Студопедия КАТЕГОРИИ: АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Метод наименьших квадратов и его предпосылки
Рассмотрим уравнение линейной множественной регрессии. Уравнение генеральной совокупности или модель регрессии запишем в виде , (t = ), (3.1) где – значения зависимой переменной с номером t; – значения независимых переменных с номером t; – параметры уравнения регрессии; – константа или свободный член уравнения регрессии; – коэффициенты уравнения регрессии; – значения случайного члена уравнения регрессии. Предполагается, что εt независимы и нормально распределены с нулевым математическим ожиданием и постоянной дисперсией , т.е. N(0, ). Термины «зависимая» и «независимые» для переменных не совсем удачны и означают лишь, что в этом случае значения зависимой переменной оцениваются на основе известных значений независимых переменных. Приведём предпосылки спецификации классической регрессионной модели: эндогенная, зависимая переменная объясняется m экзогенными, независимыми переменными; в общем случае уравнение регрессии включает константу; объём выборки n должен быть значительно больше числа объясняющих переменных m (считается, что каждый регрессор должен быть обеспечен не менее 6 – 7 наблюдениями); разность n-m-1 называется числом степеней свободы модели; чем она больше, тем надёжнее результаты оценивания; параметры уравнения регрессии должны быть постоянными для всей выборки; это положение зачастую определяет выборку. Кроме предпосылок спецификации модели необходимо выполнение ещё и предпосылок метода наименьших квадратов (МНК). Как известно, оценки параметров модели линейной регрессии обычно рассчитываются на основе МНК. Доказано, что эти оценки будут «хорошими», т.е. несмещёнными, эффективными и состоятельными, если будут выполняться следующие предпосылки относительно поведения остаточного члена : математическое ожидание равно нулю для всех t, т.е. M( ) = 0; t; дисперсия постоянна, т.е. D( ) = 0 t, в этом случае говорят, что в остатках наблюдается гомоскедастичность; в противном случае – гетероскедастичность; случайные отклонения и независимы друг от друга для t s, , в этом случае говорят, что в остатках отсутствует автокорреляция; регрессоры и остатки должны быть независимыми. Кроме основных предпосылок, рассматриваются ещё две дополнительные – отсутствие между регрессорами сильной линейной зависимости (совершенной мультиколлинеарности) и что N(0, ). Последняя предпосылка не влияет на качество оценок и необходима для проверки статистических гипотез и построения интервальных оценок. Одна из задач эконометрики – тестирование выполнимости предпосылок и выработка методов оценивания при их нарушениях. Оцененное уравнение регрессии будем записывать так: , (t = ). (3.2) Здесь – оценки параметров уравнения регрессии, а – выборочная реализация случайного процесса . Представим оцененное уравнение регрессии в матричной форме. Введём следующие обозначения: Y = , X = , B = , e = . Тогда уравнение регрессии (3.2) в матричной форме примет вид Y = XB + e. (3.3) МНК-оценки параметров уравнения (3.1), рассчитываются из соотношения B = . (3.4) Кроме того, известно, что несмещённая оценка дисперсии случайного члена равна = = = , где – оцененные по уравнению (3.2) значения зависимой переменной.
|
||
Последнее изменение этой страницы: 2018-06-01; просмотров: 349. stydopedya.ru не претендует на авторское право материалов, которые вылажены, но предоставляет бесплатный доступ к ним. В случае нарушения авторского права или персональных данных напишите сюда... |