У нас построена линейная эконометрическая модель с изолированными уравнениями.
x1t; x2t;…- экзогенные
yt– эндогенные
t=1…n
Порядок оценивания модели состоит в следующем:
1) В столбце А с первой строчки располагаются значения эндогенной переменной у. В столбцах В и С, начиная с первой строчки - значения экзогенных переменных соответсвенно х1t и x2t
2) Активировать ячейку с адресом А(n+1) и на стандартной панели инструментов щелкнуть мышью кнопку вставки функциию
3) В диалоговом окне «Категория» выбрать «статистические», в диалоговом окне «выберите функцию» - «линейн», нажать ОК.
4) В строчке «известные значения у» диалогового окная указать (латиницей) адрес А1:Аn диапазона значений эндогенной переменной yt, а в строчке «известные значения х» - адрес В1:Сn диапазона известных значений предопределенных переменных х1 и х2.
5) В строчку «конст» диалогового окна занести (кириллицей) слово «истина» или цифру 1. (если в эту строчку занести слово «ложь» или цифру 0, то параметр а0 получит значение 0»
6) в строчку «статистика» занести слово «истина» или цифру 1, нажать ОК.
7) выделить мышью диапазон ячеек А(n+1):C(n+5).
8) щелкнуть мышью по строке формул
9) Нажать клавиши Ctrl+Shift+Enter.
В итоге в выделенном диапазоне ячеек появятся результаты оценивания модели.
Дополнительная регрессионная статистика будет выводиться в порядке, указанном в следующей схеме:
Значение коэффициента а2 | Значение коэффициента а1 | Значение коэффициента a0 |
Среднеквадратич. отклонение а2 | Среднеквадратич. отклонение а1 | Среднеквадратич. отклонение a0 |
Коэффициент детерминации R2 | Среднеквадратич. отклонение у | Н/Д |
F-статистика | Число степеней свободы | Н/Д |
Регрессионная сумма квадратов | Остаточная сумма квадратов | Н/Д |
82. Алгоритм проверки значимости регрессоров в множественной регрессионной модели. (25)
формируем t-статистику, используя вспомогательные случайные величины:
1) V=∑et^2/σ^2=(eTe)/ σ^2, где
^ E=MY=M(Xβ+ɛ)=MXβ+Mɛ= Mɛ,
Поэтому V=(eTe)/ σ^2=(ɛ/ σ)^T*M(ɛ/ σ)
Симметричную матрицу можно представить в виде
M=OT*Λ*O, где O-ортогональная матрица, Λ- диагональная матрица.
Если X-собственный вектор идемпотентной матрицы M, а λ-соответствующее собственное значение, то по определению собственного вектора и свойства идемпотентности:
λX=MX=MMX=MλX=λMX=λ2*X, или (λ-λ2)X=0, λ(1-λ)=0
Тогда статистику V можно представить следующим образом:
V=(e^t*e)/σ^2=(ε/σ)^T*O^T*Λ*O(ε/σ)=(O* ε/σ)^T*Λ*(O*ε/σ)=S^T* Λ*S,
где S – стандартный гауссовский вектор. Отсюда следует, что V представляет сумму квадратов независимых нормальных случайных величин и число слагаемых равно рангу матрицы M. Таким образом, случайная величина V имеет распределение χ2(r), где r=rank(M), т.е.V=∑ e t^2/ σ^2=(e ^T* e)/ σ^2 ̴ χ^2*(n-k)
2. Вторая вспомогательная статистика – стандартная нормальная случайная величина, обозначим ее Zβj: Zβj=(βj-β ͠j )/ σ β ͠j ̴ N(0,1), j=1,…k, где βjи β ͠j -j-е элементы векторов βи β ͠ соответственно. Тогда, по определению, t βj=Z βj/√(V/(n-k))=(βj - β ͠j )/s βj ̴ t(n-k), j=1,…k, т.е. представляют собой t-статистики с n-k степенями свободы и не зависят от неизвестных параметров σ2 и σ ͠βj . Здесь учтено, что (σ ͠βj)/ σ2= s βj ̴ /s. Задаваясь некоторым уровнем значимости α, по таблицам t-распределения можно определить критическое значение статистики tкр и, применяя стандартную процедуру, построить доверительный интервал с границами β ͠j +/- tкр s βj ̴, где оценка s2 βj является j-м элементом вектора s2 β ̴ =[s2(XTX)-1]dg. T-статистика используется для проверки статистической значимости оценок параметров множественной регрессии. При справедливости гипотезы H0: βj=0, вычисляется статистика вида: |t|=| β ͠j / s βj ͠ | ̴ t(n-k), имеющая распределение Стьюдента (n- объем выборки, k - числопараметров модели). Вычисленное значение сравнивается с критическим (выбранным из таблиц t-распределения по число степеней свободы (n-k) и уровню значимости α), и если |t|˃tкр, гипотеза H0: βj=0 отвергается и коэффициент признается статистически значимым, в случае |t|˂/=tкркоэффициент β ͠j признается статистически незначимым и регрессор Xj рекомендуется исключить из уравнения регрессии, так как он не оказывает существенного влияния на эндогенную переменную модели.