|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Статистические свойства оценок параметров парной регрессионной моделиТеорема Гаусса-Маркова. Пусть матрица Х имеет полный ранг. При выполнении условий Гаусса-Маркова МНК-оценки параметров относятся к классу линейных по Y, несмещенных оценок с минимальной дисперсией. Покажем линейность оценок следующим выражением: Докажем несмещенность полученных оценок. Введем обозначение: , тогда можно показать, что справедливы следующие соотношения: , , , . Свойство несмещенности оценок параметра проверяется непосредственно: , , E()=b , E =a. Оценка является состоятельной если: , т.е с увеличением объема выборки оценки более плотно концентрируются около истинного значения. Оценка становится более надежной в вероятностном смысле, и дисперсия оценки стремится к нулю. Для доказательства состоятельности оценок параметров парной регрессии получим выражения для элементов автоковариационной матрицы вектора оценок параметров . В матричной форме =AY, поэтому =Cov{AY,AY}= . Определим элементы автоковариационной матрицы случайного вектора Y: , где -единичная матрица с размером nxn. Таким образом = =( Так как Q= , получим выражения элементов ковариационной матрицы вектора через выборочные данные: , таким образом имеем: , . Как следует из этих выражений, с увеличением объема выборки n дисперсии несмещенных оценок параметров стремятся к нулю, то есть МНК-оценки параметров парной регрессии являются состоятельными. В качестве эффективности оценок чаще всего используется критерий вида: Е{ }= . Несмещенная оценка является эффективной, если она имеет минимальную дисперсию по сравнению с любыми другими оценками этого параметра в классе выбранных процедур(т.е. является менее случайной). Доказательство эффективности МНК-оценок выполняется путем сравнения их дисперсий с дисперсиями линейных несмещенных оценок . Пусть -вектор несмещенных линейных оценок параметров , определяемых выражением вида , где С- произвольная(2хn)- матрица. Тогда в силу несмещенности оценки и равенства AX= , можно записать: , откуда следует, что CX=0. Определим автоковариационную матрицу вектора оценок : , так как Cov{Y,Y}= I и С =0, A = . Диагональные элементы автоковариационной матрицы-дисперсии оценок параметров. Диагональные элементы неотрицательны, поэтому Var( Var(, т.е МНК-оценка является эффективной, имея минимальную дисперсию по сравнению с любыми несмещенными оценками неизвестного параметра в классе линейных процедур. 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.) |