АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция

Множинна регресійна модель та припущення, які лежать в її основі

Читайте также:
  1. C) екі факторлы модель
  2. GAP модель: (модель разрывов)
  3. Автокорреляция в остатках. Модель Дарбина – Уотсона
  4. Автономні інвестиції. Чинники автономних інвестицій: технічний прогрес, рівень забезпеченості основним капіталом, податки на підприємців, ділові очікування. Модель акселератора.
  5. Аддитивная модель временного ряда
  6. Академіна модель освіти
  7. Американская модель
  8. Американская модель управления.
  9. Анализ деловой активности предприятия. Факторная модель Дюпон.
  10. Базовая модель экономического равновесия и механизм его восстановления
  11. Безработное населенние. Уровень безработицы. Основные формы безработицы. Закон Ойкена. Хистерезис как модель объяснения перманентной и длительной безработицы.
  12. Бел модель перехода к рынку и ее основные черты. Гос-ые программы соц-эконом развития.

 

Якщо пояснювальна змінна залежить не від одного, а від декількох факторів, то розглядається множинна регресія M(Y/X=x1,x2,..xn) =ƒ(x1,x2,..xn)

Багатофакторна лінійна регресійна модель має вигляд

Припущення:

1) Математичне сподівання похибок = 0 M(Ԑi)=0

2)Дисперсія похибок є постійною (гомоскидастичність) D(Ԑi)=D(Ԑj)=δ2

3) Випадкові відхилення незалежні між собою cov(Ԑi,Ԑj)=0 (невик. -автокореляція)

4) Модель має бути лінійною відносно параметрів βі

5)Відсутність мультиколініарності cov(xi,xj)=0

6) Випадкова змінна похибки не впливає на незалежну змінну cov(Ԑi,xi)=0

7)Похибки моделі мають бути розподілені за нормальним законом N(0;δ2)

Оцінка параметрів множинної регресії за МНК. Матричний підхід.

Для оцінок параметрів моделі b0,b1,b2,…bn виконання передумов МНК, означає що ці оцінки є BLUE-оцінками невідомих параметрів

Рівняння генеральної сукупності у матричному вигляді Y=Xβ+Ԑ

Вибіркове рівняння y=xb+e; регресійне рівняння ŷ=xb

Параметри моделі шукаємо з умови, що ∑ei2→ min.

B=(XTX)-1XTY

16. В чому суть коефіцієнта детермінації ?

вказує на адекватність моделі в цілому. Знаходиться в межах [0,1]

Чим ближче до 1,тим якісніше побудована модель, чим ближче до 0- тим більш невиправданою є побудована модель. К-т детермінації неможна абсолютизувати, бо кількість незалежних факторів Х впливає на якість моделі.

Чим скоригований коефіцієнт детермінації відрізняється від звичайного?

Скоригований к-т детермінації перешкоджає введенню в модель необґрунтованих факторів. Він є меншимі більш точним, ніж звичайний тому, що в ньому враховується обсяг вибірки і кількість незалежних факторів.

Дисперсійно-коваріаційна матриця оцінок параметрів моделі.

δԐ2 (ХТХ)-1=Var(B)

по діагоналі йдуть дисперсії,які потрібні для обчислення tемп.

 

 


1 | 2 | 3 |

Поиск по сайту:

Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.003 сек.)