|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Расчет стандартных ошибок параметров уравнения парной регрессии и точности прогнозарованияДля расчета дисперсий D(a) и D(в) коэффициентов регрессии а и в в формулах (9) использовалась дисперсия σ2 случайного члена ε. Эта дисперсия неизвестна, но ее можно оценить, используя выборочные данные. Можно доказать, что несмещенной оценкой дисперсии σ2 является величина S2, где: (10) Величина S называется стандартной ошибкой регрессии. Она служит мерой разброса зависимой переменной около линии регрессии. Запишем в формулах (9) дисперсию σ2 ее оценкой S2: (11) и называют оценками дисперсии коэффициентов регрессии, а величина Sa и Sв – стандартными ошибками коэффициентов регрессии. Они используются для построения доверительных интервалов, которым принадлежат параметры истинной регрессии и для проверки значимости коэффициентов регрессии. Прогнозирование на основе эконометрических моделей является одной из основных задач эконометрики. Под прогнозированием в эконометрике понимают построение оценки зависимой переменной для таких значений независимых переменных, которых нет в исходных наблюдениях. Различают точечное прогнозирование и интервальное. Точечный прогноз это число, значение зависимой переменной, вычисляемое для заданных значений независимых переменных. Интервальный прогноз это интервал, в котором с заданным уровнем значимости (с заданной вероятностью) находится истинное значение зависимой переменной для заданных значений независимых переменных. Рассмотрим парную линейную регрессионную модель и соответствующее выборочное уравнение регрессии. Обозначим через ур истинное значение переменной у для заданного значения независимой переменной хр, т.е.. Точечным прогнозом для ур является, т.е. чтобы получить точечный прогноз нужно в построенное уравнение регрессии подставить заданное значение независимой переменной. Ошибкой предсказания () называют разность между прогнозным и истинным значениями независимой переменной.
Можно доказать, что дисперсия ошибки предсказания . (21) Из (21) следует, что чем ближе заданное значение независимой переменной к тем меньше дисперсия прогноза и чем больше объем выборки n, тем меньше дисперсия прогноза. Заменив в (21) дисперсию на ее оценку, извлечем, квадратный корень и получим стандартную ошибку предсказания. (22) Выберем уровень значимости α и по таблице распределения Стьюдента найдем tкр. Тогда с вероятностью 1- α истинное значение переменной ур будет находится внутри интервала: (23) Очевидно, что чем ближе к и чем больше n, тем уже доверительный интервал (тем точнее прогноз). Это надо учитывать, выбирая прогнозные значения для независимой переменной.
13. Теорема Гаусса-Маркова, основные допущения и предпосылки, их практическое содержание и назначение Теорема Гаусса-Маркова формулирует условия, при которых МНК позволяет получить наилучшие оценки параметров линейной модели множественной регрессии. Теорема начинается с описания условий, которые накладываются на вектор случайных возмущений. Эти условия принято называть предпоссылками теоремы Гаусса-Маркова. И так. Если: 1.Математическое ожидание случайных возмущений во всех наблюдениях равно нулю: 2. Дисперсия случайных возмущений во всех наблюдениях одинакова и равна константе : 3.Ковариация между парами случайных возмущений в наблюдениях равны нулю (случайные возмущения в наблюдениях независимы): 4.Ковариация между вектором регрессоров и вектором случайных переменных равн нулю (регрессоры и случайные возмущения независимы):
Тогда. Если матрица Х неколлинеаная: 1. Наилучшая оценка вектора параметров линейной модели множественной регрессии вычисляется, как:
Она соответствует методу наименьших квадратов 2. Ковариационная матрица оценок параметров модели вычисляется как: 3. Дисперсия случайного возмущения равна: 4. Наилучший прогноз модели в точке вычисляется по правилу: 5. Ошибка прогноза эндогенной переменной равна: Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.004 сек.) |