рефератырефератырефератырефератырефератырефератырефератырефераты

рефераты, скачать реферат, современные рефераты, реферат на тему, рефераты бесплатно, банк рефератов, реферат культура, виды рефератов, бесплатные рефераты, экономический реферат

"САМЫЙ БОЛЬШОЙ БАНК РЕФЕРАТОВ"

Портал Рефератов

рефераты
рефераты
рефераты

Шпоры по эконометрике

Шпоры по эконометрике.

№ 1. СПЕЦИФИКАЦИЯ МОДЕЛИ

Простая регрессия представляет собой регрессию между двумя переменными —у и

х, т.е. модель вида [pic], где у — результативный признак; х - признак-

фактор.

Множественная регрессия представляет собой регрессию результативного

признака с двумя и большим числом факторов, т. е. модель вида [pic]

Спецификация модели - формулировка вида модели, исходя из соответствующей

теории связи между переменными. В уравнении регрессии корреляционная по

сути связь признаков представляется в виде функциональной связи, выраженной

соответствующей математической функцией. [pic] где yj — фактическое

значение результативного признака;

yxj -теоретическое значение результативного признака.

[pic] — случайная величина, характеризующая отклонения реального значения

результативного признака от теоретического.

Случайная величина ? называется также возмущением. Она включает влияние не

учтенных в модели факторов, случайных ошибок и особенностей измерения.

От правильно выбранной спецификации модели зависит величина случайных

ошибок: они тем меньше, чем в большей мере теоретические значения

результативного признака [pic] подходят к фактическим данным у.

К ошибкам спецификации относятся неправильный выбор той или иной

математической функции для[pic], и недоучет в уравнении регрессии какого-

либо существенного фактора, т. е. использование парной регрессии вместо

множественной.

Ошибки выборки - исследователь чаще всего имеет дело с выборочными данными

при установлении закономерной связи между признаками.

Ошибки измерения практически сводят на нет все усилия по количественной

оценке связи между признаками. Основное внимание в эконометрических

исследованиях уделяется ошибкам спецификации модели.

В парной регрессии выбор вида математической функции [pic] может быть

осуществлен тремя методами: графическим, аналитическим и экспериментальным.

Графический метод основан на поле корреляции. Аналитический метод основан

на изучении материальной природы связи исследуемых признаков.

Экспериментальный метод осуществляется путем сравнения величины остаточной

дисперсии Dост, рассчитанной при разных моделях. Если фактические значения

результативного признака совпадают с теоретическими у =[pic], то Docm =0.

Если имеют место отклонения фактических данных от теоретических (у — [pic])

то [pic].

Чем меньше величина остаточной дисперсии, тем лучше уравнение регрессии

подходит к исходным данным. Число наблюдений должно в 6 — 7 раз превышать

число рассчитываемых параметров при переменной х.

№ 2 ЛИНЕЙНАЯ РЕГРЕССИЯ И КОРРЕЛЯЦИЯ: СМЫСЛ И ОЦЕНКА ПАРАМЕТРОВ.

Линейная регрессия сводится к нахождению уравнения вида [pic] или [pic].

Уравнение вида [pic] позволяет по заданным значениям фактора x иметь

теоретические значения результативного признака, подставляя в него

фактические значения фактора х.

Построение линейной регрессии сводится к оценке ее параметров а и в.

Оценки параметров линейной регрессии могут быть найдены разными методами.

1.[pic]

2.[pic]

Параметр b называется коэффициентом регрессии. Его величина показывает

среднее изменение результата с изменением фактора на одну единицу.

Формально а — значение у при х = 0. Если признак-фактор

не имеет и не может иметь нулевого значения, то вышеуказанная

трактовка свободного члена, а не имеет смысла. Параметр, а может

не иметь экономического содержания. Попытки экономически

интерпретировать параметр, а могут привести к абсурду, особенно при а < 0.

Интерпретировать можно лишь знак при параметре а. Если а > 0, то

относительное изменение результата происходит медленнее, чем изменение

фактора.

Уравнение регрессии всегда дополняется показателем тесноты связи. При

использовании линейной регрессии в качестве такого показателя выступает

линейный коэффициент корреляции rxy. Существуют разные модификации формулы

линейного коэффициента корреляции.

[pic]

Линейный коэффициент корреляции находится и границах: -1?.rxy ? 1. При этом

чем ближе r к 0 тем слабее корреляция и наоборот чем ближе r к 1 или -1,

тем сильнее корреляция, т.е. зависимость х и у близка к линейной. Если r в

точности =1или -1 все точки лежат на одной прямой. Если коэф. регрессии b>0

то 0 ?.rxy ? 1 и наоборот при b Fтабл Н0 отклоняется.

Если же величина окажется меньше табличной Fфакт ‹, Fтабл , то вероятность

нулевой гипотезы выше заданного уровня и она не может быть отклонена без

серьезного риска сделать неправильный вывод о наличии связи. В этом случае

уравнение регрессии считается статистически незначимым. Но не

отклоняется.

Стандартная ошибка коэффициента регрессии

[pic]

Для оценки существенности коэффициента регрессии его величина сравнивается

с его стандартной ошибкой, т. е. определяется фактическое значение t-

критерия Стьюдентa: [pic]которое

затем сравнивается с табличным значением при определенном уровне значимости

[pic] и числе степеней свободы (n- 2).

Стандартная ошибка параметра а:

[pic] [pic]

Значимость линейного коэффициента корреляции проверяется на основе величины

ошибки коэффициента корреляции тr:

[pic] [pic]

Общая дисперсия признака х: [pic]

Коэф. регрессии [pic] Его величина показывает ср. изменение результата с

изменением фактора на 1 ед.

Ошибка аппроксимации: [pic]

№ 5. ИНТЕРВАЛЫ ПРОГНОЗА ПО ЛИНЕЙНОМУ УРАВНЕНИЮ

РЕГРЕССИИ

Оценка стат. значимости параметров регрессии проводится с помощью t –

статистики Стьюдента и путем расчета доверительного интервала для каждого

из показателей. Выдвигается гипотеза Н0 о статистически значимом отличие

показателей от 0 a = b = r = 0. Рассчитываются стандартные ошибки

параметров a,b, r и фактич. знач. t – критерия Стьюдента.

[pic]

[pic]

[pic]

[pic] [pic] [pic]

Определяется стат. значимость параметров.

ta ›Tтабл - a стат. значим

tb ›Tтабл - b стат. значим

Находятся границы доверительных интервалов.

[pic] [pic] [pic]Анализ верхней и нижней

границ доверительных интервалов приводит к выводу о том, что параметры a и

b находясь в указанных границах не принимают нулевых значений, т.е. не

явл.. стат. незначимыми и существенно отличается от 0.

№ 6. НЕЛИНЕЙНАЯ РЕГРЕССИЯ. ВИДЫ МОДЕЛЕЙ

Если между экономическими явлениями существуют нелинейные соотношения, то

они выражаются с помощью соответствующих нелинейных функций: например,

равносторонней гиперболы [pic], параболы второй степени [pic]и д.р.

Различают два класса нелинейных регрессий:

• регрессии, нелинейные относительно включенных в анализ объясняющих

переменных, но линейные по оцениваемым параметрам;

• регрессии, нелинейные по оцениваемым параметрам.

Примером нелинейной регрессии по включаемым в нее объясняющим переменным

могут служить следующие функции:

1. полиномы разных степеней

2. равносторонняя гипербола

К нелинейным регрессиям по оцениваемым параметрам относятся функции:

3. степенная

4. показательная

5. экспоненциальная

№ 7. СМЫСЛ КОЭФФИЦИЕНТА РЕГРЕССИИ.

[pic]

Параметр b называется коэффициентом регрессии. Его величина показывает

среднее изменение результата с изменением фактора на одну единицу. Оценку

коэффициента регрессии можно получить не обращаясь к методу наименьших

квадратов. Альтернативную оценку параметра b можно найти исходя из

содержания данного коэффициента: изменение результата [pic] сопоставляют с

изменением фактора [pic]

Общая сумма квадратов отклонений индивидуальных значений результативного

признака у от среднего значения [pic] вызвана влиянием множества причин.

Условно разделим всю совокупность причин на две группы: изучае