- •1.2. Типы моделей
- •1.3. Типы данных
- •1.4. История
- •1.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •2. Парная регрессия и корреляция. Свойства коэффициентов регрессии и проверка гипотез
- •2.1. Задачи корреляционно-регрессивного анализа
- •Содержательный характер задач корреляционно-регрессивного метода
- •2.2. Вычисление и интерпретация параметров парной линейной корреляции
- •2.3. Статистическая оценка надёжности параметров парной корреляции
- •2.4. Применение парного линейного уравнения регрессии
- •Коэффициент корреляции рангов
- •2.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •3. Множественная регрессия
- •3.1. Формулы для коэффициентов и стандартных ошибок
- •3.2. Множественная регрессия и оценка параметров Кобба-Дугласа
- •3.3. Мультиколлинеарность
- •3.4. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •4. Выбор уравнения
- •4.1. Влияние отсутствия необходимой переменной
- •4.2. Лишняя переменная
- •4.3. Замещающие переменные
- •4.4. Лаговые переменные
- •4.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •5. Фиктивные переменные
- •5.1. Фиктивные и нефиктивные переменные в регрессии
- •5.2. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •6. Гетероскедастичность
- •6.1. Коэффициент ранговой корреляции Спирмена (кркс)
- •6.2. Тест Голдфелда-Куандта
- •6.3. Тест Глейзера
- •6.4. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •7. Автокорреляция
- •7.1. Поправка Прайса–Уинстена
- •7.2. Процедура Кохрана–Оркатта
- •7.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •8. Модели временных рядов
- •8.1. Модели рядов, содержащих сезонную компоненту
- •Ответы к тесту:
- •9. Автоковариационная и автокорреляционная функции, их свойства. Коррелограмма
- •9.1. Спектральная плотность
- •9.2. Спектральный (Фурье) анализ
- •9.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •10. Неслучайная составляющая временного ряда
- •10.1. Проверка гипотезы о неизменности среднего значения временного ряда
- •10.2. Метод экспоненциально взвешенного скользящего среднего (метод Брауна [Brown (1963)])
- •10.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •11. Стационарные временные ряды и их идентификация
- •11.1. Основные понятия
- •11.2 Модели скользящего среднего сс(1) и сс(2). Двойственность. Обратимость. Идентификация
- •11.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •12. Лаговые переменные. Нестационарные временные ряды и их идентификация
- •12.1. Модель авторегрессии-проинтегрированного скользящего среднего (arima(p, k, q)-модель)
- •12.2. Модели рядов, содержащих сезонную компоненту
- •12.3. Полиномиальная лаговая структура Ширли Алмон
- •12.4. Геометрическая лаговая структура Койка
- •12.5. Модель частичного приспособления
- •12.6. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •13. Предсказания
- •13.1 Основные понятия
- •13.2. Доверительные интервалы и интервалы предсказания
- •13.3. Критерий г. Чоу
- •13.4. Коэффициент Тейла
- •13.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •14. Модели в виде систем линейных одновременных уравнений и их идентификация
- •14.1. Основные понятия
- •14.2. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •14.3. Использование эконометрической модели при исследовании зависимости затрат от объёма производства и структуры продукции на примере конкретного предприятия
- •Расчетное задание 1 «Построение уравнений парной регрессии и оценка их значимости»
- •Варианты лабораторных задач Задание
- •Расчетное задание 2. «Построение уравнений линейной множественной регрессии и оценка его значимости» Задача
- •Варианты лабораторных задач
- •Глоссарий
- •Библиографисеский список
- •Оглавление
- •1.1.Модели 3
- •10.1. Проверка гипотезы о неизменности среднего значения временного ряда 88
- •Эконометрика Учебное пособие
4. Выбор уравнения
4.1. Влияние отсутствия необходимой переменной
Проблема смещения
Предположим, что переменная у зависит от двух переменных х1 и х2 в соответствии с отношением: у=α + β1х1 + β2х2 + и, (4.1), однако вы не уверены в значимости х2. Считая, что модель должна выглядеть как у = α + β1х1 +и1 (4.2), вы оцениваете регрессию
ŷ = а + в1 x1 (4.3)
и вычисляете в1, по формуле Соv(х1,у)/Var(х1) вместо правильного выражения, данного в уравнении. По определению, в1, является несмещённой оценкой величины β1, если Е(в1) равняется β1. практически, если соотношение (1) верно, то
Е{Cov(х1,у)/Var(х1)} = β1 + β2Cov(х1,х2)/Var(х1). (4.4)
Сначала мы дадим интуитивное объяснение этого, а затем – формальное доказательство.
Если опустить х2 в регрессионном соотношении, то переменная х1 будет играть двойную роль: отражать своё прямое влияние и заменять переменную х2 в описании её влияния. Данное кажущееся опосредованное влияние величины х1 на у будет зависеть от двух факторов: от видимой способности х1 имитировать поведение х2 и от влияния величины х2 на у.
Кажущаяся способность переменной х1 объяснять поведение х2 определяется коэффициентом наклона h в псевдорегрессии:
х2 = g + hх1. (4.5)
Величина h, естественно, рассчитывается при помощи обычной формулы для парной регрессии, в данном случае Cov(х1,х2)/Var(х1). Влияние величины х2, на у определяется коэффициентом β2. Таким образом, эффект имитации посредством величины β2 может быть записан как β2 Cov(х1,х2)/Var(х1).Прямое влияние величины х1 на у описывается с помощью β1. Таким образом, при оценивании регрессионной зависимости у от переменной х1 (без включения в неё переменной х2) коэффициент при х1 определяется формулой:
β1 + β2 Cov(х1,х2)/Var(х1) + ошибка выборки (4.6)
При условии, что величина х1, не является стохастической, ожидаемый значением коэффициента будет сумма первых двух членов этой формулы. Присутствие второго слагаемого предполагает, что математическкое ожидание коэффициента будет отличаться от истинной величины β , другими словами, оценка будет смещенной.
x1 x2
Рис. 4.1. Непосредственный и кажущийся эффект х1
Есть, однако, один исключительный случай, когда оценка в, остаётся несмещённой. Это случается, когда выборочная ковариация между х1 и х2 в точности равняется нулю. Если Cov(х1,х2) = 0, то смешение исчезает. Действительно, коэффициент, полученный с использованием парной регрессии, будет точно таким же, как если бы вы оценили правильно специфицированную множественную регрессию. Конечно, величина смещения здесь равнялась бы нулю и при β2 = 0, но в этом случае неправильной спецификации не возникает.
Неприменимость статистических тестов
Другим серьезный следствием невключения переменной, которая на самом деле должна присутствовать в регрессии, является то, что формулы для стандартных ошибок коэффициентов и тесноты статистики, вообще говоря, становится неприменимыми. Это, разумеется, означает, что, основываясь на полученных результатах оценки регрессии, в принципе нельзя заниматься проверкой каких-либо гипотез.
Направление смещения
Возвращаясь к общему случаю, мы видим, что если истинная модель выражается формулой (1), где у – функция переменных х1 и х2, и если в уравнении регрессии опустить х1, то коэффициент при х1 смещается на величину, равную β2Cov(х1,х2)/Var(х1). Поскольку величина Vаr (х1) не может 6ыть отрицательной, то направление смещёния определяется знаками величин β2 и Cov(х1,х2). В примере с экспериментом по методу Монте-Карло величина β2 была положительной, а S и Iq имели положительную корреляцию, поэтому смещение оказалось положительным, а невключение переменной IQ привело к систематическому завышению коэффициента при S. Это, однако, не должно означать, что смешения обязательно является положительным. Если β2 отрицательная или же отрицательна ковариация между х1 и х2, то смещение будет отрицательным. Естественно, что если обе эти величины отрицательны, то смещение в результате будет положительным.