На основании каких показателей можно судить о качестве регрессионной модели в целом?

При проверке качества модели в первую очередь стоит обращать внимание на то, соответствует ли она логике экономического процесса, т.е. мы должны смотреть, реалистичны ли знаки коэффициентов перед независимыми переменными и реалистична ли их величина.

Традиционно качество регрессии оценивается с помощью: , t-статистики и F-статистики.

Далее – подробный ответ. В принципе, не нужен – как и говорил Черняк. Однако может пригодиться в подготовке, решайте сами. «Ненужное» выделил серым.

R² (коэффициент детерминации):

Коэффициент детерминации показывает объясняющую способность регрессии.

Формула = , где

-расчётное (оно же теоретическое и предсказанное) значение

- выборочное среднее.

Чем выше , тем больше построенная нами линия регрессии соответствует всем наблюдениям. Поэтому если мы хотим по регрессии строить предсказания (т.е. подставлять значения независимых переменных и получать точную, правдивую оценку зависимой), нам необходим высокий .

t-статистика:

t-статистика соизмеряет значение коэффициента с его стандартной ошибкой. Фактически же мы проверяем гипотезу о том, равен нулю коэффициент при рассматриваемой переменной или нет. Т.е:

Ho: коэффициент=0. Если эта гипотеза верна, то коэффициент не значим.

Ha: коэффициент не равен 0. Если эта гипотеза верна, то коэффициент значим.

Выяснить, отвергается нулевая гипотеза или нет, можно 2 способами:

1. Метод критических значений (по таблицам):

a) Находим фактическое значение t (Черняк не говорил формулу, так что она м.б. и не нужна):

t= , где

SE – стандартная ошибка коэффициента.

b) Определяем число степеней свободы

df.=n-k=25-2=23

n – число наблюдений

k – число оцененных параметров

c) Выбираем уровень значимости (т.е. вероятность ошибки): 1% или 5%.

d) Находим критическое значение по таблице:

в таблице выбираем клетку в строке, соответствующей числу степеней свободы и в столбце, соответствующем выбранному уровню значимости.

e) Сравниваем фактическое значение с табличным:

Если t > t , то коэффициент значим на выбранном уровне значимости (лучше сначала на 1% проверить). Т.е. нулевая гипотеза отвергается.

Если t < t , то коэффициент не значим. Нулевая гипотеза не отвергается.

2. Метод «p-value» («метод значения вероятности»). Используется при работе в EViews:

p-value = Prob – вероятность того, что случайно (по другой выборке, другим исследователем) будет получен результат лучше, чем у нас (тот, что рассчитан).

Процедура проверки:

a) Сравниваем значение Prob из EViews с 1% (т.е. с 0.01).

b) Если Prob.< 0.01, то коэффициент значим на 1% уровне.

c) Если Prob.> 0.01, тогда проверяем его значимость на 5% (сравниваем с 0.05)

F-статистика:

F- статистика представляет собой отношение объясненной суммы квадратов (в расчете на одну независимую переменную) к остаточной сумме квадратов (в расчете на одну степень свободы).

Фактически проверяем гипотезу:

Но: все коэффициенты при независимых переменных равны нулю ()

На: хотя бы один из них нулю не равен.

Выяснить, отвергается нулевая гипотеза или нет, можно 2 способами:

1. По таблицам:

a) Рассчитываем фактическое по формуле:

F(k-1,n-k)= , где

k - число объясняющих переменных.

b) Находим табличное:

· Выбираем уровень значимости α (1% или 5%)

· Вычисляем число степеней свободы: 1 и (n -2 ).

· По таблицам F- распределения Фишера определяем критическое значение F α, 1, n- 2 (всегда одностороннее)

c) Если F статистика(фактическое) > F α, 1, n- 2, то уравнение в целом является значимым при выбранном уровне значимости α.

d) В противном случае уравнение в целом незначимо (на данном уровне α).

2. В EViews:

Точно так же, как в случае с t-статистикой, сравниваем с Prob.

159. Для чего используется F- критерий при оценке качества уравнения множественной регрессии?

F-статистика используется для анализа дисперсии. После получения F-статистики можно провести F-тест, который определит, действительно ли объясненная сумма квадратов больше той, которая может иметь место случайно. Для этого ищем критическое значение F в таблице Фишера с (k; n-k-1) степенями свободы и сравниваем с F-статистикой. Если расчетное значение больше, чем критическое, то уравнение в целом значимо на том уровне, на котором вы смотрели в таблице.

160. Как рассчитать значение F- критерия для множественной регрессии, исходя из знания сумм квадратов остатков?

Прииспользовании регрессионого анализа для деления дисперсии зависимой переменной

на «объясненную» и «необъясненную» составляющие, можно построить

F-статистику:

где ESS— объясненная сумма квадратов отклонений;

RSS— остаточная (необъясненная) сумма квадратов;

к — число степеней свободы, использованное на объяснение.

С помощью этой статистики можно выполнить F-тест для определения того, действительно ли объясненная сумма квадратов больше той, которая может иметь место случайно. Для этого нужно найти критический уровень F в колонке, соответствующей к степеням свободы, и в ряду, соответствующем (п-к-1) степеням свободы, в той или иной части табл. А.З. Чаще всего F-тест используется для оценки того, значимо ли объяснение, даваемое уравнением в целом. Кроме того, с помощью F-статистик можно выполнить

ряд дополнительных тестов (Доугерти, стр. 160).

161. Как рассчитать значение F- критерия для множественной регрессии, исходя из знания коэффициента детерминации R²?

162. Какова особенность расчета числа степеней свободы для F- критерия в множественной регрессии?

В данном случае учитываются две степени свободы v₁ и v₂.

v₁ = k

v₂ = n – k – 1

k – число объясняющих переменных (без константы)

Fкрит = (уровень значимости; v₁; v₂)

163. Каков вид F- распределения? Почему обычно используются только односторонние F- критерии?

F-распределение является асимметричным.

Обычно используется односторонние критерии, так как это позволяет спасти значимость коэффициентов регрессии при том же уровне значимости.

Функция плотности вероятности F-распределения для степеней свободы a и b приведена на графике справа.

В эконометрике количество наблюдений всегда превышает одно, следовательно, график плотности вероятности распределения Фишера имеет вид, как на рисунке обозначено зеленым и фиолетовым.

Односторонний критерий имеет более высокую мощность, чем двухсторонний критерий — при той же вероятности ошибочного отклонения нулевой гипотезы. Это говорит о предпочтительности одностороннего критерия по сравнению с двухсторонним.