|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Оценка дисперсии возмущений модели множественной регрессииОценка дисперсии возмущений выражается через сумму квадратов остатков регрессии: ∑et^2=e^T*e, гдеe=Y- =Y-X =Y-XAY=Y-NY=(I-N)Y=MY=M(Xβ+ɛ)=Mɛ -n-мерный вектор-столбец остатков регрессии-случайный вектор (функция выборочных данных). Матрица M (как и матрица N) идемпотентная и симметричная. Действительно, ((I-N)^T)*(I-N)=(I^T)*I-(N^T)I-(I^T)*N+(N^T)*N=I-N, так как N^T=N, N=XA=X((X^T)*X^-1)*X^T, N^T=(XA)^T=(A^T)*(X^T)=X*((X^T)*X)^-1)*(X^T) Определим количественные характеристики случайного вектора e. Вектор математических ожиданий для остатков регрессии: E{ e }=E{Mɛ}=M*E{ɛ}=0 -(1) Автоковариационная матрица вектора остатков определяется по правилу С ee =Cov(Mɛ,Mɛ)=M*Cov(ɛ,ɛ)*M^T=M(σ^2)*IM^T=(σ^2)M(M^T)= (σ^2)M в силу идемпотентности матрицы М. Несмещенной оценкой дисперсии возмущения множественной регрессии является оценка вида: s^2=σ`^2=∑(et^2)/(n-k)=((e^T)*e)/(n-k), -(2) где k-число параметров модели (столбцов матрицы регрессоров). Для доказательства несмещенности данной оценки покажем, что E((e^T)*e)=(σ^2)(n-k) Действительно, E(eTe)=E(Σet2)=ΣE[(et-E(et))2]=ΣVar(et), с учетом (1). Дисперсии остатков et, t=1,2,…,nявляются диагональными элементами автоковариационной матрицы Cee вектора остатков, следовательно, сумма дисперсий-это ее след: (E(e12)…..E(e1en)) ΣVar(et)=tr(Cee)=tr(…………………), (E(ene1)….E(en2))
ТогдаE(eTe)=tr(Cee)=tr(σ2M)= σ2tr(M)=σ2tr(I-N)=σ2(tr(I)-tr(N))= σ2(n-k), где tr(M) – след матрицы М. След матрицы N: N=XA, с учетом свойства следа равенtr(XA)=tr(AX)=tr(Ik)=k. Легко проверить, что оценка (2) является несмещенной оценкой дисперсии возмущений: E(s2)=E(eTe)/(n-k)= σ2(n-k)/(n-k)= σ2. Оценка автоковариационной матрицы оценок параметров получается из формулы =Cov{ }=Cov{AY,AY}=ACov{Y,Y}AT= σ2 AAT= σ2(XTX)-1 путем замены истинного значения дисперсии возмущений несмещенной оценкой (2): =s2(XTX)-1. Таким образом, вектор оценок, в соответствии с основными предпосылками модели имеет нормальное распределение N(β,σ2(XTX)-1), и точечные МНК оценки параметров множественной регрессии являются линейными, несмещенными и эффективными. 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.) |