Точность оценки регрессии

Классическая модель нормальной линейной регрессии

Коэффициент частной корреляции

Если исследуется зависимость между тремя величинами x, в, z (спрос на бензин, цены, доход) и нужно выделить влияние которых или два факторов, то используется так называемый коэффициент частной корреляции - коэффициент частной корреляции между в и х в случае постоянства действия величины z

- обычные коэффициенты корреляции.

Коэффициент корреляции показывает, что две переменные связаны друг с другом, однако он не дает представления о том, каким образом они связаны.

Рассмотрим классическую линейную модель регрессии.

, (1)

то есть наблюдаемая случайная величина В (регрессанд, зависимая переменная, объяснимая переменная) представляется в виде линейной функции от к наблюдаемым переменным (регрессоров, независимых переменных, объясняющих переменных) и от скрытых (=латентных =неявных) случайных переменных U (=возмущений уравнений =случайных возмущений).

Основные предпосылки нормальной классической линейной модели регрессии

Модель (1) называется классической если выполняются следующие предпосылки (предположение):

1. регрессоры являются не случайными, а детерминированными, то есть их значение можно контролировать. Это значит, что экспериментатор может в лабораторном эксперименте произвольно задавать значение регрессоров. Эта предпосылка является нереальной для многих прикладных регрессионных моделей в экономике и социологии. Здесь в группу регрессоров часто включают стохастические неконтролированные величины (например, цены и количество предлагаемых или таких, которые имеют спрос товаров). С обобщениями классической модели, которые учитывают нарушение этой предпосылки, мы ознакомимся позже.

2. Единственной случайной переменной в (1) есть и следовательно, зависимая от нее . Возмущения делают регрессионную функцию стохастической.

Предусматривается, что для возмущений (остатков) выполняются условия Гаусса-маркова:

2.1 Возмущение (остаток) является случайной величиной со средним, ровным нулю, и дисперсией ( неизвестной), то есть

2.2 Остатки и при некоррелируемые, так что .

Поэтому

Значение и некоррелируемые при

2.3 Остаток нормально распределен случайная величина со средним значением ровным нулю и дисперсией, то есть.

При добавлении этого предположения остатки и становятся не только некоррелируемыми, но и обязательно независимыми.

Если все эти предпосылки выполняются, то такая модель называется классической линейной моделью нормальной регрессии. Если не выполняется предпосылка 2.3 относительно нормального распределения возмущений, то имеет место классическая линейная регрессионная модель.

Предусматривается, что каждое наблюдение отзыва В имеет нормальное распределение относительно вертикали со средним, получаемым из постулированной модели. Дисперсии же всех нормально распределенных величин предусматриваются одинаковыми и ровными.

Во многих реальных ситуациях ошибки, в соответствии с центральной предельной теоремой, подчиняются нормальному распределению. Если член, который содержит ошибку, таков, что u оказывается суммой ошибок от нескольких причин, то независимо от того как могут быть распределены отдельные ошибки, их сумка u будет иметь нормальное распределение.

Если все перечислены условия соблюдены, то данная модель называется нормальной линейной регрессионной.

(Classical Normal linear regression model).

Условие независимости дисперсии ошибки от номера наблюдения называется гомоскедастичностью (homoscedasticity).

Случай, когда условие гомоскедастичности не выполняется, называется гетероскедастичностью (heteroscedasticity).

случай гомоскедастичности случай гетероскедастич-

ошибок ности ошибок

Условие указывает на некоррелированность ошибок для разных наблюдений. Это условие часто нарушается в случае, когда наши данные являются временными рядами. В случае, когда это условие не выполняется, говорят об автокорреляции остатков (serial correlation).

Для простого случая типичный вид данных представлен на рисунках.

3.4 Линейная регрессия: подбор прямой. Случай два переменных Х и В

Уравнение прямой может быть полезное во многих ситуациях для обобщения наблюдаемой зависимости одной переменной от другой.

Рассмотрим как такое уравнение можно получить методом наименьших квадратов.

Допустимо, что линия регрессии переменные В от переменной Х имеет вид . Тогда линейная модель будет иметь вид

, (1)

u – остаточный фактор, возмущение.

В уравнении (1) величины неизвестны, причем u в действительности трудно исследовать, поскольку она меняется от наблюдения к наблюдению и остаются постоянными, хоты мы не можем их находить не зная всех возможных значений Х и В, но мы можем оценить их, используя информацию, которая содержится в выборочных данных. Пусть и оценки параметров и .

, (2)

в – предусмотрено значение В для данного Х. Уравнение (2) позволяет предусмотреть «действительное» среднее значение для заданного Х.

Процедурой оценивания будет метод наименьших квадратов (МНК).

При некоторых предположениях, какие мы рассмотрим позже, этот метод владеет определенными свойствами.

Пусть мы имеем множественное число из n наблюдений

Тогда уравнение (1) можно записать в виде

(3)

Сумма квадратов отклонений от действительной линии есть

(4)

Будем подбирать значения оценок и так, чтобы их постановка вместо и в уравнение (4) давала наименьшее возможное значение .

Линия, подобранная методом наименьших квадратов, такова, которая делает сумму квадратов всех этих вертикальных разногласий, указанных на рисунке, настолько малой насколько это возможно.

Дифференцируя уравнение (4) сначала по, потом по .

(5)

и приравнивая результаты к нулю, для оценок и получим систему уравнений

вместо и мы подставим .

Решим эту систему относительно и

, (6)

, (7)

или

, (8)

, (9)

Действительно

(10)

С помощью подстановки в уравнение выражения для, можно получить оцениваемое уравнение регрессии

Отметим, что поскольку, то

(на практике из-за ошибок округления эта сумма может очутиться не точно ровной нулю).

В любом регрессионном задании сумма остатков всегда равна нулю, если член входит в модель. Это следствие первое из нормальных уравнений (6).

Исключение из модели приводит до того, что отзыв В обращается в нуль, когда все предикторы , уровни нулю.

Такое предположение очень сильно. Исключение составляет линия регрессии, которая проходит через точку х=0, у=0 (отсекает нулевой отрезок).

Исключение из модели всегда возможно с помощью “центрирования” данных, но это абсолютно не то же, что приравнять =0

Попробуем построить выборочную линию регрессии для 25 пар наблюдений переменных Х и В, приведенных в таблицы, здесь же приведенные необходимые для последующего значения величины .

Номер Опыту	В	Х			ХУ
	10,98	35,3	1246,09	120,5604	387,594
	11,13	29,7	882,09	123,8769	330,561
	12,51	30,8	948,64	156,5001	385,308
	8,4	58,8	3457,44	70,56	493,92
	9,27	61,4	3769,96	85,9329	569,178
	8,73	71,3	5083,69	76,2129	622,449
	6,36	74,4	5535,36	40,4496	473,184
	8,5	76,7	5882,89	72,25	651,95
	7,82	70,7	4998,49	61,1524	552,874
	9,14	57,5	3306,25	83,5396	525,55
	8,24	46,4	2152,96	67,8976	382,336
	12,19	28,9	835,21	148,5961	352,291
	11,88	28,1	789,61	141,1344	333,828
	9,57	39,1	1528,81	91,5849	374,187
	10,94	46,8	2190,24	119,6836	511,992
	9,58	48,5	2352,25	91,7764	464,63
	10,09	59,3	3516,49	101,8081	598,337
	8,11			65,7721	567,7
	6,83			46,6489	478,1
	8,88	74,5	5550,25	78,8544	661,56
	7,68	72,1	5198,41	58,9824	553,728
	8,47	58,1	3375,61	71,7409	492,107
	8,86	44,6	1989,16	78,4996	395,156
	10,36	33,4	1115,56	107,3296	346,024
	11,08	28,6	817,96	122,7664	316,888
	235,6		76323,42	2284,11	11821,43

Приведены ниже величины получаем по очевидным формулам с целью вычислить коэффициенты b0 и b1.

Окончательно для уравнения линейной регрессии получаем

,

.

Построена линия регрессии нанесенная на рисунке вместе с диаграммой рассеяния.

Рассмотрим вопрос, какая точность может быть приписана нашей оценке линии регрессии.

Рассмотрим следующую тождественность

Геометрический смысл тождественности (1) легко понять из приведенного выше рисунка

Уравнение (1) можно переписать в виде .

Возведем обе части этого уравнения в квадрат

Просуммируем это выражение от i=1 к n

.

Окончательно

, (2)

Сумма квадратов относительно среднего = сумма квадратов относительно регрессии + сумма с обусловленной регрессией.

Введем обозначение

Ясно, что мы можем написать следующее равенство

(3)

Не все действительные наблюдения лежат на прямой регрессии поскольку есть член

- дисперсия (разброс) обусловленный остаточными факторами. Пригодность линии регрессии для целей прогноза зависит от того, какая часть приходится на и .

Мы будем довольны если будет много больше, или, что тоже именно отношение

, (4)

не очень сильно отличается от единицы.

- корреляционное отношение, коэффициент детерминирования.

Ясно, что имеет место формула

, (5)

Всякая сумма квадратов связана с числом, называемым ее степенями свободы. Это число показывает, как много независимых элементов инормации, что выходят из n независимых чисел нужный для образования данной суммы квадратов.

Для нужная n-1 степень свободы, поскольку .

имеет одну степень свободы, поскольку

имеет n-2 степени свободы.

Это отображает тот факт, что даны остатки полученные для моделей прямой линии, которая требует оценивания двух параметров

n-1=1+n-2 (6)

Пользуясь уравнениями (2) и (6) мы можем построить таблицу дисперсионного анализа.

Таблица дисперсионного анализа

Источник вариации	Число степенной свободы	Сумма квадратов SS	Средние квадраты MS
Обусловленный регрессией   Относительно регрессии (остаток)	n-2	=   =
Общий, скорректированный на среднее	n-1	=

Средний квадрат относительно регрессии дает оценку, основанную на n-2 степенях свободы.

выполним вычисление для нашего примера

Таблица дисперсионного анализа

Источник	Число степеней свободы	SS	MS
Регрессия Остаток		45,5924 18,2234	45,5924
Общий, скорректированный		63,8158

- корреляционное отношение измеряет частицу общего разброса относительно среднего, такого, которое объясняет регрессией часто его выражают в процентах, умножая на 100.

- коэффициент детерминирования

Таким образом получено уравнение регрессии,, на 71,44% объясняет общий разброс данных относительно среднего .

Дата добавления: 2015-05-26; Просмотров: 2524; Нарушение авторских прав?; Мы поможем в написании вашей работы!