Кандидат технических наук, доцент Поляков Константин Львович Учебный курс Эконометрика: идентификация, оценивание и анализ статических моделей Лекция 7.

Презентация:



Advertisements
Похожие презентации
Кандидат технических наук, доцент Поляков Константин Львович Учебный курс Эконометрика: идентификация, оценивание и анализ статических моделей Лекция 9.
Advertisements

Кандидат технических наук, доцент Поляков Константин Львович Учебный курс Эконометрика: идентификация, оценивание и анализ статических моделей Лекция 6.
Кандидат технических наук, доцент Поляков Константин Львович Учебный курс Эконометрика: идентификация, оценивание и анализ статических моделей Лекция 11.
Кандидат технических наук, доцент Поляков Константин Львович Учебный курс Эконометрика: идентификация, оценивание и анализ статических моделей Лекция 10.
Кандидат технических наук, доцент Поляков Константин Львович Учебный курс Эконометрика: идентификация, оценивание и анализ статических моделей Лекция 8.
КЛАССИЧЕСКИЙ РЕГРЕССИОННЫЙ АНАЛИЗ. ОБЩАЯ ЛИНЕЙНАЯ МОДЕЛЬ.
Анализ Уравнения МРА Уравнение Y = *X 2 + …+ k *X k + u оценивается по МНК по выборке: (Y i, X 2i, …, X ki ), i = 1, …, n, и получается выборочное.
Свойства коэффициентов регрессии и проверка гипотез.
Лекция 7 Уравнение множественной регрессии Теорема Гаусса-Маркова Автор: Костюнин Владимир Ильич, доцент кафедры: «Математическое моделирование экономических.
Проверка гипотез на примере уравнения регрессии Проверка гипотез и соответствующие статистические выводы являются одними из центральных задач математической.
Проверка качества спецификации модели. Качество спецификации модели Под качеством спецификации модели понимается: - качество выбора функции уравнения.
АНАЛИЗ ДАННЫХ НА КОМПЬЮТЕРЕ. Регрессионный анализ.
«Линейная регрессия и корреляция: смысл и оценка параметров»
Теория статистики Корреляционно-регрессионный анализ: статистическое моделирование зависимостей Часть 1. 1.
Лекция 1 Введение.. Опр. эконометрика это наука, которая дает количественное выражение взаимосвязей экономических явлений и процессов.
Свойства коэффициентов регрессии и проверка гипотез.
Кандидат технических наук, доцент Поляков Константин Львович Учебный курс Эконометрика: идентификация, оценивание и анализ статических моделей Лекция 4.
P4P4 X X1X1 X2X2 X3X3 X4X4 Разница между действительным и оцененным значением Y называется остатком. P3P3 P2P2 P1P1 R1R1 R2R2 R3R3 R4R4 ( остаток ) e1e1.
Лекция 6 множественная регрессия и корреляция. ( продолжение )
ОМНК – обобщенный метод наименьших квадратов (метод Эйткена) Применяется к эконометрической модели, которой свойственна гетероскедастичность.
Транксрипт:

кандидат технических наук, доцент Поляков Константин Львович Учебный курс Эконометрика: идентификация, оценивание и анализ статических моделей Лекция 7

2 Определенное предположение о распределении вероятностей, лежащем в основе наблюдаемых случайных явлений. Проверка статистических гипотез о значениях коэффициентов линейной регрессии

3 Но мы не знаем 2 ! Зато мы знаем s 2 ! (T-n)=rank{M}

4 Регрессор значим для модели линейной регрессии, если сила его влияния на зависимую переменную не равно нулю, т.е. a k 0

5 Проверка значимости регрессора 0 Принимается H 1 H 0 не отвергается

6 Количество регрессоров плюс константа

7 В модели множественной регрессии adjR 2 будет уменьшаться при удалении переменной из регрессии, если соответствующая t 0 -статистика больше 1 и увеличиваться, если она меньше 1.

8 Доверительный интервал для параметра линейной регрессии Доверительный интервал – интервал со случайными границами, зависящими от наблюдений, который накрывает истинное значение параметра с вероятностью не меньше заданной.

9 Проверка значимости регрессии Имеет ли смысл само уравнение регрессии ? k=2,n a k =0 ?

10 Проверка значимости регрессии k=2,…,n a k =0 k=2,…,n a k 0 Потеря качества подгонки при ограничении H 0 При выполнении гипотезы H 0, статистика F имеет распределение F(n-1,T-n)

11 Доверительный интервал для линейной регрессии y=a 0 +a 1 xy x

12 Доверительный интервал для линейной регрессии Но мы не знаем матрицу C, поскольку не знаем 2 Заменим 2 на s 2

13 Доверительный интервал для линейной регрессии

14 Доверительный интервал для линейной регрессии x y xtxt

15 Прогнозирование нового значения зависимой переменной {y t,x t, t=1,…T} y T+1 =? y T+1 =(a,x T+1 )+v T+1 Обладает наименьшей дисперсией среди всех линейных несмещенных оценок

16 Доверительный интервал для нового значения зависимой переменной Но мы не знаем матрицу C, поскольку не знаем 2 Заменим 2 на s 2

17 Доверительный интервал для нового значения зависимой переменной

18 x y Доверительный интервал для нового значения зависимой переменной x T+1