Спецификация и оценивание МНК эконометрических моделей нелинейных по параметрам. (30) стр.24-25,

Для оценки параметров линейной или линеаризованной модели применяется метод наименьших квадратов (МНК). Суть метода: к реальным данным подбирается функция и её параметры, чтобы разности (отклонения, остатки) между реальными и вычисленными значениями у были минимальны. Но разностей много, поэтому минимизируется сумма квадратов этих разностей:

Рис.Отклонения реальных у от оценённой функции регрессии

Рассмотрим технологию МНК, которая используется ручном вычислении параметров парной линейной регрессии.

Сумма квадратов остатков, зависящая от параметров a и b

где n – количество измерений. Эта функция достигает минимума в точке, где её частные производные по a и по b равны нулю:

an + b S x = S y a S x + b S x² = S xy

Это называется система нормальных уравнений. В ней два уравнения и два неизвестных a и b, а коэффициенты получаются суммированием х, у и т.д.

В моделях, нелинейных по параметрам, например степенных или показательных, непосредственное применение МНК для их оценки невозможно, так как необходимым условием применимости МНК является линейность по коэффициентам уравнения регрессии. В данном случае преобразованием, которое приводит уравнение регрессии к линейному виду, является логарифмирование. Логарифмические модели: , где А и β— параметры модели. Прологарифмируем обе части данного уравнения: ln(Y)=ln(A) + β*ln(X) = α+β*ln(X), где α= ln(A) (*). Спецификация, соответствующая (*) называется двойной логарифмической моделью: ln(Y)= α+β*ln(X)+ε, поскольку и эндогенная переменная, и регрессор используются в логарифмической форме. Введем обозначения: . Получаем спецификацию линейной модели, к которой при соответствующем включении случайного возмущения применим МНК.

Нелинейный МНК. В общем случае оценка нелинейных по параметрам уравнений выполняется с помощью так называемого нелинейного метода наименьших квадратов (НМНК).

Обозначим нелинейное по параметрам уравнение регрессии f(X, ß) (X— матрица рсгрсссоров,ß — вектор параметров). Параметры уравнений в данном методе подбираются таким образом, чтобы максимально приблизить кривую f(X, ß) к результатам наблюдений эндогенной переменной Y. Таким образом, здесь, как и в обычном МНК, минимизируется сумма квадратов отклонений:

F= ² (**)

Если продифференцировать F по параметрам и приравнять производные нулю, то получим нелинейную систему нормальных уравнений. В случае линейного уравнения регрессии нормальные уравнения представляли собой систему линейных уравнений, решение которой не составляло труда.

Нелинейный метод наименьших квадратов сводится к задаче минимизации функции (**) нескольких переменных ß=(ß1,…,ßn)

7. Классическая парная регресионная модель. Спецификация модели. Теорема Гаусса-Маркова.

Простая (парная) регрессия представляет собой модель, где ожидаемое значение зависимой (объясняемой, эндогенной) переменной y рассматривается как функция одной объясняющей (независимой или управляемой, предопределённой) переменной х, то есть модель вида

Е(y) =f(x)

Регрессионные модели, которые наиболее часто используются в эконометрике:

1) Линейная y = a + bx+u; употребляется наиболее часто, остальные функции стараются преобразовать к линейному виду, линеаризовать.

Регрессии, нелинейные относительно включённых в анализ объясняющих переменных:

2) Полином второй, редко третьей степени y = a + bx+сх²+u.

3) Равносторонняя гипербола y = a +b/x +u.

Эти модели сводятся к линейным заменой переменных: z = х² для полинома и z =1/x для гиперболы.

К нелинейным регрессиям по оцениваемым параметрам относятся:

4) Степенная y = ax^be;