Upload
glora
View
75
Download
1
Embed Size (px)
DESCRIPTION
Проверка качества спецификации модели. Качество спецификации модели. Под качеством спецификации модели понимается: - качество выбора функции уравнения регрессии; - качество выбора набора регрессоров (факторов) Пусть имеем модель в виде уравнения парной регрессии: - PowerPoint PPT Presentation
Citation preview
Проверка Проверка качества качества
спецификации спецификации моделимодели
Качество спецификации моделиКачество спецификации модели
Под качеством спецификации модели понимается:Под качеством спецификации модели понимается:
- качество выбора функции уравнения регрессии;- качество выбора функции уравнения регрессии;
- качество выбора набора регрессоров (факторов)- качество выбора набора регрессоров (факторов)
Пусть имеем модель в виде уравнения парной Пусть имеем модель в виде уравнения парной регрессии:регрессии:
YYtt = a = a00 + a + a11xxtt + u + utt (11.1)(11.1)
Задача:Задача: оценить степень влияния экзогенной оценить степень влияния экзогенной переменной Х (фактора) на величину эндогенной переменной Х (фактора) на величину эндогенной переменной переменной YY..
Другими словами: насколько правильно предположение, Другими словами: насколько правильно предположение, что поведение эндогенной переменной зависит от что поведение эндогенной переменной зависит от значения фактора Х.значения фактора Х.
Качество спецификации моделиКачество спецификации модели
В качестве меры влияния принимаются В качестве меры влияния принимаются дисперсии переменных дисперсии переменных Y, XY, X и и u.u.
Знаем, что уравнение регрессии Знаем, что уравнение регрессии описывает поведение среднего описывает поведение среднего значения эндогенной переменнойзначения эндогенной переменной::
Y* = aY* = a00 + a + a11xxtt (11.2)(11.2)
Тогда уравнение (11.1) можно записать Тогда уравнение (11.1) можно записать как:как:
YYtt = Y* = Y*tt +u +utt (11(11..3)3)
Качество спецификации моделиКачество спецификации модели
),(2*2*2*22
uYuYuYY tttttttCOV
0,,,),(1010
* uxauauxaauY tttttttCOVCOVCOVCOV
Вычислим дисперсию Y в уравнении (11.3)
Вычислим COV(Yt*,ut):
Таким образом,
uYuYY ttttt 2*2*22 (11.4)
Качество спецификации моделиКачество спецификации модели
Введем обозначения:
uuYY
Y
tt
t
t
uESS
RSS
YTSS
22
2**
2
Здесь: TSS – общая сумма квадратов эндогенной переменной (Total sum of squares )
RSS – регрессионная сумма квадратов (Regression sum of squares
ESS – сумма квадратов остатков (ошибок) (Error sum of squares
Качество спецификации моделиКачество спецификации модели
С учетом принятых обозначений выражение (11.4) можно записать в виде:
TSS = RSS + ESS (11.4)
В качестве показателя степени влияния выбранного регрессора на поведение эндогенной переменной принимается отношение:
TSS
ESS
TSS
RSSR 1
2(11.5)
R2 – называется коэффициентом детерминации
Качество спецификации моделиКачество спецификации модели
Замечание. Коэффициент детерминации R2 имеет смысл (определен) только для моделей, в спецификации которой присутствует коэффициент a0.
Если коэффициент a0 отсутствует, то нарушается равенство (11.4).
Поясним это графически.
0
1
2
3
4
5
6
7
8
9
0 2 4 6 8 10 12
Y=0.786x
Y=2+0.5x
TSS=RSS=2.625
ESS=0
TSS=2.625
RSS=237.7
ESS=8.57
TSS≠RSS+ESS
Качество спецификации моделиКачество спецификации модели
Если R2 =1, т.е. RSS=TSS, a ESS=0, то такая модель называется «абсолютно хорошей». Это означает, что выбранный регрессор полностью объясняет поведение эндогенной переменной.
Если R2 =0, т.е. RSS=0, а ESS=TSS, то такую модель называют «абсолютно плохой». В этом случае весь диапазон изменения эндогенной переменной объясняется влиянием случайного возмущения, а выбранный регрессор не оказывает влияния, не объясняет поведение эндогенной переменной.
Качество спецификации моделиКачество спецификации модели
Отметим следующее:
R2 – величина случайная, т.к. его конкретное значение вычисляется по результатам случайной выборки
Это означает, что полученное значение коэффициента детерминации отличное от нуля еще не является достаточным основанием считать модель качественной.
Необходимо проверить статистическую гипотезу о равенстве нулю R2: (H0: R2=0).
Внимание! Формулируется гипотеза о равенстве нулю R2, т.е гипотеза о том, что модель плохая.
Качество спецификации моделиКачество спецификации модели
Для проверки гипотезы H0: R2=0 :
1. Формируем случайную величину с известным законом распределения
1
12
2
kn
k
R
RF Test (11.6)
где: к - количество регрессоров в модели
n – количество наблюдений в выборке
Случайная величина FTest подчиняется закону распределения вероятностей Фишера.
Критическое значение зависит от уровня доверительной вероятности и двух параметров: k и (n-k-1).
Качество спецификации моделиКачество спецификации модели
Для проверки гипотезы H0: R2=0 :
2. Вычисляется по данным выборки значение FTest.
3. Находится по таблице значение Fкр(Pдов, k, n-k-1).
4. Сравниваются значения Fкр и FTest.
Если FTest ≤ Fкр
то гипотеза H0: R2=0 не отвергается
Значит модель имеет плохое качество спецификации.
Т.е. выбранный регрессор не объясняет поведение эндогенной переменной.
Замечание. Значения R2 и FTest вычисляются функцией «ЛИНЕЙН» в EXCEL.
(11.7)
Качество спецификации моделиКачество спецификации модели
Yt Xt ỹt
8,8 0,36 12,5
9,4 0,21 11,4
10,0 0,08 10,4
10,6 0,20 11,3
11,0 0,10 10,5
11,9 0,12 10,7
12,7 0,41 12,9
13,5 0,50 13,6
14,3 0,43 13,1
15,5 0,59 14,3
16,7 0,90 16,6
18,6 0,82 16,0
19,7 1,04 17,7
21,1 1,53 21,4
22,8 1,94 24,6
23,9 1,75 23,1
25,2 1,99 24,9
26,0 2,03 25,3
26,8 2,40 28,1
0,0
5,0
10,0
15,0
20,0
25,0
30,0
0,00 0,50 1,00 1,50 2,00 2,50 3,00
Пример. Зависимость сбережений граждан (Y) от размера располагаемого дохода в Великобритании
7,617566 9,787071
0,465248 0,552221
0,940367 1,531286
268,0791 17
628,602 39,86224
R2
FTest
Результат «ЛИНЕЙН»
Fкр=F(0.95,1,17)=4.4
FTest > Fкр
Вывод: Спецификация модели качественная
Диаграмма рассеяния и график модели
Качество спецификации моделиКачество спецификации модели
Замечание. Значения коэффициента детерминации растет с увеличение числа регрессоров.
В случае модели в виде уравнения множественной регрессии применяется модифицированный коэффициент детерминации Ř2:
RR kn
n 221
11
(11.8)
Здесь: R2 - коэффициент детерминации в форме (11.5)
n – объем выборки
k – количество регрессоров в модели
Качество спецификации моделиКачество спецификации модели
Замечание. При анализе модели в виде уравнения множественной регрессии принятие гипотезы H0: R2=0 означает, что все регрессоры не объясняют (не влияют) поведение эндогенной переменной.
Отклонение гипотезы H0: R2=0, означает, что не все регрессоры объясняют (влияют) поведение эндогенной переменной.
Другими словами, в составе выбранных на этапе спецификации модели регрессоров есть как влияющие, так и не влияющие регрессоры.
Вопрос. Как определить влияющие и не влияющие регрессоры?
Ответ. Необходимо проверить гипотезу H0: ai=0
Качество спецификации моделиКачество спецификации модели
Проверка статистической гипотезы H0: ai=0
Известно, что в схеме Гаусса-Маркова дробь (11.9) подчиняется закону распределения Стьюдента ai
ic
t a
(11.9)
где: ãi – оценка i-го параметра модели
с – заданная константа
σai-оценка стандартной ошибки оценки параметра
В данном случае с=0, т.е. сравнивается вычисленное значение оценки с нулем.
Если гипотеза не отвергается для i-го регрессора, то этот регрессор не оказывает влияние на эндогенную переменную и его можно исключить из уравнения модели.
Качество спецификации моделиКачество спецификации модели
№ п/п Yt Xt Pt № п/п Yt Xt Pt
1 171,3 1095,4 99,7 14 106,4 779,2 100,0
2 167,5 1058,3 96,7 15 102,0 751,6 99,6
3 164,8 1049,3 94,2 16 98,4 722,5 100,0
4 159,8 1021,6 93,0 17 93,5 701,3 100,9
5 154,8 1015,5 93,8 18 85,3 646,8 102,6
6 148,5 988,8 94,7 19 81,6 616,3 104,0
7 141,3 942,9 94,5 20 77,4 580,8 104,5
8 134,9 906,8 93,7 21 74,0 542,3 104,8
9 89,1 873,5 102,2 22 70,7 524,9 105,0
10 128,3 875,8 93,3 23 67,0 503,8 105,1
11 118,2 865,3 99,1 24 64,0 489,7 104,5
12 124,2 858,4 95,1 25 60,9 479,7 104,5
13 112,5 810,3 100,0
-1,274 0,1509 119,59
0,787 0,0172 90,161
0,9459 8,6976 #N/A
192,42 22 #N/A
29112 1664,3 #N/A
Расходы на жилье (Y) от располагаемого дохода (Х) и цен на жилье (Р)
Модель 1:
Y=a0+a1x+a2p+u
-7,2 823,9
0,8 84,0
0,8 18,0
72,0 23,0
23323,4 7452,8
ti= 1.62 8.74 1.33
ti= 9.8 8.5
Модель 2:
Y=a0+bp+v
Выводы: регрессор x2 не значим, его можно убрать
модель 2 качественно объясняет поведение Y