признаков, тем более надежно найденное уравнение регрессии. При этом индекс корреляции совпадает с линейным коэффициентом корреляции в случае, когда преобразование переменных с целью линеаризации уравнения регрессии не проводится с величинами результативного признака. Так обстоит дело с полулогарифмической и полиномиальной регрессией, а также с равносторонней гиперболой. Определив линейный коэффициент корреляции для линеаризованных уравнений, например, в пакете Excel с помощью функции ЛИНЕЙН, можно использовать его и для нелинейной зависимости.
Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only.

59 Иначе обстоит дело в случае, когда преобразование проводится также с величиной y, например, взятие обратной величины или логарифмирование. Тогда значение R, вычисленное той же функцией ЛИНЕЙН, будет относиться к линеаризованному уравнению регрессии, а не кис- ходному нелинейному уравнению, и величины разностей под суммами будут относиться к преобразованным величинам, а не к исходным, что не одно и тоже. При этом, как было сказано выше, для расчета R следует воспользоваться выражением, вычисленным по исходному нелинейному уравнению. Поскольку в расчете индекса корреляции используется соотношение факторной и общей
СКО, то R
2
имеет тот же смысл, что и коэффициент детерминации. В специальных исследованиях величину R
2
для нелинейных связей называют индексом детерминации. Оценка существенности индекса корреляции проводится также, как и оценка надежности коэффициента корреляции. Индекс детерминации используется для проверки существенности в целом уравнения нелинейной регрессии по критерию Фишера: m
m n
R
R
F
1 1
2 2





, где число наблюдений, число параметров при переменных х. Во всех рассмотренных нами случаях, кроме полиномиальной регрессии, m=1, для полиномов число параметров равно m, те. степени полинома. Величина m характеризует число степеней свободы для факторной СКО, а
(n-m-1) – число степеней свободы для остаточной СКО. Индекс детерминации R
2
можно сравнивать с коэффициентом детерминации r
2
для обоснования возможности применения линейной функции. Чем больше кривизна линии регрессии, тем больше разница между R
2
и r
2
. Близость этих показателей означает, что усложнять форму уравнения регрессии не следует и можно использовать линейную функцию. Практически, если величина (R
2
-r
2
) не превышает 0,1, то линейная зависимость считается оправданной. В противном случае проводится оценка существенности различия показателей детерминации, вычисленных по одними тем же данным, через критерий Стьюдента:
|
|
2 Здесь в знаменателе находится ошибка разности (R
2
-r
2
), определяемая по формуле

 





n r
R
r
R
r
R
S
r
R
2 2
2 2
2 2
2
|
|
2 Если


1
;



m n
t табл, то различия между показателями корреляции существенны и замена нелинейной регрессии линейной нецелесообразна. В заключение приведем формулы расчета коэффициентов эластичности для наиболее распространенных уравнений регрессии Вид уравнения регрессии Коэффициент эластичности ха ха х b







2
cx bx a
y


2 2
cx bx a
x cx ха ах b






x b
a y
b x ln b
x a
y


b




x b
a y
ln x
b a
b ln





bx a
y
1
bx a
bx


Generated by Foxit PDF Creator © Foxit Software http://www.foxitsoftware.com For evaluation only.

60 Тема 9. Фиктивные переменные в регрессионных моделях В регрессионных моделях наряду с количественными переменными часто используются качественные переменные, такие как профессия, пол, образование, климатические условия и т.п. Чтобы ввести такие переменные в регрессионную модель, им должны быть присвоены те или иные цифровые метки, те. качественные переменные должны быть преобразованы вколи- чественные. Такого рода переменные в эконометрике называются фиктивными (структурными, или искусственными) переменными, а также индикатором. Фиктивные переменные отражают два противоположных состояния качественного фактора фактор действует – фактор не действует. (Например, сезон летний – сезон зимний, пол мужской – женский, есть высшее образование – нет высшего образования. В этом случае фиктивные переменные выражаются в двоичной форме действует действует не z