Вопросы к экзамену Полесский. 29. Тесты гетероскедастичнсоти. 46
![]()
|
Основные гипотезы. Оценки параметров модели по методу наименьших квадратов и их интерпретация.Статистические гипотезы – это предположения исследователя о результатах измерений, выраженные в формализованном лаконичном виде. Гипотезы как бы «дают заказ» на вывод исследования. Статистические гипотезы разделяются на 4 типа: 1)Нулевые 2) Альтернативные 3)Направленные 4) Ненаправленные Но – нулевая гипотеза. Она делает предположение о том, что различия между сравниваемыми выборками отсутствуют. Её математический смысл состоит в том, что Хср.1 –Хср.2→0, т.е. различие между выборками стремится к нулю. Н1 (НА) – альтернативная гипотеза ( противостоящая нулевой гипотезе). Её смысл заключается в том, что различия между выборками есть и что они достоверны. Ненаправленная гипотеза – доказываем то, что выборки достоверно различают-ся, но не доказываем чем именно. Направленная гипотеза – под влиянием исследуемого фактора в определенном направлении (больше или, наоборот, меньше) изменяется исследуемый признак в экспериментальной выборке. Основные гипотезы: A) «Истинная» зависимость Y от регрессоров X имеет вид: Y=X* β+ε. B) Величины X – детерминированные (не случайные). C) Столбцы матрицы X линейно независимы (другими словами, ранг матрицы X равен m+1). D) ![]() E) ![]() Вместо (D) часто добавляют условие F) Ошибки ![]() ![]() Метод наименьших квадратов. Рассмотрим линейную модель множественной регрессии. ![]() К ![]() ![]() ![]() Для того чтобы найти оценки коэффициентов функции нескольких переменных, надо вычислить частные производные первого порядка по каждому из параметров и приравнять их к нулю. Полученную систему нормальных линейных уравнений можно решить методом определителей ![]() где – определитель системы; bi – частные определители, которые получаются заменой соответствующего столбца матрицы определителя системы данными левой части системы; ![]() Для двухфакторной модели система нормальных линейных уравнений будет иметь вид: ![]() Метод наименьших квадратов применим и к уравнению множественной регрессии в стандартизированном масштабе: ![]() Г ![]() ![]() ![]() для которых математическое ожидание равно нулю: , а ![]() ![]() = – стандартизированные коэффициенты регрессии. С ![]() ![]() ![]() ![]() Где - коэффициенты парной и межфакторной корреляции. ![]() К ![]() ![]() ![]() Средние коэффициенты эластичности по каждому из факторов для линейной регрессии, которые рассчитываются по формуле: ![]() показывают на сколько процентов в среднем изменится результат, при изменении соответствующего фактора на 1%. Средние показатели эластичности можно сравнивать друг с другом и соответственно ранжировать факторы по силе их воздействия на результат. От уравнения регрессии в стандартизованном масштабе (4) можно переходить к уравнению регрессии в натуральном масштабе переменных (1), при этом коэффициент ![]() ![]() Р ![]() На основе линейного уравнения множественной регрессии ![]() могут быть найдены частные уравнения регрессии: ![]() т ![]() При подстановке в эти уравнения средних значений соответствующих факторов они принимают вид парных уравнений линейной регрессии, то есть имеют вид ![]() В отличие от парной регрессии частные уравнения регрессии характеризуют изолированное влияние фактора на результат, ибо другие факторы закреплены на неизменном уровне. Эффекты влияния других факторов присоединены в них к свободному члену уравнения множественной регрессии. Это позволяет на основе частных уравнений регрессии определять частные коэффициенты эластичности: ![]() Г ![]() ![]() ![]() – частное уравнение регрессии. |