|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
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. 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= β20 (β20принимается 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). Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.007 сек.) |