Презентация на тему "Парная регрессия и корреляция в эконометрических исследованиях. Смысл и оценка параметров"

Презентация: Парная регрессия и корреляция в эконометрических исследованиях. Смысл и оценка параметров
1 из 18
Ваша оценка презентации
Оцените презентацию по шкале от 1 до 5 баллов
  • 1
  • 2
  • 3
  • 4
  • 5
0.0
0 оценок

Комментарии

Нет комментариев для данной презентации

Помогите другим пользователям — будьте первым, кто поделится своим мнением об этой презентации.


Добавить свой комментарий

Аннотация к презентации

Скачать презентацию (0.39 Мб). Тема: "Парная регрессия и корреляция в эконометрических исследованиях. Смысл и оценка параметров". Предмет: экономика. 18 слайдов. Добавлена в 2017 году.

  • Формат
    pptx (powerpoint)
  • Количество слайдов
    18
  • Слова
    экономика
  • Конспект
    Отсутствует

Содержание

  • Презентация: Парная регрессия и корреляция в эконометрических исследованиях. Смысл и оценка параметров
    Слайд 1

    Парная регрессия и корреляция в эконометрических исследованиях. Смысл и оценка параметров

    часть значения у, которая объяснена уравнением регрессии необъясненная часть значения у (или возмущение)

  • Слайд 2

    Экономический смысл 

    Невключение объясняющих переменных в уравнение. На самом деле на переменную Yвлияет не только переменная X, но и ряд других переменных, которые не учтены в модели по следующим причинам: мы знаем, что другая переменная влияет, но не можем ее учесть, потому как не знаем, как измерить (психологический фактор, например); существуют факторы, которые мы знаем, как измерить, но влияние их на Y так слабо, что их не стоит учитывать; существенные переменные, но из-за отсутствия опыта или знаний мы их таковыми не считаем. Неправильная функциональная спецификация. Функциональное соотношение между Yи Х может быть определено неправильно. Например, мы предположили линейную зависимость, а она может быть более сложной. Ошибки наблюдений и измерений.

  • Слайд 3

    Построение уравнения регрессии1. Постановка задачи

    Данные наблюдений Поле корреляции Зависимости ŷ = f(x) соответствует некоторая кривая на плоскости. И по форме облака наблюдений можно определить вид регрессионной функции.

  • Слайд 4

    Степенная

    Гиперболическая

  • Слайд 5

    Показательная

    X и Y независимы

  • Слайд 6

    Парная линейная регрессионная модель

    Для формализации рассмотрим разность между расчетными (теоретическими) и наблюдаемыми значениями у: Наилучшей считается такая зависимость, для которой сумма квадратов отклонений принимает минимальное значение, т. е.

  • Слайд 7

    2. Спецификация модели

    В парной регрессии выбор вида аналитической зависимости может быть осуществлен тремя методами: – графическим (на основе анализа поля корреляции); – аналитическим (на основе изучения теоретической природы связи между исследуемыми признаками); – экспериментальным (построение нескольких моделей различного вида с выбором наилучшей, согласно применяемому критерию качества).

  • Слайд 8

    3. Оценка параметров модели3.1. Оценка параметров линейной парной регрессии – метод наименьших квадратов (МНК)

    или Отсюда получаем систему уравнений: Разделим оба уравнения на n: Подставляем во второе уравнение:

  • Слайд 9

    3.2. Оценка параметров нелинейных моделей

  • Слайд 10

    Оценка параметров внутренне нелинейных моделей:

    1. Задаются некоторые «правдоподобные» начальные (исходные) значения параметров а и b. 2. Вычисляются теоретические значения ŷi = f(xi) с использованием этих значений параметров. 3. Вычисляются остатки еi = ŷi – yi и сумма квадратов остатков S. 4. Вносятся изменения в одну или более оценку параметров. 5. Вычисляются новые теоретические значения ŷi, остатки еi и S. 6. Если произошло уменьшение S, то новые значения оценок используются в качестве новой отправной точки. 7. Шаги 4, 5 и 6 повторяются до тех пор, пока не будет достигнута ситуация, когда величину S невозможно будет улучшить (в пределах заданной точности). 8. Полученные на последнем шаге значения параметров а и b являются оценками параметров нелинейного уравнения регрессии.

  • Слайд 11

    4. Проверка качества уравнения регрессии

    Н0: уравнение статистически не значимо yi = ŷi + εi D(y) = D(ŷ) + D(ε)

  • Слайд 12

    F-критерий Фишера:

    где m – число независимых переменных вуравнениирегрессии (для парной регрессии m = 1); n – число единиц совокупности. Если Fфакт > Fтабл, то Н0 о случайной природе связи отклоняется и признается статистическая значимость и надежность уравнения. Если Fфакт

  • Слайд 13

    Уровень значимости(α) – вероятность отвергнуть верную гипотезу (ошибка первого рода). Уровень значимости α обычно принимает значения 0,05 и 0,01, что соответствует вероятности совершения ошибки первого рода 5% и 1%. Число степеней свободы связано с числом единиц совокупности n и с числом определяемых по ней констант: k1 = m, k2 = n - m -1

  • Слайд 14

    t-критерий Стьюдента

    Н0: а=0; b=0 Стандартные ошибки параметров регрессии и коэффициента корреляции:

  • Слайд 15
  • Слайд 16

    Оценка значимости параметров уравнения и коэффициента корреляции проводится путем сопоставления их значений с величиной случайной ошибки:

    Если tфакт > tтабл, то Н0 отклоняется, т.е. a, b, r не случайно отличаются от нуля и сформировались под влиянием систематически действующего фактора х. Если tфакт

  • Слайд 17

    Доверительные интервалы – это пределы, в которых лежит точное значение определяемого показателя с заданной вероятностью.

    Доверительные интервалы для параметров a и b уравнения линейной регрессии определяются соотношениями: ;

  • Слайд 18

    Точечный и интервальный прогноз по уравнению линейной регрессии

    Точечный прогноз заключается в получении прогнозного значения у, которое определяется путем подстановки в уравнение регрессии соответствующего (прогнозного) значения х. Интервальный прогноз заключается в построении доверительного интервала прогноза. При построении доверительного интервала прогноза используется стандартная ошибка прогноза: Строитсядоверительный интервал прогноза:

Посмотреть все слайды

Сообщить об ошибке