|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Понятие статистической процедуры оценивания параметров эконометрической модели. Линейные статистические процедуры. Требования к наилучшей статистической процедуреПусть имеется выборка значений переменных x и y модели Данная выборка получена на этапе наблюдения и предназначена для оценивания параметров модели В рамках данной модели величины (*) связаны следующей СЛОУ: Она называется системой уравнений наблюдения объекта в рамках исследуемой линейной модели, или иначе – схемой Гаусса-Маркова. Вот компактная запись этой схемы . где - вектор известных значений эндогенной переменной yt модели;
- вектор неизвестных значений случайных возмущений ut; - матрица известных значений предопределенной переменной x исходной модели, расширенная столбцом единиц (при наличии a0); Наконец, – вектор неизвестных коэффициентов уравнения модели. Оценку вектора обозначим . Тот факт, что эта оценка вычисляется по выборочным данным при помощи некоторой статистической процедуры, отразим: где f (·, ·) – символ процедуры. Данная процедура именуется линейной относительно вектора значений эндогенной переменной yt, если: . , где матрица коэффициентов, зависящих только от выборочных значений X предопределенной переменной хt. Класс таких всевозможных линейных процедур оценивания по исходной выборке вектора обозначим символом F. Наилучшая процедура f* (·, ·) из выбранного класса процедур F должна генерировать оценку , которая обладает одновременно двумя свойствами: ожидаемая оценка параметра совпадает с истинным значением , i=0,1 (эффективности). 29.Свойства МНК-оценок параметров линейной модели множественной регрессии (ЛММР) при нормальном векторе случайных остатков: независимость случайных векторов Рассмотрим с учётом схемы Гаусса-Маркова в компактной форме и случайный вектор истинной ошибки оценки : (1) или в компактном виде Видно, что вектор является выходом линейного преобразования вектора . Следовательно, вектор имеет нормальный закон распределения с числовыми характеристиками . Значит, и вектор является нормально распределённым случайным вектором с числовыми характеристиками . Теперь рассмотрим вектор Подставим в это выражение (1) (2) или в компактной записи Согласно (2) вектор тоже является выходом линейного преобразования вектора . Следовательно, и вектор имеет нормальный закон распределения. Его числовые характеристики Для доказательства независимости нормально распределенных случайных величин необходимо и достаточно доказать, что эти векторы некоррелированны, т.е. что их взаимная ковариационная матрица нулевая:
30.Свойства МНК-оценок параметров линейной модели множественной регрессии (ЛММР) при нормальном векторе случайных остатков: закон распределение оценки . (Внимание: нумерация формул идёт не по порядку) Так как вектор случайных остатков имеет нормальный закон распределения, то и нормально распределённым будет случайный вектор . (8.86) Компоненты этого вектора имеют количественные характеристики Образуем из этих компонент независимые стандартные нормально распределённые случайные переменные (8.90) Рассмотрим величину ( - это эффективная линейная несмещенная оценка, обладающая свойством наименьших квадратов), она зависит от выборки , а значит, является случайной переменной. Начнем с оценки вектора случайных остатков (8,79) Представим этот вектор как выход линейного преобразования вектора . Для этого подставим в правую часть 8,79 правую часть и приведем подобные члены: Здесь приняли обозначение Теперь, в правую часть предпоследнего равенства подставляем правую часть и, раскрывая скобки, получаем искомое преобразование: (8,81) В компактном виде получаем (8.81’) С учетом 8,81 находим значение квадратичной формы () (8.82) С учётом (8.82) и (8.86) получим (8.89) С учётом (8.89) и (8.90) получим: (8.91) Это значит, что при нормально распределённом векторе случайных остатков в схеме Гаусса-Маркова квадратичная форма (8.91) является случайной переменной, распределённой (с точностью до множителя ) по закону хи-квадрат с количеством степеней свободы К+1. Ч учётом этого утверждения, находим, что (8.92) В силу (8.92) оценка дисперсии единицы веса тоже имеет с точностью до множителя закон распределения хи-квадрат с количеством степеней свободы n-(k+1):
31. Свойства МНК-оценок параметров линейной модели множественной регрессии (ЛММР) при нормальном векторе случайных остатков: закон распределения дроби . - стандартная ошибка (оценка среднего квадратического отклонения) компоненты . Докажем, что случайная переменная (8.107) имеет закон распределения Стьюдента с количеством степеней свободы n-(k+1), т.е. (8.108) Доказательство. Разделим числитель и знаменатель дроби (8.107) на константу . Учитывая (из 30-го вопроса), получим: (8.109) Здесь символом обозначена стандартная нормально распределённая случайная переменная. - дробь Стьюдента с n степенями свободы (7.47) С учётом (7.47) и (8.109) получим представление (8.108)
Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.006 сек.) |