или активы, учитывая их структурные характеристики.(построение). В этом ряду мы
обсудим свойства таких прогнозов.True model
Fitted model
Разделы презентаций
- Разное
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Геометрия
- Детские презентации
- Информатика
- История
- Литература
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
1 PREDICTION В предыдущей последовательности мы увидели как прогнозировать цены
Содержание
- 1. 1 PREDICTION В предыдущей последовательности мы увидели как прогнозировать цены
- 2. 2Предположим, что даны примеры n наблюдений, как
- 3. 3Предположим сейчас, что оно сталкивается с новым
- 4. 4Что же можно сказать о свойствах этого
- 5. 5PREDICTIONМы будем рассматривать пример, где товар имеет
- 6. 6PREDICTIONДопустим, что модель относится (обращается) к новому
- 7. 7PREDICTIONМы объясним ошибку прогнозирования модели PE, как
- 8. 8Прогнозируемая ошибка получается путем подстановки фактической и прогнозируемой цены.PREDICTIONPrediction conditional onTrue modelFitted modelActual value of
- 9. 9PREDICTIONМы ожидаем. Prediction conditional onTrue modelFitted modelActual value of
- 10. 10PREDICTIONβ1 и β2 приняты с фиксированными параметрами,
- 11. 11PREDICTIONE(u*) = 0 потому что u* выявлено
- 12. 12PREDICTIONСледовательно, ожидание ошибки прогнозирования равен нулю. Результат
- 13. 13Показана дисперсия совокупности ошибки прогнозирования. Неудивительно, что
- 14. 14Также подразумевается, что снова неудивительно, что тем
- 15. 15При условии, что допущения модели регрессии действительны,
- 16. 16Стандартная ошибка прогнозирования вычисляется используя квадратный корень
- 17. 17Следовательно, мы можем построить доверительный интервал для
- 18. 18Доверительный интервал получен как функция Как мы
- 19. 19PREDICTIONPXX*upper limit of confidence interval for P*lower
- 20. 20PREDICTIONPXX*upper limit of confidence interval for P*lower
- 21. 21PREDICTIONДля простоты предположим, что есть две объясняющие
- 22. 22Тогда, если эффект от X2 переоценен, поэтому
- 23. 23Это будет проиллюстрировано с моделированием, с моделью
- 24. 24Поскольку X2 и X3 практически идентичны, они
- 25. 25Фигура показывает распределение и
- 26. 26Фигура также показывает сумму их распределения. Как
- 27. Скачать презентанцию
2Предположим, что даны примеры n наблюдений, как показано, мы установили модель ценообразования с k-1 характеристиками.PREDICTIONTrue modelFitted model
Слайды и текст этой презентации
Слайд 11
PREDICTION
В предыдущей последовательности мы увидели как прогнозировать цены на товары
Слайд 22
Предположим, что даны примеры n наблюдений, как показано, мы установили
модель ценообразования с k-1 характеристиками.
PREDICTION
True model
Fitted model
Слайд 33
Предположим сейчас, что оно сталкивается с новым видом товара с
характеристиками {X2*, X3*, ..., Xk* }. Учитывая (пример) результат выборки
регрессии, естественно прогнозировать, что цена нового вида должна сводиться к третьему уравнению.PREDICTION
Prediction conditional on
True model
Fitted model
Слайд 44
Что же можно сказать о свойствах этого прогнозирования? Во-первых, естественно
спросить справедливо ли оно в НЕсистематической переоценке или недооценке смысла
фактической цены. Во-вторых, мы обеспокоены о вероятной точности прогнозаPREDICTION
Prediction conditional on
True model
Fitted model
Слайд 55
PREDICTION
Мы будем рассматривать пример, где товар имеет одну соответствующую характеристику
и предположим, что мы установили простую регрессионную показанную модель. Следовательно,
дадим новый вид товара с характеристиками X = X * , эта модель дает нам прогнозируемую цену.Prediction conditional on
True model
Fitted model
Слайд 66
PREDICTION
Допустим, что модель относится (обращается) к новому товару и, следовательно,
к фактической цене, условно X = X *; оно образуется
как показано, где u* - это значение нарушения условия нового товара.Prediction conditional on
True model
Fitted model
Actual value of
Слайд 77
PREDICTION
Мы объясним ошибку прогнозирования модели PE, как разницу между ценой
фактической и прогнозируемой
Prediction conditional on
True model
Fitted model
Actual value of
Слайд 88
Прогнозируемая ошибка получается путем подстановки фактической и прогнозируемой цены.
PREDICTION
Prediction conditional
on
True model
Fitted model
Actual value of
Слайд 1010
PREDICTION
β1 и β2 приняты с фиксированными параметрами, поэтому ожидания на
них не влияют. Также X * принято считать фиксированной величиной
и также ожидания не воздействуют. Тем не менее, u* и случайные переменные.Prediction conditional on
True model
Fitted model
Actual value of
Слайд 1111
PREDICTION
E(u*) = 0 потому что u* выявлено случайно из распределения
для u, который мы приняли как нулевую совокупность. В соответствии
с обычными предположениями МНК есть несмещенная оценка β1 и является несмещенной оценкойPrediction conditional on
True model
Fitted model
Actual value of
Слайд 1212
PREDICTION
Следовательно, ожидание ошибки прогнозирования равен нулю. Результат легко обобщается в
случае, где множественные характеристики и новые товары включают в себя
новую комбинациюPrediction conditional on
True model
Fitted model
Actual value of
Слайд 1313
Показана дисперсия совокупности ошибки прогнозирования. Неудивительно, что это подразумевает, далее
- значение X * от среднего значения выборки, что дисперсия
совокупности ошибки прогнозирования будет больше.PREDICTION
Variance of prediction error
Слайд 1414
Также подразумевается, что снова неудивительно, что тем больше образец, тем
меньше будет дисперсия совокупности ошибки прогнозирования с нижним лимитом σu2
PREDICTION
Variance of prediction error
Слайд 1515
При условии, что допущения модели регрессии действительны, и
будут стремиться к их реальным значениям, так
как образец становится больше, поэтому единственным источником ошибки в прогнозировании будет u*, и по определению оно имеет дисперсию совокупности σu2.PREDICTION
Variance of prediction error
Слайд 1616
Стандартная ошибка прогнозирования вычисляется используя квадратный корень выражения для дисперсии
совокупности, заменяя дисперсию u с оценкой, полученной при подгонке модели
в период выборки.PREDICTION
Standard error
Variance of prediction error
Слайд 1717
Следовательно, мы можем построить доверительный интервал для ожидания.
tcrit критический
уровень t, учитывая выбранный уровень значимости и количество степеней свободы,
и s.e. является стандартной ошибкой прогнозирования.PREDICTION
P
X
X*
upper limit of confidence interval for P*
Слайд 1818
Доверительный интервал получен как функция Как мы отметили из математического
выражения, он становится шире, чем больше расстояние от X *
до среднего образца.PREDICTION
P
X
X*
upper limit of confidence interval for P*
lower limit of confidence
interval for P*
Слайд 1919
PREDICTION
P
X
X*
upper limit of confidence interval for P*
lower limit of confidence
interval
for P*
С несколькими объясняющими переменными выражение для ожидание дсиперсии становится
сложным
Слайд 2020
PREDICTION
P
X
X*
upper limit of confidence interval for P*
lower limit of confidence
interval
for P*
Следует отметить, что мультиколлинеарность не может оказывать отрицательного влияния
на точность прогнозирования, даже если оценки коэффициентов имеют большие отклонения.
Слайд 2121
PREDICTION
Для простоты предположим, что есть две объясняющие переменные, что оба
имеют положительные истинные коэффициенты и как показано, они положительно коррелированы;
мы прогнозируем значение Y *, учитывая значения X2 * и X3 *. Suppose X2 and X3 are positively correlated, b2 > 0, b3 > 0.
Then .
If is overestimated, is likely to be underestimated.
So may be a good estimator of .
Similarly, for other combinations.
Слайд 2222
Тогда, если эффект от X2 переоценен, поэтому >
β2, эффект от X3 вероятно будет недооценена с
< β3. Как следствие, эффекты ошибки могут в какой-то мере отмениться, в результате линейная комбинация может быть приближена к (β2X2* + β3X3*)PREDICTION
Suppose X2 and X3 are positively correlated, b2 > 0, b3 > 0.
Then .
If is overestimated, is likely to be underestimated.
So may be a good estimator of .
Similarly, for other combinations.
Слайд 2323
Это будет проиллюстрировано с моделированием, с моделью и показанными данными.
Мы устанавливаем модель и делаем прогноз
Simulation
PREDICTION
Слайд 2424
Поскольку X2 и X3 практически идентичны, они могут приблизиться к
Таким образом, точность прогноза зависит как близко
к (β2 + β3), то есть 5 PREDICTION
Simulation
Слайд 2525
Фигура показывает распределение и для 10
миллионов образцов. Их раcпределения имеют относительно широкие отклонения вокруг их
истинных моделей, как и следовало ожидать, учитывая мультиколлинеарность. Фактические стандартные отклонения их распределений составляют 0,45.PREDICTION
standard deviations 0.45
standard deviation 0.04
Слайд 2626
Фигура также показывает сумму их распределения. Как и ожидалось, он
распределяется примерно на 5, но с гораздо более низким стандартным
отклонением 0,04 , несмотря на мультиколлинеарность, влияющую на точечные оценки отдельных коэффициентовPREDICTION
standard deviations 0.45
standard deviation 0.04
