Оценка знач-ти Ур-я в целом дается с помощью F-критерия
Фишера: выдвигается гипотеза, что коэф-нт регрессии =0 (b=0) след-но Xне оказ-т влияние на Y. Расч F-критерия предшест-т анализ дисперсии. Дел-ся разд-е общей ∑ квадратов откл-й перем-й Y от средн знач Y на 2 части – «объясненную и необъясненную»: ∑(Yi-Yср)2= ∑(Yтеор(X1)-Yср)2
+∑(Yтеор(Xi)-Yi)2, те общей ∑ квадратов откл-й=∑
квадратов отклонений(объясненная регрессия)+остаточная ∑квадратов
отклонений. Общ ∑ квадратов отклонений инд-х знач от ср знач вызвана
влиянием множества причин. Если нет влияния рассматриваемого фактора, то линия
регрессии парал-на оси OX, остаточная ∑квадратов отклонений озн-т проч и
неучт-е фак-ры. ∑ квадратов откл-й связана с числом степеней
свободы(Degrees of freedom) – это число независимо варьирующих признаков,
влияющих на соотв ∑ квадратов откл-й. Общ ∑ квадратов откл-й имеет
число степеней свободы (n-1). Yср=(Y1+Yn)/n. Для остаточн ∑квадратов
отклонений число степеней свободы= (n-2). Если соотв ∑квадратов
|
|
отклонений разделить на соотв ∑ степеней свободы, то получится
дисперсия(D) на 1 степень свободы. ∑квадратов отклонений объясн регрессии
- число степеней свободы=1. Dобщ=∑(Y-Yср)2/(n-1),
Dфакт=∑(Yтеор(X1)-Yср)2/1, Dостат=∑(Yтеор(Xi)-Yi)2
/(n-2). Fкритерий Фишера F=Dфакт/Dост. Если гипотеза справедлива, то
Dфакторн=Dост, но для гипот-зы необх опроверж этого, те Dфакт>Dост. Есть
таблицы крит-х знач Fкритерий-это макс вел-на отношения дисперсии для дан
уровня вероят-ти. Если Fфакт> Fтабл, то Ур-е регрессии явл-ся значимым
(гипотеза отклоняется) и наоборот(гипотеза не может отклониться без
существенного риска). Можно говорить о значимости не только Ур-я вцелом, но и
его параметров. Для этого опр-ся их станд-я ошибка. Yтеор=a(альфа)+b(бетта)*xi.
Ma- ср квадр откл-е а от альфы и Mb-соотв. Tфактор=a/Mа>табл, то явл-ся
знач-м. Ma=корень квадратный из ∑(Yтеор(Xi)-Yi)2/(n-2)*
∑x2/[n*∑(x-xср)2]; Mb=корень квадратный из
∑(Yтеор(Xi)-Yi)2/(n-2)*1/ ∑(x-xср)2
∑(Yтеор(Xi)-Yi)2=Sост в квадрате
Коэф-т Мb* определяет наклон прямой регрессии.
8.Запишите все виды моделей, нелинейных относительно:
- объясняющих переменных;
- оцениваемых параметров.
Если между экономическими явлениями существуют нелинейные соотношения, то они выражаются с помощью соответствующих нелинейных функций.
Различают два класса нелинейных регрессий:
регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам: регрессии, нелинейные по оцениваемым параметрам.
Нелинейные регрессии по включаемым в нее объясняющим переменным, но линейные по оцениваемым параметрам
|
|
Данный класс нелинейных регрессий включает уравнения, в которых зависимая переменная линейно связана с параметрами. Примером могут служить: полиномы разных степеней
и равносторонняя гипербола При оценке параметров регрессий нелинейных по объясняющим переменным используется подход, именуемый «замена переменных». Суть его состоит в замене «нелинейных» объясняющих переменных новыми «линейными» переменными и сведение нелинейной регрессии к линейной регрессии. К новой «преобразованной» регрессии может быть применен обычный метод наименьших квадратов (МНК).
Полином любого порядка сводится к линейной регрессии с ее методами оценивания параметров и проверки гипотез.
Среди нелинейной полиноминальной регрессии чаще всего используется парабола второй степени; в отдельных случаях — полином третьего порядка. Ограничение в использовании полиномов более высоких степеней связаны с требованием однородности исследуемой совокупности: чем выше порядок полинома, тем больше изгибов имеет кривая и, соответственно, менее однородна совокупность по результативному признаку.
Равносторонняя гипербола, для оценки параметров которой используется тот же подход «замены переменных» (1/x заменяют на переменную z) хорошо известна в эконометрике.
Она может быть использована, например, для характеристики связи удельных расходов сырья, материалов и топлива с объемом выпускаемой продукции. Также примером использования равносторонней гиперболы являются кривые Филлипса и Энгеля..