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
RESET -ТЕСТ РАМСЕЯ НЕПРАВИЛЬНОЙ СПЕЦИФИКАЦИИ ФУНКЦИОНАЛЬНОЙ ФОРМЫ 1 RESET -
Содержание
- 1. RESET -ТЕСТ РАМСЕЯ НЕПРАВИЛЬНОЙ СПЕЦИФИКАЦИИ ФУНКЦИОНАЛЬНОЙ ФОРМЫ 1 RESET -
- 2. 2Поскольку, по определению, установленные значения являются линейной
- 3. 3Если в спецификацию регрессии добавляется Y2, то
- 4. Добавим в регрессионную спецификацию4Если
- 5. 5Сделаем это на примере заработной платы. Вот
- 6. 6Коэффициент значителен на уровне 5 процентов, что
- 7. 7Однако мы также увидели, что лучше использовать
- 8. 8По итогам проведения теста можно не обнаружить
- 9. Скачать презентанцию
2Поскольку, по определению, установленные значения являются линейной комбинацией объясняющих переменных, как показано, Y2 является линейной комбинацией квадратов Х переменных и их взаимодействий.^RESET-ТЕСТ РАМСЕЯ НЕПРАВИЛЬНОЙ СПЕЦИФИКАЦИИ ФУНКЦИОНАЛЬНОЙ ФОРМЫ
Слайды и текст этой презентации
Слайд 1 RESET-ТЕСТ РАМСЕЯ НЕПРАВИЛЬНОЙ СПЕЦИФИКАЦИИ ФУНКЦИОНАЛЬНОЙ ФОРМЫ
1
RESET- тест Расмея неправильной
Слайд 22
Поскольку, по определению, установленные значения являются линейной комбинацией объясняющих переменных,
как показано, Y2 является линейной комбинацией квадратов Х переменных и
их взаимодействий.^
RESET-ТЕСТ РАМСЕЯ НЕПРАВИЛЬНОЙ СПЕЦИФИКАЦИИ ФУНКЦИОНАЛЬНОЙ ФОРМЫ
Слайд 33
Если в спецификацию регрессии добавляется Y2, то он должен получать
квадратичную и интерактивную нелинейность, и если она присутствует, то ей
не обязательно сильно коррелировать с любой из Х переменных.^
RESET-ТЕСТ РАМСЕЯ НЕПРАВИЛЬНОЙ СПЕЦИФИКАЦИИ ФУНКЦИОНАЛЬНОЙ ФОРМЫ
Добавим в регрессионную спецификацию
Слайд 4Добавим в регрессионную спецификацию
4
Если показатель t-статистика значителен,
это указывает на то, что может присутствовать некоторая нелинейность.
RESET-ТЕСТ РАМСЕЯ
НЕПРАВИЛЬНОЙ СПЕЦИФИКАЦИИ ФУНКЦИОНАЛЬНОЙ ФОРМЫ
Слайд 55
Сделаем это на примере заработной платы. Вот результат регрессии EARNINGS
на S и EXP с использованием набора данных EAWE 21.
Сохраняем установленные значения как FITTED и генерируем FITTEDSQ как квадрат.RESET-ТЕСТ РАМСЕЯ НЕПРАВИЛЬНОЙ СПЕЦИФИКАЦИИ ФУНКЦИОНАЛЬНОЙ ФОРМЫ
. reg EARNINGS S EXP
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 2, 497) = 35.24
Model | 8735.42401 2 4367.712 Prob > F = 0.0000
Residual | 61593.5422 497 123.930668 R-squared = 0.1242
-----------+------------------------------ Adj R-squared = 0.1207
Total | 70328.9662 499 140.939812 Root MSE = 11.132
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | 1.877563 .2237434 8.39 0.000 1.437964 2.317163
EXP | .9833436 .2098457 4.69 0.000 .5710495 1.395638
_cons | -14.66833 4.288375 -3.42 0.001 -23.09391 -6.242752
----------------------------------------------------------------------------
. predict FITTED
(option xb assumed; fitted values)
. gen FITTEDSQ = FITTED*FITTED
Слайд 66
Коэффициент значителен на уровне 5 процентов, что указывает на то,
что добавление квадратичных членов может улучшить спецификацию модели.
RESET-ТЕСТ РАМСЕЯ НЕПРАВИЛЬНОЙ
СПЕЦИФИКАЦИИ ФУНКЦИОНАЛЬНОЙ ФОРМЫ. reg EARNINGS S EXP FITTEDSQ
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 25.46
Model | 9386.33186 3 3128.77729 Prob > F = 0.0000
Residual | 60942.6344 496 122.868214 R-squared = 0.1335
-----------+------------------------------ Adj R-squared = 0.1282
Total | 70328.9662 499 140.939812 Root MSE = 11.085
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | -1.334163 1.413072 -0.94 0.346 -4.110507 1.442181
EXP | -.6441233 .7373115 -0.87 0.383 -2.092762 .8045155
FITTEDSQ | .0460798 .0200203 2.30 0.022 .0067447 .0854148
_cons | 25.09321 17.79509 1.41 0.159 -9.86984 60.05626
----------------------------------------------------------------------------
Слайд 77
Однако мы также увидели, что лучше использовать полулогарифмическую спецификацию. RESET-тест
предназначен для обнаружения нелинейности, но не для конкретной, наиболее подходящей,
нелинейной модели.RESET-ТЕСТ РАМСЕЯ НЕПРАВИЛЬНОЙ СПЕЦИФИКАЦИИ ФУНКЦИОНАЛЬНОЙ ФОРМЫ
. reg EARNINGS S EXP FITTEDSQ
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 25.46
Model | 9386.33186 3 3128.77729 Prob > F = 0.0000
Residual | 60942.6344 496 122.868214 R-squared = 0.1335
-----------+------------------------------ Adj R-squared = 0.1282
Total | 70328.9662 499 140.939812 Root MSE = 11.085
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | -1.334163 1.413072 -0.94 0.346 -4.110507 1.442181
EXP | -.6441233 .7373115 -0.87 0.383 -2.092762 .8045155
FITTEDSQ | .0460798 .0200203 2.30 0.022 .0067447 .0854148
_cons | 25.09321 17.79509 1.41 0.159 -9.86984 60.05626
----------------------------------------------------------------------------
Слайд 88
По итогам проведения теста можно не обнаружить некоторые типы нелинейности.
Однако у него есть достоинства, такие как легкость в осуществлении
и потребление только одной степени свободы.RESET-ТЕСТ РАМСЕЯ НЕПРАВИЛЬНОЙ СПЕЦИФИКАЦИИ ФУНКЦИОНАЛЬНОЙ ФОРМЫ
. reg EARNINGS S EXP FITTEDSQ
----------------------------------------------------------------------------
Source | SS df MS Number of obs = 500
-----------+------------------------------ F( 3, 496) = 25.46
Model | 9386.33186 3 3128.77729 Prob > F = 0.0000
Residual | 60942.6344 496 122.868214 R-squared = 0.1335
-----------+------------------------------ Adj R-squared = 0.1282
Total | 70328.9662 499 140.939812 Root MSE = 11.085
----------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-----------+----------------------------------------------------------------
S | -1.334163 1.413072 -0.94 0.346 -4.110507 1.442181
EXP | -.6441233 .7373115 -0.87 0.383 -2.092762 .8045155
FITTEDSQ | .0460798 .0200203 2.30 0.022 .0067447 .0854148
_cons | 25.09321 17.79509 1.41 0.159 -9.86984 60.05626
----------------------------------------------------------------------------
