Разделы презентаций


Эконометрика

Содержание

Модель множественной регрессии. Множественная регрессия – уравнение связи с несколькими независимыми переменными:Можно записать линейную модель множественной регрессии в двух видах:если xi1=1, для любого i = [1;n]1.2.

Слайды и текст этой презентации

Слайд 1Эконометрика.
Четвертая лекция.

Эконометрика.Четвертая лекция.

Слайд 2Модель множественной регрессии.
Множественная регрессия – уравнение связи с несколькими

независимыми переменными:
Можно записать линейную модель множественной регрессии в двух видах:
если

xi1=1, для любого i = [1;n]

1.




2.

Модель множественной регрессии. Множественная регрессия – уравнение связи с несколькими независимыми переменными:Можно записать линейную модель множественной регрессии

Слайд 3Гипотезы, лежащие в основе множественной модели, являются естественным обобщением модели

парной регрессии:
1. Спецификация модели:
2. xi1, xi2… xik - детерминированные

величины xS=(x1S, x2S…xnS)T линейно независимо в Rn

для любого i=[1;n]

Гипотезы, лежащие в основе множественной модели, являются естественным обобщением модели парной регрессии:1. Спецификация модели:2. xi1, xi2… xik

Слайд 45. Ut~N(0, σ2)
Если выполняются эти условия, то модель называется

нормальной линейной регрессией.
3.
4.

5.  Ut~N(0, σ2)Если выполняются эти условия, то модель называется нормальной линейной регрессией.3.4.

Слайд 5Введем следующие обозначения:
Вектор значений зависимой переменной
Вектор неизвестных параметров модели
Вектор значений

случайной компоненты
Матрица значений регрессоров

Введем следующие обозначения:Вектор значений зависимой переменнойВектор неизвестных параметров моделиВектор значений случайной компонентыМатрица значений регрессоров

Слайд 7Интерпретация множественного уравнения регрессии.
x1 – доход потребителя (руб.)
х2 – цена

продукта питания (руб.)
Y – расход на питание (руб.)

Интерпретация множественного уравнения регрессии.x1 – доход потребителя (руб.)х2 – цена продукта питания (руб.)Y – расход на питание

Слайд 8Коэффициенты регрессии b – показатели силы связи, характеризующие абсолютное изменение

результативного признака Y (в его единицах измерения) при изменении факторного

признака х на 1 единицу своего измерения и при фиксированном влиянии остальных факторов, включенных в модель.

Коэффициенты регрессии b – показатели силы связи, характеризующие абсолютное изменение результативного признака Y (в его единицах измерения)

Слайд 9Коэффициент а показывает совокупное влияние прочих факторов, не включенных в

модель.
Используя коэффициенты регрессии можно рассчитать частные коэффициенты эластичности. Как правило

их рассчитывают для средних значений факторов:
Коэффициент а показывает совокупное влияние прочих факторов, не включенных в модель.Используя коэффициенты регрессии можно рассчитать частные коэффициенты

Слайд 10Частные коэффициенты эластичности имеют тот же смысл, что и обычные,

добавляется лишь ограничение на фиксированное значение остальных факторов.

Частные коэффициенты эластичности имеют тот же смысл, что и обычные, добавляется лишь ограничение на фиксированное значение остальных

Слайд 11Все коэффициенты регрессии должны быть подвергнуты оценке статистической значимости.
Процедура проверки

такая же как и в парной линейной регрессии.

Все коэффициенты регрессии должны быть подвергнуты оценке статистической значимости.Процедура проверки такая же как и в парной линейной

Слайд 12Анализ показателей тесноты связи.

Анализ показателей тесноты связи.

Слайд 13Парные коэффициенты

Парные коэффициенты

Слайд 14 Мультиколлинеарность (коллинеарность)– ситуация, когда регрессоры тесно связаны между собой. Если

объясняющие переменные связаны строгой функциональной зависимостью, то говорят о совершенной

мультиколлинеарности.

где Y - общая величина расходов на питание;
x1 - заработная плата;
x2 - доход, получаемый вне работы;
x3 - совокупный доход.

Мультиколлинеарность (коллинеарность)– ситуация, когда регрессоры тесно связаны между собой. Если объясняющие переменные связаны строгой функциональной зависимостью, то

Слайд 15 Для оценки мультиколлинеарности составляется и анализируется матрица парных коэффициентов корреляции.
В

первой строке и в первом столбце записывают все факторы, начиная

с зависимой переменной.
В клетках матрицы рассчитывают соответствующие парные коэффициенты корреляции.
Для оценки мультиколлинеарности составляется и анализируется матрица парных коэффициентов корреляции.	В первой строке и в первом столбце записывают

Слайд 17тогда считают, что регрессоры коллинеарны.
Т.е. между регрессорами существует тесная связь.

В этом случае нельзя определить их изолированное влияние на результативный

показатель и параметры уравнения регрессии оказываются неинтерпретируемыми.

Если

тогда считают, что регрессоры коллинеарны.Т.е. между регрессорами существует тесная связь. В этом случае нельзя определить их изолированное

Слайд 18 Возникает вопрос: нужно ли исключать коррелируемые регрессоры?
Однозначного ответа на этот

вопрос нет. Существует даже такая школа, представители которой считают, что

и не нужно ничего делать, поскольку «так устроен мир».
Возникает вопрос: нужно ли исключать коррелируемые регрессоры?	Однозначного ответа на этот вопрос нет. Существует даже такая школа, представители

Слайд 19 Другие эконометристы считают, что необходимо исключить «лишние» регрессоры, которые могут

служить причиной мультиколлинеарности.
Но при этом могут возникнуть новые проблемы.

Другие эконометристы считают, что необходимо исключить «лишние» регрессоры, которые могут служить причиной мультиколлинеарности.	Но при этом могут возникнуть

Слайд 20 Во-первых, не всегда ясно, какие переменные являются «лишними».

Во-вторых, удаление

независимых переменных может значительно отразиться на содержательном смысле модели.

Во-первых, не всегда ясно, какие переменные являются «лишними». 	Во-вторых, удаление независимых переменных может значительно отразиться на содержательном

Слайд 21 В-третьих, удаление переменных, которые реально влияют на изучаемую зависимую переменную,

приводит к смещению МНК-оценок.

В-третьих, удаление переменных, которые реально влияют на изучаемую зависимую переменную, приводит к смещению МНК-оценок.

Слайд 22 Теоретически регрессионная модель позволяет учесть любое число факторов, практически в

этом нет необходимости.
Отбор факторов проводится на основе качественного теоретико-экономического анализа.


Теоретически регрессионная модель позволяет учесть любое число факторов, практически в этом нет необходимости.	Отбор факторов проводится на основе

Слайд 23Но теоретический анализ не всегда позволяет однозначно ответить на вопрос

о количественной взаимосвязи рассматриваемых признаков и целесообразности включения фактора в

модель.
Но теоретический анализ не всегда позволяет однозначно ответить на вопрос о количественной взаимосвязи рассматриваемых признаков и целесообразности

Слайд 24Поэтому отбор факторов обычно проводится в два этапа:
Отбираются факторы, исходя

из сущности проблемы.
На основе матрицы парных коэффициентов корреляции и определения

t-статистик для параметров регрессии.
Поэтому отбор факторов обычно проводится в два этапа:Отбираются факторы, исходя из сущности проблемы.На основе матрицы парных коэффициентов

Слайд 25Если факторы явно коллинеарны, то они дублируют друг друга и

один из них рекомендуется исключить из регрессии. Предпочтение при этом

отдается не фактору, более тесно связанному с результатом, а тому фактору, который при достаточно тесной связи с результатом имеет наименьшую тесноту с другими факторами.
Если факторы явно коллинеарны, то они дублируют друг друга и один из них рекомендуется исключить из регрессии.

Слайд 26Частные коэффициенты корреляции
Для решения проблемы коллинеарности можно использовать частные коэффициенты

корреляции, которые характеризуют тесноту связи между результатом и регрессором при

фиксированном влиянии других факторов.
Частные коэффициенты корреляции	Для решения проблемы коллинеарности можно использовать частные коэффициенты корреляции, которые характеризуют тесноту связи между результатом

Слайд 27 Исключаем тот регрессор, для которого частный коэффициент наименьший, так как

учтено взаимное влияние регрессоров.

Исключаем тот регрессор, для которого частный коэффициент наименьший, так как учтено взаимное влияние регрессоров.

Слайд 28Коэффициент множественной корреляции, множественный коэффициент детерминации.
Коэффициент множественной корреляции используется для

оценки тесноты связи между зависимой переменной и всеми регрессорами, включенными

в модель.
Коэффициент множественной корреляции, множественный коэффициент детерминации.	Коэффициент множественной корреляции используется для оценки тесноты связи между зависимой переменной и

Слайд 29доля вариации Y, обусловленная не включенными в модель факторами.
доля вариации

у, обусловленная включенными в модель факторами.
R2 – коэффициент множественной детерминации.

доля вариации Y, обусловленная не включенными в модель факторами.доля вариации у, обусловленная включенными в модель факторами.R2 –

Слайд 30 Проверка статистической значимости множественного коэффициента корреляции осуществляется также как и

в парном анализе. Фактическое значение статистики Фишера определяется по формулам:
n

– размер выборки,
k – общее число параметров, оцениваемых в уравнении.

n – размер выборки,
k – число независимых переменных.

Проверка статистической значимости множественного коэффициента корреляции осуществляется также как и в парном анализе. Фактическое значение статистики Фишера

Слайд 31Стандартизированное уравнение множественной регрессии.
Существует другой подход к построению множественной регрессии

– уравнение регрессии в стандартизированном масштабе. Для этого введем стандартизированные

переменные
Стандартизированное уравнение множественной регрессии.	Существует другой подход к построению множественной регрессии – уравнение регрессии в стандартизированном масштабе. Для

Слайд 32К этому уравнению можно применить МНК. Система:
Для этих переменных среднее

значение равно 0, а среднее квадратическое отклонение равно 1.

К этому уравнению можно применить МНК. Система:Для этих переменных среднее значение равно 0, а среднее квадратическое отклонение

Слайд 33β – стандартизированные коэффициенты регрессии.

Данные коэффициенты сравнимы между собой

и можно ранжировать факторы по силе воздействия на результат.
Стандартизированный коэффициент

регрессии – показывает, на сколько средних квадратических отклонений изменится результат, если соответствующий фактор изменится на 1 сигма при неизменной величине остальных факторов.
β – стандартизированные коэффициенты регрессии. 	Данные коэффициенты сравнимы между собой и можно ранжировать факторы по силе воздействия

Слайд 34Пример: Пусть функция издержек производства Y (тыс.руб.) характеризуется уравнением вида:
где

x1 – основные производственные фонды (тыс.руб.)
x2 –

численность занятых в производстве (чел.)
Пример: Пусть функция издержек производства Y (тыс.руб.) характеризуется уравнением вида:где x1 – основные производственные фонды (тыс.руб.)

Слайд 35Построим уравнение в стандартизированном масштабе:

Построим уравнение в стандартизированном масштабе:

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.


Для правообладателей

Яндекс.Метрика