ლექცია 2

რეგრესიული ანალიზის მეთოდები – წყვილური

რეგრესიის მოდელი

ე კ ო ნ ო მ ე ტ რ ი კ ა
2012
ნიკოლოზ ოსტაპენკო
რეგრესიული ანალიზი
მეთოდებს რომლელთა საშუალებითაც ხდება საუკეთესო
აპროქსიმაციის ფუნქციის აგება მოცემული
მონაცემებისათვის ეწოდება რეგრესიული ანალიზი.

რეგრესიული ანალიზის ძირითადი მიზანია დაადგინოს

კავშირი შემთხვევით ცვლადებს შორის და შეაფასოს
კავშირის მნიშვნელობები (პარამეტრები).

ეკონომიკაში ხშირად ერთი ცვლადის მოცემულ

მნიშვნელობას შეიძლება შეესაბამებოდეს სხვა ცვლადის
მნიშვნელობათა სიმრავლე.

სხვა სიტყვებით, ერთი ცვლადის ყოველ მნიშვნელობას

შეესაბამება სხვა ცვლადის განაწილება.
რეგრესიული ანალიზი
გრაფიკული ილუსტრაცია:
Y

+X
Y=a

i
რეგრესიის
წრფე

X1 X2 X3 X4 X5
დამოკიდებულებას, რომლის დროსაც ერთ ცვლადს
შეესაბამება მეორე ცვლადის მათემატიკური ლოდინი ე.წ.
რეგრესიული:
რეგრესიული ანალიზი
Yi  f ( X i )   i  E (Y / X )  
E (Y / X )     X
Y    X   რეგრესიის ფუნქცია

შემთხვევითი სიდიდე

რა არის ჩართული –
ში ?
– გაუთვალისწინებელი ცვლადები;
– საშედეგო ცვლადის განუსაზღვრელი ქცევები;
– სტატისტიკურად შეფასებული მონაცემების შეუსაბამობა
მოდელის თეორიულ ცვლადებთან;
– შეცდომები;
 რეგრესიული ანალიზი
Y

პრაქტიკაში საქმე გვაქვს ~ ~

შერჩევასთან, შესაბამისად Y  ~   X
ცვლადები წარმოადგენენ ei
შემთხვევით შრჩევას მათი
სიმრავლიდან. ხოლო შემთხვევით
შერჩევის საფუძველზე დადგენილი
პარამეტრები წარმოადგენენ მათი
ტეორიული მნიშვნელობების
შეფასებებს
~ ~
Y  ~   X
X
~
Yi  Yi  ei

ნარჩენობითი წევრი – შემთხვევითი

სიდიდის შეფასება
 უმცირეს კვადრატთა მეთოდი
უმცირეს კვადრატთა მეთოდით წყვილური რეგრესიის
მოდელის პარამეტრების შესაფასებლად გვაქვს შემდეგი
პირობაn :
 ~ 2
S    i   Y i    X i  min
i 1
2 ~ 
ფუნქციის მინიმუმის პირობას წარმოადგენს მისი პირველი
რიგის წარმოებულების ნულთან ტოლობა და  და –ს
მიმართ მეორე წარმოებულების დადებითობა
 S
 ~  i
 2 Y  
  
~  ~ Xi  1  0
 

 
 S  2 Y i  ~  ~Xi  X i   0
 ~ 

სისტემიდან შეგვიძლია შევაფასოთ წყვილური რეგრესიის

პარამეტრები
 უმცირეს კვადრატთა მეთოდი
გავამარტივოთ სისტემა და პირველი განტოლების ორივე
მხარე გავყთ n-ზე (დაკვირვებების რაოდენობაზე):

~ ~
 Y i  n~    X i  0  ~  Y   X

 ~ ~ ~ 1 / n Y i X i  Y X Cov( X , Y )
 Y i X i    X i    X i  0    
2

 1 / n X i  X
2 2
Var ( X )

Var ( X )  0
გაუს–მარკოვის პირობები
1.Cov( X ,  )  0  Y     X  
– შემთხვევთი წევრის განაწილება არ არის დამოკიდებული ამხსნელ
ცვლადზე.

2.E ( )  0
– Y ცვლადის მთავარი განმაპირობებელი ფაქტორია X ცვლადი.
3.D( )  D(Y )  E (Y  E (Y ) 2  
– შემთხვევითი წევრის გაფანტულობა არ არის დამოკიდებული
დაკვირვები რიცხვზე – ჰომოსკედასტურობის თვისაბა. სხვა შემთხვევაში
ადგილი აქვს ჰეტერო სკედასუტობას.
4.Cov( i ,  j )  0
– არა ავტოკორელირებულობის თვისება – შემთხვევითი წევრი არ არის
დამოკიდებული დაკვირვები რიცხვზე.
დაშვებაშემთხვევითისიდიდისნორმალური
განაწილებისშესახებ
  N (0,  2 )
თავისუფალი წევრი – ~ E (~ )  
 2
 X2 
D(~ )  u 1  
n  Var ( X ) 
~ ~
პარამეტრი  E ( )  
~  u2
D(  ) 
nVar ( X )
~
დამოკიდებული ცვლადი – Y ~
E (Y )    X
~
D(Y )   2

ნარჩენობითი წევრი – e
E (e)  0
D (e)   2
რეგრესიისკოეფიციენტისმნიშვნელოვნების
შეფასება
t-სტატისტიკა
~ ~
თუ   N (  ,  2~ ), ~  N ( ,  ~2 ) მაშინ (    ) /  ~  N , (~   ) /  ~  N
 e /  
2
და  (n  2) S e2 /  2   2 (n  2)

აღნიშნულიდან გამომდინარე

t (k )  x /  2 (k ) / k , x  N
~
(    ) /  ~ ~   1
t ~    t (n  2), S ~  S e
Se /  S ~ nVar ( X )

(~   ) /  ~ ~   1 X2 
t~    t (n  2), S~  S e 1  
Se /  S~ n  Var ( X ) 

თუ ცნობილია საშუალო კვადრატული გადახრის მაჩვენებელი მაშინ

ჰიპოთეზის მნიშვნელოვნებას ვაფასებთ z–სტატისტიკით
რეგრესიისკოეფიციენტისმნიშვნელოვნების
შეფასება
t-სტატისტიკა

 ~ 
 
P t kr  t   t kr  P  t n  2, / 2   t n  2, / 2   1  
 S ~ 
  აქ. მნიშვნნელოვნების დონე
რეგრესიისმოდელიმნიშვნელოვნებისშეფასება
F-სტატისტიკადადეტერმინაციისკოეფიციენტი
~ ~ 2
 (Y  Y ) 2
  (Y  Y ) 2
  (Y  Y )  TSS  RSS  ESS
RSS
2
F   F (1, n  2) F-სტატისტიკა
ESS
 2 (n  2)

2 RSS დეტერმინაციის
R 
TSS კოეფიციენტი