Professional Documents
Culture Documents
Тема 1 - 4 Багатофакторні Економетричні Моделі Частина 1
Тема 1 - 4 Багатофакторні Економетричні Моделі Частина 1
Багатофакторні
економетричні моделі та їх
використання в економіці
та управлінні
Розрахунок параметрів моделі в
матричної формі
Етапи побудови багатофакторної моделі
1. постановка задачі;
2. специфікація моделі;
3. формування масиву інформації;
4. оцінка параметрів моделі методом 1МНК;
5. перевірка моделі та її параметрів на
адекватність;
6. аналіз отриманих результатів,
прогнозування
Помилки специфікації моделі
u вектор-стовпець залишків
Виходячи з
Y AX u
та
Y XA
u Y XA
Сума квадратів залишків
/
u u u Y XA Y XA
2 /
/ / /
Y Y 2 A X Y AX XA
/
u u
/
2 X Y 2 X XA 0
/ /
A
A X X X Y
/ 1 /
Приклад
10,24 7,51 10,81 9,89 13,72 13,92 8,54 12,36 12,27 11,01 8,25 9,31
Розрахуємо добуток матриць ( 𝑋 𝑋 )
′
=
Знайдемо обернену матрицю
( )
.
6 3 , 04
( 𝑋 ′ 𝑌 ) = 66,0611
704,692
Знайдемо A
0,8319
A 4,74295
0,17499
Регресійна модель
y 0,8319 4,74295x1 0,17499x2
Інтерпретація моделі
1. незміщеність;
2. обґрунтованість;
3. ефективність;
4. інваріантність.
• Оцінки параметрів моделі будуть
незміщеними, якщо математичне
сподівання їх обраних значень,
знайдених при багаторазовому
повторенні вибірки, не
відрізняється від істинного
значення
1
M A A
Зміщення
QM A A
Перевірка зміщеності
a
10% ????
i
ai
• Вибіркова оцінка A зветься
обґрунтованою, якщо для будь-якого як
завгодно малого числа 0
виконується співвідношення
lim
n
P
A A 1
2
• Вибіркові оцінки вектору A будуть тільки
тоді ефективними, коли їх дисперсії будуть
найменшими
3
Теорема Гаусса-Маркова
covx j , y
ry
varx j var y
xj
cov x j , x l
rx j
xl
var x j varx l
1. Нормування
yi y
y
*
y
i
xij x j
x
*
x
ij
j
2. Розрахунок коефіцієнтів парної кореляції
ry xj
n
1 * / *
Y Xj
rxl xj
n
1 * / *
Xl X j
Середні та СКВ
y 2,11 x 0,4
1
x 2,01
2
Нормування
y1 y 2,95 5,25
y *
1,1
y
1
2,11
y 2 y 5,27 5,25
y
*
0,008
y
2
2,11
і так далі
Нормовані значення змінних
* * *
Спостереження y x1 x 2
1 1,100378 1,457381 0,205323
2 0,007894 0,226145 1,564188
3 0,756214 0,804073 0,078396
4 0,831994 1,005091 0,379536
5 0,836730 0,577927 1,526856
6 1,466645 1,507636 1,626407
7 0,437309 0,276400 1,051502
8 0,244704 0,125636 0,849913
9 1,149319 1,005091 0,805115
10 0,991445 1,030218 0,177947
11 1,768183 1,633272 1,195851
12 0,996182 0,854327 0,668233
Коефіцієнти парної кореляції
1,4574
1 0,2261
ry x1 1,1003 0,0079 0,9962 0,9843
12
0,8543
0,2053
1 1,5642
ry x2 1,1003 0,0079 0,9962 0,65141
12
0,6682
0,2053
1 1,5642
rx1 x2 1,4574 0,2261 0,8543 0,5424
12
0,6682
Матриця коефіцієнтів парної
кореляції
1 0,9843 0,65141
r 0,9843 1 0,5424
0,65141 0,5424 1
Коефіцієнт множинної детермінації
n
yi y
2
2 i 1
R
n
yi y
2
i 1
або
n
yi yi 2
2 i 1
R 1
n
yi y
2
i 1
Скоригований коефіцієнт множинної
детермінації (з урахуванням числа
ступенів свободи)
𝑛− 1
𝑅 =1 − ( 1 − 𝑅 ) ∙
2 2
𝑛 −𝑚
Коли застосовується скоригований
коефіцієнт детермінації?
• Скоригований коефіцієнт детермінації застосовується для оцінки
реальної тісноти зв'язку між результатом і факторами, і
порівняння моделей з різним числом параметрів.
• У першому випадку звертають увагу на близькість скоригованого і
нескоригованого коефіцієнтів детермінації. Якщо ці показники
близькі до одиниці і розрізняються незначно, модель вважається
гарною.
• При порівнянні різних моделей перевагу, за інших рівних умов,
віддають тій, у якій більше скоригований коефіцієнт детермінації.
Коефіцієнт множинної кореляції
R R 2
R0
Показує тісноту зв’язку між усіма незалежними
змінними і залежною змінною
y y y y y y y y y y y y 2
Магазин y y y y y 2
y 2
R 0,98585
2
R 0,98842 0,99419314
Варіація включених в
модель факторів на
98,585% пояснює
варіацію залежної
змінної
Коефіцієнт еластичності
y x j
Ey xj
x j y
Середні
y 5,25333 x1 0,89
x 2 10,6525
Коефіцієнти еластичності
y x1 x1
Ey x a1
1
x1 y y
0,89
4,74295 0,80353
5,25333
y x2 x2
Ey x a2
2
x2 y y
10,6525
0,17499 0,35483
5,25333
Збільшення торгівельної площі на 1%, за
інших рівних умов, тягне за собою
зростання товарообігу на 0,80353%, а
збільшення середньоденної інтенсивності
потоку покупців також на 1%, за інших
рівних умов, спричинить зростання
товарообігу на 0,35483%.
• Дисперсійно-коваріаційна матриця
( )
^ 2𝑎^
𝜎 ^0 , 𝑎
𝑐𝑜𝑣 ( 𝑎 ^ 1) ⋯ ^0,𝑎
𝑐𝑜𝑣 ( 𝑎 ^𝑚 )
0
^ 1, 𝑎
𝑐𝑜𝑣 ( 𝑎 ^ 0) ^ 2𝑎^
𝜎 ⋯ ^1 , 𝑎
𝑐𝑜𝑣 ( 𝑎 ^ 𝑚)
𝐶𝑜𝑣 ( ^
𝐴 ) =𝜎
−1
^ 2𝑢 ( 𝑋 ¿ 𝑋 ) = 1
⋮ ⋮ ⋮ ⋮
^𝑚 , 𝑎
𝑐𝑜𝑣 ( 𝑎 ^ 0) ^𝑚 , 𝑎
𝑐𝑜𝑣 ( 𝑎 ^ 1) ⋯ ^ 2^𝑎
𝜎 𝑚
Оцінка дисперсії залишків
^ 𝑢
𝑢 ^¿
𝑌 𝑌 − ^
𝐴
¿¿
𝑋
¿
𝑌
^ 𝑢=
𝜎 2
=
𝑛 −𝑚 𝑛 −𝑚
/ /
A X Y 384,04664
Y Y A X Y 0,61936
/ / /
2
u 0,06882
=
=
2
a 0,17029
0
a 0,41266
0
2
a 0,0513
1
a 0,2265
1
2
a 0,00201
2
a 0,04487
2
Визначаємо наявність зміщення оцінок
a 0,41233
0,496
0
a0 0,8319
a 0,2265
0,048
1
a1 4,74295
a 0,04487
0,256
2
a2 0,17499
Висновок:
оцінки a0 і a2 є зміщеними
• Перевірка значущості моделі та її параметрів
MSR
Fроз.
MSE
2
𝑅
𝑀𝑆𝑅=
𝑚 −1
2
1−𝑅
𝑀𝑆𝐸=
𝑛− 𝑚
2
𝑅 ( 𝑛 −𝑚 )
𝐹 роз . =
( 1 − 𝑅 2 ) (𝑚 − 1 )
Якщо
>
Оскільки
384,1781 4,26 ,
то рівняння вважається значимим
• Стандартизовані коефіцієнти регресії
(β-коефіцієнти), коефіцієнти частинної
детермінації
Означення
y
y 1 x1 2 x2 m xm
0,39797
1 4,74295 0,89399
2,1114
2,00903
2 0,17449 0,1665
2,1114
y 0,89399x1 0,1665x2
Означення
R R R
2
1
2 2
2
R 0,984 0,894 0,87996
1
2
am
t a m
am
∗
^ 0 ± 𝑡 ( 𝑛 −𝑚 , 𝛼 ) ∙ 𝜎
𝑎 0 =𝑎 ^ 𝑎^ 0
Довірчі
інтервали
∗
^ 1 ± 𝑡 ( 𝑛 − 𝑚 ,𝛼 ) ∙ ^
𝑎 1 =𝑎 𝜎 𝑎^ 1
∗
^ 2 ± 𝑡 (𝑛 − 𝑚 , 𝛼) ∙ 𝜎
𝑎 =𝑎
2
^ 𝑎^ 2
∗
^ 𝑚 ± 𝑡 ( 𝑛 − 𝑚 ,𝛼 ) ∙ 𝜎
𝑎 =𝑎 𝑚
^ ^𝑎 𝑚
Оцінка значимості
a0 0,831946
t a 2,016
0
a 0
0,412663
a1 4,742948
t a 20,94
1
a 0,226498
1
a2 0,174988
t a 3,9
2
a 0,044868
2
0,05
𝑛 −𝑚=12 −3=9
𝑡 ( 9 ; 0 ,05 ) =2,262
0,1 𝑡 ( 9 ; 0 ,1 )=1,833
Довірчі інтервали
=-0,8319
1,765 a 0,101
*
0
=
4,7439 0,512
4,23 a 5,255
*
1
=
=0,175
0,0735 a 0,2765
*
2
• Прогноз значень залежної змінної y
і побудова довірчих інтервалів
прогнозу
Точковий прогноз:
в рівняння регресії
Y XA
підставляються прогнозні значення
незалежних змінних
Інтервальний прогноз (для довільного
значення залежної змінної)
Оцінка середньоквадратичного відхилення похибки прогнозу
n1i u 1 X /
n 1
X X
/ 1
X n1
^
𝑌 ^
𝜎 𝑌
∗ ^ ^
𝑛 +1 −𝑡 ( 𝑛 − 𝑚 ,∝ ) 𝑛 +1( 𝑖) ≤ 𝑛+ 1 ≤ 𝑌 𝑛+1 +𝑡 ( 𝑛 −𝑚 ,∝ ) 𝜎 𝑛 +1(𝑖)
Інтервальний прогноз (для математичного
сподівання)
Оцінка дисперсії похибки прогнозу
2 2
n1 u X /
n 1
X X
/ 1
X n1
Оцінка середньоквадратичного (стандартного) відхилення
похибки прогнозу
n1 u X /
n 1
X X
/ 1
X n1
Довірчі інтервали прогнозу (для
математичного сподівання)
^ ( ^
𝑛+1 ) ≤ 𝑌 𝑛 +1 +𝑡 ( 𝑛 −𝑚 , ∝ ) 𝜎 𝑛 +1
∗
𝑌 𝑛 +1 − 𝑡 ( 𝑛 − 𝑚 ,∝ )
^
𝜎 𝑛 +1 ≤ 𝑀 𝑌 ^
Нехай
1
X n 1 X 13 1,2
9
Тоді
y13 0,832 4,743 1,2 0,175 9 6,434
2
u u 0,0688 0,262
2,4745 0,1898 0,24 1
13 0,262 1 1,2 9 0,1898 0,7455 0,08 1,2
0,24 0,08 0,029 9
6,1 M y *
13
6,769
2,475 0,1898 0,24 1
13i 0,262 1 1 1,2 9 0,1898 0,7455 0,08 1,2
0,24 0,08 0,029 9
5,754 y 7,115
*
13
• Процедура багатокрокового регресійного
аналізу
Напрямки
y
Пj
xj
Гранична ефективність впливу
чинників на залежну змінну
• Збігається з коефіцієнтом регресії
y
j aj
x j
Коефіцієнт еластичності
jx
Ey xj aj
y
Сумарна (загальна) еластичність
m
A Ey xj
j 1
Норма заміщення чинників
y y ak
hkj :
x j xk aj