Теорема Гаусса-Маркова формулирует условия, при которых МНК позволяет получить наилучшие оценки параметров линейной модели множественной регрессии.
Теорема начинается с описания условий, которые накладываются на вектор случайных возмущений. Эти условия принято называть предпоссылками теоремы Гаусса-Маркова.
И так. Если:
1.Математическое ожидание случайных возмущений во всех наблюдениях равно нулю:
2. Дисперсия случайных возмущений во всех наблюдениях одинакова и равна константе :
3.Ковариация между парами случайных возмущений в наблюдениях равны нулю (случайные возмущения в наблюдениях независимы):
4.Ковариация между вектором регрессоров и вектором случайных переменных равн нулю (регрессоры и случайные возмущения независимы):
Тогда. Если матрица Х неколлинеаная:
1. Наилучшая оценка вектора параметров линейной модели множественной регрессии вычисляется, как:
Она соответствует методу наименьших квадратов
2. Ковариационная матрица оценок параметров модели вычисляется как:
|
|
3. Дисперсия случайного возмущения равна:
4. Наилучший прогноз модели в точке вычисляется по правилу:
5. Ошибка прогноза эндогенной переменной равна: