В экономической модели линейного уравнения регрессии y a b1x1 b2x2 (2 видео)

Корреляция и регрессия

Линейное уравнение регрессии имеет вид y=bx+a+ε
Здесь ε — случайная ошибка (отклонение, возмущение).
Причины существования случайной ошибки:
1. Невключение в регрессионную модель значимых объясняющих переменных;
2. Агрегирование переменных. Например, функция суммарного потребления – это попытка общего выражения совокупности решений отдельных индивидов о расходах. Это лишь аппроксимация отдельных соотношений, которые имеют разные параметры.
3. Неправильное описание структуры модели;
4. Неправильная функциональная спецификация;
5. Ошибки измерения.
Так как отклонения ε_i для каждого конкретного наблюдения i – случайны и их значения в выборке неизвестны, то:
1) по наблюдениям x_i и y_i можно получить только оценки параметров α и β
2) Оценками параметров α и β регрессионной модели являются соответственно величины а и b, которые носят случайный характер, т.к. соответствуют случайной выборке;
Тогда оценочное уравнение регрессии (построенное по выборочным данным) будет иметь вид y = bx + a + ε, где e_i – наблюдаемые значения (оценки) ошибок ε_i, а и b соответственно оценки параметров α и β регрессионной модели, которые следует найти.
Для оценки параметров α и β — используют МНК (метод наименьших квадратов).
Система нормальных уравнений.

Для наших данных система уравнений имеет вид:

10a + 356b = 49
356a + 2135b = 9485

Из первого уравнения выражаем а и подставим во второе уравнение
Получаем b = 68.16, a = 11.17

Уравнение регрессии:
y = 68.16 x — 11.17

1. Параметры уравнения регрессии.
Выборочные средние.

1.1. Коэффициент корреляции
Рассчитываем показатель тесноты связи. Таким показателем является выборочный линейный коэффициент корреляции, который рассчитывается по формуле:

Линейный коэффициент корреляции принимает значения от –1 до +1.
Связи между признаками могут быть слабыми и сильными (тесными). Их критерии оцениваются по шкале Чеддока:
0.1 Y фактором X весьма высокая и прямая.

1.2. Уравнение регрессии (оценка уравнения регрессии).

Линейное уравнение регрессии имеет вид y = 68.16 x -11.17
Коэффициентам уравнения линейной регрессии можно придать экономический смысл. Коэффициент уравнения регрессии показывает, на сколько ед. изменится результат при изменении фактора на 1 ед.
Коэффициент b = 68.16 показывает среднее изменение результативного показателя (в единицах измерения у ) с повышением или понижением величины фактора х на единицу его измерения. В данном примере с увеличением на 1 единицу y повышается в среднем на 68.16.
Коэффициент a = -11.17 формально показывает прогнозируемый уровень у , но только в том случае, если х=0 находится близко с выборочными значениями.
Но если х=0 находится далеко от выборочных значений x , то буквальная интерпретация может привести к неверным результатам, и даже если линия регрессии довольно точно описывает значения наблюдаемой выборки, нет гарантий, что также будет при экстраполяции влево или вправо.
Подставив в уравнение регрессии соответствующие значения x , можно определить выровненные (предсказанные) значения результативного показателя y(x) для каждого наблюдения.
Связь между у и x определяет знак коэффициента регрессии b (если > 0 – прямая связь, иначе — обратная). В нашем примере связь прямая.

1.3. Коэффициент эластичности.
Коэффициенты регрессии (в примере b) нежелательно использовать для непосредственной оценки влияния факторов на результативный признак в том случае, если существует различие единиц измерения результативного показателя у и факторного признака х.
Для этих целей вычисляются коэффициенты эластичности и бета — коэффициенты. Коэффициент эластичности находится по формуле:

Он показывает, на сколько процентов в среднем изменяется результативный признак у при изменении факторного признака х на 1%. Он не учитывает степень колеблемости факторов.
В нашем примере коэффициент эластичности больше 1. Следовательно, при изменении Х на 1%, Y изменится более чем на 1%. Другими словами — Х существенно влияет на Y.
Бета – коэффициент показывает, на какую часть величины своего среднего квадратичного отклонения изменится в среднем значение результативного признака при изменении факторного признака на величину его среднеквадратического отклонения при фиксированном на постоянном уровне значении остальных независимых переменных:

Т.е. увеличение x на величину среднеквадратического отклонения этого показателя приведет к увеличению среднего Y на 0.9796 среднеквадратичного отклонения этого показателя.

1.4. Ошибка аппроксимации.
Оценим качество уравнения регрессии с помощью ошибки абсолютной аппроксимации.

Поскольку ошибка больше 15%, то данное уравнение не желательно использовать в качестве регрессии.

1.6. Коэффициент детерминации.
Квадрат (множественного) коэффициента корреляции называется коэффициентом детерминации, который показывает долю вариации результативного признака, объясненную вариацией факторного признака.
Чаще всего, давая интерпретацию коэффициента детерминации, его выражают в процентах.
R 2 = 0.98 2 = 0.9596, т.е. в 95.96 % случаев изменения x приводят к изменению у . Другими словами — точность подбора уравнения регрессии — высокая. Остальные 4.04 % изменения Y объясняются факторами, не учтенными в модели.

x	y	x 2	y 2	x·y	y(x)	(y_i— y ) 2	(y-y(x)) 2	(x_i— x ) 2	\|y — y_x\|:y
0.371	15.6	0.1376	243.36	5.79	14.11	780.89	2.21	0.1864	0.0953
0.399	19.9	0.1592	396.01	7.94	16.02	559.06	15.04	0.163	0.1949
0.502	22.7	0.252	515.29	11.4	23.04	434.49	0.1176	0.0905	0.0151
0.572	34.2	0.3272	1169.64	19.56	27.81	87.32	40.78	0.0533	0.1867
0.607	44.5	.3684	1980.25	27.01	30.2	0.9131	204.49	0.0383	0.3214
0.655	26.8	0.429	718.24	17.55	33.47	280.38	44.51	0.0218	0.2489
0.763	35.7	0.5822	1274.49	27.24	40.83	61.54	26.35	0.0016	0.1438
0.873	30.6	0.7621	936.36	26.71	48.33	167.56	314.39	0.0049	0.5794
2.48	161.9	6.17	26211.61	402	158.07	14008.04	14.66	2.82	0.0236
7.23	391.9	9.18	33445.25	545.2	391.9	16380.18	662.54	3.38	1.81

2. Оценка параметров уравнения регрессии.
2.1. Значимость коэффициента корреляции.

По таблице Стьюдента с уровнем значимости α=0.05 и степенями свободы k=7 находим t_крит:
t_крит = (7;0.05) = 1.895
где m = 1 — количество объясняющих переменных.
Если t_набл > t_критич, то полученное значение коэффициента корреляции признается значимым (нулевая гипотеза, утверждающая равенство нулю коэффициента корреляции, отвергается).
Поскольку t_набл > t_крит, то отклоняем гипотезу о равенстве 0 коэффициента корреляции. Другими словами, коэффициент корреляции статистически — значим
В парной линейной регрессии t 2 _r = t 2 _b и тогда проверка гипотез о значимости коэффициентов регрессии и корреляции равносильна проверке гипотезы о существенности линейного уравнения регрессии.

2.3. Анализ точности определения оценок коэффициентов регрессии.
Несмещенной оценкой дисперсии возмущений является величина:

S 2 _y = 94.6484 — необъясненная дисперсия (мера разброса зависимой переменной вокруг линии регрессии).
S_y = 9.7287 — стандартная ошибка оценки (стандартная ошибка регрессии).
S _a — стандартное отклонение случайной величины a.

S_b — стандартное отклонение случайной величины b.

2.4. Доверительные интервалы для зависимой переменной.
Экономическое прогнозирование на основе построенной модели предполагает, что сохраняются ранее существовавшие взаимосвязи переменных и на период упреждения.
Для прогнозирования зависимой переменной результативного признака необходимо знать прогнозные значения всех входящих в модель факторов.
Прогнозные значения факторов подставляют в модель и получают точечные прогнозные оценки изучаемого показателя. (a + bx_p ± ε) где
Рассчитаем границы интервала, в котором будет сосредоточено 95% возможных значений Y при неограниченно большом числе наблюдений и X _p = 1 (-11.17 + 68.16*1 ± 6.4554)
(50.53;63.44)
С вероятностью 95% можно гарантировать, что значения Y при неограниченно большом числе наблюдений не выйдет за пределы найденных интервалов.

Индивидуальные доверительные интервалы для Y при данном значении X.
(a + bx _i ± ε)
где

x_i	y = -11.17 + 68.16x_i	ε_i	y_min	y_max
0.371	14.11	19.91	-5.8	34.02
0.399	16.02	19.85	-3.83	35.87
0.502	23.04	19.67	3.38	42.71
0.572	27.81	19.57	8.24	47.38
0.607	30.2	19.53	10.67	49.73
0.655	33.47	19.49	13.98	52.96
0.763	40.83	19.44	21.4	60.27
0.873	48.33	19.45	28.88	67.78
2.48	158.07	25.72	132.36	183.79

С вероятностью 95% можно гарантировать, что значения Y при неограниченно большом числе наблюдений не выйдет за пределы найденных интервалов.

2.5. Проверка гипотез относительно коэффициентов линейного уравнения регрессии.
1) t-статистика. Критерий Стьюдента.
Проверим гипотезу H₀ о равенстве отдельных коэффициентов регрессии нулю (при альтернативе H₁ не равно) на уровне значимости α=0.05.
t_крит = (7;0.05) = 1.895

Поскольку 12.8866 > 1.895, то статистическая значимость коэффициента регрессии b подтверждается (отвергаем гипотезу о равенстве нулю этого коэффициента).

Поскольку 2.0914 > 1.895, то статистическая значимость коэффициента регрессии a подтверждается (отвергаем гипотезу о равенстве нулю этого коэффициента).

Доверительный интервал для коэффициентов уравнения регрессии.
Определим доверительные интервалы коэффициентов регрессии, которые с надежность 95% будут следующими:
(b — t_крит S_b; b + t_крит S_b)
(68.1618 — 1.895 • 5.2894; 68.1618 + 1.895 • 5.2894)
(58.1385;78.1852)
С вероятностью 95% можно утверждать, что значение данного параметра будут лежать в найденном интервале.
(a — t_a)
(-11.1744 — 1.895 • 5.3429; -11.1744 + 1.895 • 5.3429)
(-21.2992;-1.0496)
С вероятностью 95% можно утверждать, что значение данного параметра будут лежать в найденном интервале.

2) F-статистики. Критерий Фишера.
Проверка значимости модели регрессии проводится с использованием F-критерия Фишера, расчетное значение которого находится как отношение дисперсии исходного ряда наблюдений изучаемого показателя и несмещенной оценки дисперсии остаточной последовательности для данной модели.
Если расчетное значение с lang=EN-US>n-m-1) степенями свободы больше табличного при заданном уровне значимости, то модель считается значимой.

где m – число факторов в модели.
Оценка статистической значимости парной линейной регрессии производится по следующему алгоритму:
1. Выдвигается нулевая гипотеза о том, что уравнение в целом статистически незначимо: H₀: R 2 =0 на уровне значимости α.
2. Далее определяют фактическое значение F-критерия:

где m=1 для парной регрессии.
3. Табличное значение определяется по таблицам распределения Фишера для заданного уровня значимости, принимая во внимание, что число степеней свободы для общей суммы квадратов (большей дисперсии) равно 1 и число степеней свободы остаточной суммы квадратов (меньшей дисперсии) при линейной регрессии равно n-2.
4. Если фактическое значение F-критерия меньше табличного, то говорят, что нет основания отклонять нулевую гипотезу.
В противном случае, нулевая гипотеза отклоняется и с вероятностью (1-α) принимается альтернативная гипотеза о статистической значимости уравнения в целом.
Табличное значение критерия со степенями свободы k1=1 и k2=7, Fkp = 5.59
Поскольку фактическое значение F > Fkp, то коэффициент детерминации статистически значим (Найденная оценка уравнения регрессии статистически надежна).

Проверка на наличие автокорреляции остатков.
Важной предпосылкой построения качественной регрессионной модели по МНК является независимость значений случайных отклонений от значений отклонений во всех других наблюдениях. Это гарантирует отсутствие коррелированности между любыми отклонениями и, в частности, между соседними отклонениями.
Автокорреляция (последовательная корреляция) определяется как корреляция между наблюдаемыми показателями, упорядоченными во времени (временные ряды) или в пространстве (перекрестные ряды). Автокорреляция остатков (отклонений) обычно встречается в регрессионном анализе при использовании данных временных рядов и очень редко при использовании перекрестных данных.
В экономических задачах значительно чаще встречается положительная автокорреляция, нежели отрицательная автокорреляция. В большинстве случаев положительная автокорреляция вызывается направленным постоянным воздействием некоторых неучтенных в модели факторов.
Отрицательная автокорреляция фактически означает, что за положительным отклонением следует отрицательное и наоборот. Такая ситуация может иметь место, если ту же зависимость между спросом на прохладительные напитки и доходами рассматривать по сезонным данным (зима-лето).
Среди основных причин, вызывающих автокорреляцию, можно выделить следующие:
1. Ошибки спецификации. Неучет в модели какой-либо важной объясняющей переменной либо неправильный выбор формы зависимости обычно приводят к системным отклонениям точек наблюдения от линии регрессии, что может обусловить автокорреляцию.
2. Инерция. Многие экономические показатели (инфляция, безработица, ВНП и т.д.) обладают определенной цикличностью, связанной с волнообразностью деловой активности. Поэтому изменение показателей происходит не мгновенно, а обладает определенной инертностью.
3. Эффект паутины. Во многих производственных и других сферах экономические показатели реагируют на изменение экономических условий с запаздыванием (временным лагом).
4. Сглаживание данных. Зачастую данные по некоторому продолжительному временному периоду получают усреднением данных по составляющим его интервалам. Это может привести к определенному сглаживанию колебаний, которые имелись внутри рассматриваемого периода, что в свою очередь может служить причиной автокорреляции.
Последствия автокорреляции схожи с последствиями гетероскедастичности: выводы по t- и F-статистикам, определяющие значимость коэффициента регрессии и коэффициента детерминации, возможно, будут неверными.

Обнаружение автокорреляции

1. Графический метод
Есть ряд вариантов графического определения автокорреляции. Один из них увязывает отклонения e_i с моментами их получения i. При этом по оси абсцисс откладывают либо время получения статистических данных, либо порядковый номер наблюдения, а по оси ординат – отклонения e_i (либо оценки отклонений).
Естественно предположить, что если имеется определенная связь между отклонениями, то автокорреляция имеет место. Отсутствие зависимости скоре всего будет свидетельствовать об отсутствии автокорреляции.
Автокорреляция становится более наглядной, если построить график зависимости e_i от e_i-1.

Видео:Эконометрика. Линейная парная регрессияСкачать

Линейная множественная регрессия

Тесты по эконометрике

Введение

1. Эконометрическая модель имеет вид

2. Установите соответствие

а) регрессионная модель	1) x-1=0, x=0x-1, x>0
b) система одновременных уравнений	2) R=a1+b11M+b12Y+ε1,Y=a2+b21R+ε2,
c) модель временного ряда	1. 3) y=a+b1x1+b2x2+ε
4) yt=Tt+St+Et

3. Регрессия – это

a. зависимость значений результативной переменной от значений объясняющих переменных (факторов)

b. правило, согласно которому каждому значению одной переменной ставится в соответствие единственное значение другой переменной

c. правило, согласно которому каждому значению независимой переменной ставится в соответствие значение зависимой переменной

d. зависимость среднего значения результативной переменной от значений объясняющих переменных (факторов)

4. Метод наименьших квадратов …

a. Позволяет получить оценки параметров линейной регрессии, исходя из условия i=1nyi-yi2→min

b. Позволяет получить оценки параметров регрессии, исходя из условия ln⁡(i=1nf(yi,)→max

c. Позволяет проверить статистическую значимость параметров регрессии

d. Позволяет получить оценки параметров нелинейной регрессии, исходя из условия i=1ny-yi2→min

Линейная множественная регрессия

5. Уравнение линейной множественной регрессии

6. Для линейного уравнения множественной регрессии установите соответствие

5. а) Факторные переменные	6. 1) y
7. b) Результативная переменная	8. 2) a
9. c) Параметры	10. 3) a, ε
11. d) Случайная компонента	12. 4) x1, x2
13.	14. 5) ε
15.	16. 6) a, b1, b2

17. Ответ: a-4, b-1, c-6, d-5

7. Проблема спецификации регрессионной модели включает в себя

a. Отбор факторов, включаемых в уравнение регрессии

b. Оценка параметров уравнения регрессии

c. Оценка надежности результатов регрессионного анализа

d. Выбор вида уравнения регрессии

19. Требования к факторам, включаемым в модель линейной множественной регрессии…

a. Число факторов должно быть в 6 раз меньше объема совокупности

b. Факторы должны представлять временные ряды

c. Факторы должны иметь одинаковую размерность

d. Между факторами не должно быть высокой корреляции

21. Верные утверждения относительно мультиколлинеарности факторов

e. В модель линейной множественной регрессии рекомендуется включать мультиколлинеарные факторы

f. Мультиколлинеарность факторов приводит к снижению надежности оценок параметров уравнения регрессии

g. Мультиколинеарность факторов проявляется в наличии парных коэффициентов межфакторной корреляции со значениями, большими 0,7

h. Мультиколинеарность факторов проявляется в наличии парных коэффициентов межфакторной корреляции со значениями, меньшими 0,3

23. Верные утверждения о включении в уравнение линейной множественной регрессии факторов

i. Включение фактора в модель приводит к заметному возрастанию коэффициента множественной детерминации

j. Коэффициент парной корреляции для фактора и результативной переменной меньше 0,3

k. Значение t-критерия Стьюдента для коэффициента регрессии при факторе меньше табличного значения

l. Фактор должен объяснять поведение изучаемого показателя согласно принятым положениям экономической теории

25. При построении модели множественной регрессии методом пошагового включения переменных на первом этапе рассматривается модель с …

m. Одной объясняющей переменной, которая имеет с зависимой переменной наименьший коэффициент корреляции

n. Одной объясняющей переменной, которая имеет с зависимой переменной наибольший коэффициент корреляции

o. Несколькими объясняющими переменными, которые имеют с зависимой переменной коэффициенты корреляции по модулю больше 0,5

p. Полным перечнем объясняющих переменных

8. Параметры при факторах в линейной множественной регрессии
y=a+b1x1+b2x2+…+bpxp характеризуют

a. Долю дисперсии результативной переменной, объясненную регрессией в его общей дисперсии

b. Тесноту связи между результативной переменной и соответствующим фактором, при устранении влияния других факторов, включенных в модель

c. Среднее изменение результативной переменной с изменением соответствующего фактора на единицу, при неизменном значении других факторов, закрепленных на среднем уровне

d. На сколько процентов в среднем изменяется результативная переменная с изменением соответствующего фактора на 1%

28. Стандартизация переменных проводится по формуле

9. Уравнение множественной регрессии в стандартизованном масштабе имеет вид ty=20+0,9tx1+0,5tx2+ε. На результативный признак оказывает большое влияние:

x. нельзя сделать вывод

10. Уравнение множественной регрессии в естественной форме имеет вид
y=20+0,7×1+0,5×2+ε. На результативный признак оказывает большое влияние:

bb. нельзя сделать вывод

30. К свойствам уравнения регрессии в стандартизированном виде относятся …

cc. Коэффициенты регрессии при объясняющих переменных равны между собой

dd. Постоянный параметр (свободный член уравнения) регрессии отсутствует

ee. Стандартизированные коэффициенты регрессии несравнимы между собой

ff. Входящие в состав уравнения переменные являются безразмерными

32. Тесноту совместного влияния факторов на результат в уравнении линейной множественной регрессии оценивает

gg. Коэффициент парной корреляции

hh. Коэффициент частной корреляции

ii. Коэффициент множественной корреляции

jj. Коэффициент множественной детерминации

34. Установите соответствие

35. а) общая сумма квадратов отклонений TSS	36. 1) y-y2
37. b) регрессионная сумма квадратов отклонений RSS	38. 2) y-x2
39. c) остаточная сумма квадратов отклонений ЕSS	40. 3) y-y2
41.	42. 4) y-y2

43. Коэффициент множественной корреляции для линейной зависимости можно рассчитать по формуле

mm.

45. Верные утверждения относительно коэффициента множественной корреляции

oo. Чем ближе значение к единице Ryx1…xp, тем теснее связь результативного признака со всеми факторами

pp. Чем ближе значение к нулю Ryx1…xp, тем теснее связь результативного признака со всеми факторами

qq. Ryx1…xp принимает значения из промежутка [0, 1]

rr. Ryx1…xp принимает значения из промежутка [– 1, 1]

47. Коэффициент множественной детерминации характеризует

ss. Тесноту совместного влияния факторов на результат в уравнении линейной множественной регрессии

tt. Тесноту связи между результатом и соответствующим фактором, при устранении влияния других факторов, включенных в модель

uu. Долю дисперсии результативного признака, объясненную регрессией в его общей дисперсии

vv. Среднее изменение результативной переменной с изменением соответствующего фактора на единицу, при неизменном значении других факторов, закрепленных на среднем уровне

49. Для общей (TSS), регрессионной (RSS) и остаточной (ESS) суммы квадратов отклонений и коэффициента детерминации R2 выполняется равенство …

51. Отношение остаточной дисперсии к общей дисперсии равно 0,05. Это означает …

bbb. Коэффициент детерминации R2=0,95

ccc. Коэффициент детерминации R2=0,05

ddd. Разность (1-R2)=0,95, где R2 – коэффициент детерминации

eee. Разность (1-R2)=0,05, где R2 – коэффициент детерминации

53. Для устранения систематической ошибки остаточной дисперсии для оценки качества модели линейной множественной регрессии используется

fff. Коэффициент множественной детерминации

ggg. Коэффициент множественной корреляции

hhh. Скорректированный коэффициент множественной детерминации

iii. Скорректированный коэффициент частной корреляции

55. Оценка статистической значимости уравнения линейной множественной регрессии в целом осуществляется с помощью

jjj. Критерия Стьюдента

kkk. Критерия Фишера

lll. Критерия Дарбина-Уотсона

56. Оценка статистической значимости коэффициентов линейной множественной регрессии осуществляется с помощью

nnn. Критерия Стьюдента

ooo. Критерия Фишера

ppp. Критерия Дарбина-Уотсона

qqq. Критерия Фостера-Стюарта

57. Если коэффициент регрессии является существенным, то для него выполняются условия

rrr. Фактическое значение t-критерия Стьюдента меньше критического

sss. Фактическое значение t-критерия Стьюдента больше критического

ttt. Доверительный интервал проходит через ноль

uuu. Стандартная ошибка не превышает половины значения параметра

59. Если уравнение регрессии является существенным, то фактическое значение F-критерия …

vvv. больше критического

www. меньше критического

xxx. близко к единице

yyy. близко к нулю

61. Предпосылками МНК являются…

zzz. Дисперсия случайных отклонений постоянна для всех наблюдений

aaaa. Дисперсия случайных отклонений не постоянна для всех наблюдений

bbbb. Случайные отклонения коррелируют друг с другом

cccc. Случайные отклонения являются независимыми друг от друга

63. Укажите выводы, которые соответствуют графику зависимости остатков

dddd. Нарушена предпосылка МНК о независимости остатков друг от друга

eeee. Имеет место автокорреляция остатков

ffff. Отсутствует закономерность в поведении остатков

gggg. Отсутствует автокорреляция остатков

66. При выполнении предпосылок метода наименьших квадратов (МНК) остатки уравнения регрессии, как правило, характеризуются…

hhhh. Нулевой средней величиной

jjjj. Случайным характером

kkkk. Высокой степенью автокорреляции

68. К методам обнаружения гетероскедастичности остатков относятся

llll. Критерий Дарбина-Уотсона

mmmm. Тест Голдфелда-Квандта

nnnn. Графический анализ остатков

oooo. Метод наименьших квадратов

70. Фиктивными переменными в уравнении множественной регрессии являются …

pppp. Качественные переменные, преобразованные в количественные

qqqq. Переменные, представляющие простейшие функции от уже включенных в модель переменных

rrrr. Дополнительные количественные переменные, улучшающие решение

ssss. Комбинации из включенных в уравнение регрессии факторов, повышающие адекватность модели

71. Для отражения влияния качественной сопутствующей переменной, имеющей m состояний, обычно включают в модель … фиктивную переменную

Нелинейная регрессия

72. Регрессии, нелинейные по объясняющим переменным, но линейные по оцениваемым параметрам

73. Регрессии, нелинейные по оцениваемым параметрам

74. Укажите верные утверждения по поводу модели

jjjjj. Относится к типу моделей нелинейных по объясняющим переменным, но линейных по оцениваемым параметрам

kkkkk. Относится к типу моделей, нелинейных по оцениваемым параметрам

lllll. Относится к типу линейных моделей

mmmmm. Нельзя привести к линейному виду

nnnnn. Можно привести к линейному виду

76. Укажите верные утверждения по поводу модели

ooooo. Линеаризуется линейную модель множественной регрессии

ppppp. Линеаризуется линейную модель парной регрессии

qqqqq. Относится к классу нелинейных моделей по объясняющим переменным, но линейных по оцениваемым параметрам

rrrrr. Относится к классу линейных моделей

79. Модель y=a∙bx∙ε относится к классу … эконометрических моделей нелинейной регрессии

81. Модель y=a∙xb∙ε относится к классу … эконометрических моделей нелинейной регрессии

83. Модель y=a+bx+cx2+ε относится к классу … эконометрических моделей нелинейной регрессии

85. Было замечено, что при увеличении количества вносимых удобрений урожайность также возрастает, однако, по достижении определенного значения фактора моделируемый показатель начинает убывать. Для исследования данной зависимости можно использовать спецификацию уравнения регрессии…

87. Для получения оценок параметров степенной регрессионной модели y=a∙xb …

iiiiii. Метод наименьших квадратов неприменим

jjjjjj. Требуется подобрать соответствующую подстановку

kkkkkk. Необходимо выполнить логарифмическое преобразование

llllll. Необходимо выполнить тригонометрическое преобразование

89. С помощью метода наименьших квадратов нельзя оценить значения параметров уравнения регрессии …

Видео:Эконометрика. Множественная регрессия и корреляция.Скачать

Тема 2: Отбор факторов, включаемых в модель множественной регрессии

Тема 1: Спецификация эконометрической модели

1. Ошибки спецификации эконометрической модели имеют место вследствие …

неправильного выбора математической функции или недоучета в уравнении регрессии какого-то существенного фактора

недостоверности или недостаточности исходной информации

неоднородности данных в исходной статистической совокупности

недостаточного количества данных

Решение:

Спецификацией модели называется отбор факторов, включаемых в модель, и выбор математической функции для . Поэтому к ошибкам спецификации относятся не только неправильный выбор той или иной математической функции для , но и недоучет в уравнении регрессии какого-то существенного фактора, то есть использование парной регрессии вместо множественной.

2. Для регрессионной модели вида необходим минимальный объем наблюдений, содержащий _____ объектов наблюдения.

Решение:

Считается, на каждый оцениваемый коэффициент регрессии необходимо не менее 5–7 объектов статистических наблюдений. Так как представленная модель содержит 3 независимые переменные, то на каждый из параметров регрессии при независимой переменной необходимо по 5–7 наблюдений, то есть в совокупности не менее 15–21 наблюдения. Берем нижнюю границу интервала, тогда правильный вариант ответа – «15».

3. Нелинейным по объясняющим переменным, но линейным по параметрам уравнением регрессии является …

Решение:

Из приведенных функций только в функции параметры имеют степень 1, а объясняющая переменная х имеет степень, отличную от 1.

4. В модели вида количество объясняющих переменных равно …

Решение:

Эконометрическая модель уравнения регрессии может быть представлена линейным уравнением множественной регрессии в виде выражения , где y – зависимая переменная; x_j – объясняющая независимая переменная (j = 1,…, k; k – количество независимых переменных); a, b_j – параметры (a – свободный член уравнения, b_j – коэффициент регрессии); – случайные факторы. Независимые переменные x_j называются также факторами, объясняющими переменными. На количество объясняющих переменных в линейном уравнении указывает также количество коэффициентов регрессии b_j. Поэтому количество объясняющих переменных в модели равно 3.

5. При идентификации модели множественной регрессии количество оцениваемых параметров равно …

Решение:

При оценке модели множественной регрессии рассчитываются следующие параметры: свободный член a и четыре параметра при независимых переменных х. Итого 5 параметров.

Тема 2: Отбор факторов, включаемых в модель множественной регрессии

1. В модели множественной регрессии определитель матрицы парных коэффициентов корреляции между факторами , и близок к единице. Это означает, что факторы , и …

Решение:

Для оценки мультиколлинеарности факторов может использоваться определитель матрицы парных коэффициентов корреляции между факторами. Если факторы не коррелированы между собой, то матрица парных коэффициентов корреляции между факторами была бы единичной. Поскольку все недиагональные элементы были бы равны нулю.
, поскольку = = и = = =0.
Если между факторами существует полная линейная зависимость и все коэффициенты парной корреляции равны единице, то определитель такой матрицы равен нулю.

Чем ближе к нулю определитель матрицы межфакторной корреляции, тем сильнее мультиколлинеарность факторов и ненадежнее результаты множественной регрессии. И, наоборот, чем ближе к единице определитель матрицы межфакторной корреляции, тем меньше мультиколлинеарность факторов.

2. При моделировании линейного уравнения множественной регрессии вида необходимо, чтобы выполнялось требование отсутствия взаимосвязи между …

Решение:

Эконометрическая модель уравнения регрессии может быть представлена линейным уравнением множественной регрессии в виде выражения , где y – зависимая переменная; x_j – независимая переменная (j = 1,…, k; k – количество независимых переменных); a, b_j – параметры (a – свободный член уравнения, b_j – коэффициент регрессии); – случайные факторы. При построении модели множественной регрессии необходимо исключить возможность существования тесной линейной зависимости между независимыми (объясняющими) переменными, которая ведет к проблеме мультиколлинеарности. Поэтому в данной модели необходимо, чтобы выполнялось требование отсутствия взаимосвязи между x₁ и x₂.