АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция

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

Читайте также:
  1. CRM системы и их возможности
  2. II. Право на фабричные рисунки и модели (прикладное искусство), на товарные знаки и фирму
  3. PrPf употребляется в тех предложениях, которые можно адекватно переформулировать в виде предложений в настоящем иди будущем времени.2
  4. SWOT - анализ предприятия. Анализ возможностей и угроз.
  5. А вдруг она в том, что познать невозможно?
  6. Абсолютная и относительная ограниченность ресурсов и проблема выбора. Кривая производственных возможностей
  7. Автокорреляция остатков модели регрессии. Последствия автокорреляции. Автокорреляционная функция
  8. Автокорреляция уровней временного ряда. Анализ структуры временного ряда на основании коэффициентов автокорреляции
  9. Аддитивная и мульпликативная модели временного ряда
  10. Адекватность трендовой модели
  11. Алгоритм оценки и проверки адекватности нелинейной по параметрам модели (на примере функции Кобба-Дугласа).
  12. Алгоритм проверки адекватности множественной регрессионной модели (сущность этапов проверки, расчетные формулы, формулировка вывода).

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.

164. Каков содержательный смысл отношения Фишера в определении F -критерия?

F-статистика п редставляет собой отношение объясненной суммы квадратов (в расчете на одну независимую переменную) к остаточной сумме квадратов (в расчете на одну степень свободы), где k - число объясняющих переменных. Улучшение уравнение может происходить за счет добавления переменных, поэтому сумма квадратов остатков – эталонное значение – распределяется по количеству переменных, и сравниваются значения суммы квадратов остатков, объясненных регрессией и остаточных.

165. Каковы общие принципы выбора уровня значимости при использовании F -критерия для оценки качества уравнения в целом?

С одной стороны, большой уровень значимости дает большую уверенность в том, что альтернативная гипотеза значима. Но при этом возрастает риск не отвергнуть ложную нулевую гипотезу (ошибка второго рода). Таким образом, выбор уровня значимости требует компромисса между значимостью и риском ошибки и, следовательно, между вероятностями ошибок первого и второго рода. Обычно гипотезы проверяются на уровне значимости 1% или 5% (тоже самое, что и для уровня значимости при оценки коэффициентов).

166. Для чего используются t -тесты для коэффициентов регрессии и какова интерпретация их результатов?

t-тесты обеспечивают проверку значимости предельного вклада каждой переменной при допущении, что все остальные переменные уже включены в модель.

t -тесты нужны для того, чтобы отвергнуть или не отвергнуть гипотезу о равенстве коэффициента перед переменной нулю. Если мы отвергаем гипотезу, значит, коэффициент значим. Условие того, что оценка регрессии приводит к отказу от нулевой теории H0: β2= β2020принимается равным 0), следующее:

t -крит <

= t-статистика, причем, т.к. = 0, t-статистика = . t-статистика соизмеряет значение коэффициента с его стандартной ошибкой

Сравнивая значение коэффициента с его стандартной ошибкой, можно судить о значимости коэффициента.

Иначе условие значимости можно записать так: t -крит<|t-статистика|

Однако незначимость коэффициента регрессии не всегда может служить основанием для исключения соответствующей переменной из модели.

167. Какова связь между F- критерием и t- критериями для коэффициентов регрессии? Есть ли связь между соответствующими критическими значениями?

В случае множественного регрессионного анализа. F-статистика = квадрату t-статистики (F = t2).

Между критическими значениями, при любом заданном уровне значимости:

F-крит. = t2-крит. (при двустороннем тесте).


1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 | 71 | 72 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | 93 | 94 | 95 | 96 | 97 | 98 | 99 | 100 | 101 | 102 | 103 | 104 | 105 | 106 | 107 | 108 | 109 | 110 | 111 | 112 | 113 | 114 | 115 | 116 | 117 | 118 | 119 | 120 | 121 | 122 | 123 | 124 | 125 | 126 | 127 | 128 | 129 | 130 | 131 | 132 | 133 | 134 | 135 | 136 | 137 | 138 | 139 | 140 | 141 | 142 | 143 | 144 | 145 | 146 | 147 | 148 | 149 | 150 | 151 | 152 | 153 | 154 | 155 | 156 | 157 | 158 | 159 | 160 | 161 | 162 | 163 | 164 | 165 | 166 | 167 | 168 | 169 | 170 |

Поиск по сайту:



Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.009 сек.)