Расмотрим уравнение
Применим к обеим частям этого уравнения оператор математического ожидания. Тогда получим[3]
Эту величину можно прогнозировать с помощью регрессионного уравнения.
Очевидно, что на момент постановки экспериментов по выявлению зависимости между переменными величинами и , точные значения параметров неизвестны. Они могут быть только оценены. Основной принцип оценки параметров регрессионной модели является принцип минимума суммы квадратов ошибок (отклонений).
Важный этап - формирование целевой функции.
Ошибка или отклонение:
Квадрат ошибки:
Здесь значения параметров, получаемые в результате оценок.
Сумма квадратов ошибок:
Функция при оценке регрессионных коэффициентов методом наименьших квадратов и является целевой функцией. Перепишем ее в следующем виде:
Далее, вычислим частную производную
мерный вектор мерный вектор
Необходимое условие экстремума:
или
В развернутом виде:
Здесь неизвестным (искомым) является вектор . В матричной записи имеем:
|
|
Подставляя найденные значения в оцениваемое регрессионное уравнение, получим так называемую эмпирическую регрессионную функцию:
(*)
Эмпирический регрессионный коэффициент в выражении (*) является частной производной эмпирической функции регрессии по му регрессору.
Бета-коэффициенты являются коэффициентами, которые были бы получены, если бы мы заранее стандартизовали все переменные, т.е. сделали их среднее равным 0, а стандартное отклонениеравным 1. Одно из преимуществ бета-коэффициентов (по сравнению с B-коэффициентами) заключается в том, что бета-коэффициенты позволяют сравнить относительные вклады каждойнезависимой переменной в предсказание зависимой переменной.
Таким образом: изменение величины го регрессора на единицу при прочих равных условиях вызовет изменение оцениваемой величины на величину равную . |