Параметризация нелинейных парных моделей имеет свою специфику. Конечно, можно воспользоваться нелинейным МНК. Идея такого подхода такова же, как и в линейном случае: минимизируется сумма квадратов отклонений эмпирических (наблюдаемых) значений , , зависимой переменной от теоретических значений , , полученных по уравнению регрессии:
.
Главный недостаток такого подхода заключается в том, что для нахождения значений параметров приходится решать весьма сложные системы нелинейных уравнений.
В эконометрических исследованиях большее распространение получил метод определения параметров нелинейной парной регрессии, основанный на применении процедур линеаризации. Он состоит в том, что с помощью соответствующих преобразований исходных переменных исследуемая зависимость представляется в виде линейного соотношения между преобразованными переменными.
Для оценки параметров регрессии, нелинейной относительно включенной в уравнение объясняющей переменной, но линейной по оцениваемым параметрам, используется подход, называемый «замена переменных». Суть его состоит в замене «нелинейных» объясняющих переменных новыми «линейными» переменными. После этого к новой регрессии применяется обычный МНК. Например, модель гиперболической регрессии параметризуется после замены и как линейная модель .
|
|
Для оценки параметров регрессии, нелинейной по оцениваемым параметрам, часто применяется метод логарифмирования с последующей заменой переменных. Например, уравнение экспоненциальной регрессии параметризуется как линейная модель после логарифмирования и введения новых переменных и .
В таблице 3.1 приведены виды нелинейных парных регрессий и формулы замен переменных.
Метод линеаризации для оценки параметров парной регрессии удобен тем, что он может быть легко реализован в стандартных пакетах прикладных компьютерных программ (например, Excel). Недостаток подхода проявляется в том, что оценки параметров регрессии в таком случае получаются несколько смещенными. Это связано с тем, что сами оценки находятся не из условия минимизации суммы квадратов отклонений исходных переменных, а из условия минимизации суммы квадратов отклонений для преобразованных переменных, что не одно и то же.
Таблица 3.1. Оценки параметров нелинейных моделей регрессии
Вид регрессии | Линеаризующее преобразование |
Экспоненциальная регрессия | , (после логарифмирования) |
Логарифмическая регрессия | , |
Степенная регрессия | , (после логарифмирования) |
Показательная регрессия | , (после логарифмирования) |
Гиперболическая регрессия | , |
|
|