Обобщенный метод наименьших квадратов.

Введение в эконометрику.

Эконометрика – это математическая наука, изучающая экономическую жизнь с помощью математических методов и, преимущественно, методов математической статистики.

Цели эконометрики: эконометрический анализ данных наблюдений и вывод обоснованных практических решений.

Основным объектом изучения эконометрики является эконометрическая модель.

Основные этапы эконометрического анализа:

1. Постановочный этап – этот этап включает в себя определение конечных целей анализа, набора факторов и переменных, описание взаимосвязей между ними, а также роли этих факторов и переменных.

На этом этапе первым делом следует выяснить, какие факторы являются входными, т.е. такими, которые полностью или частично регулируемы, легко поддаются прогнозу и регистрации. Входные факторы в эконометрике называются объясняющими.

Затем определяются выходные факторы, которые трудно поддаются прогнозу, и значения которых формируются в процессе функционирования рассматриваемой системы. Выходные факторы также называются объясняемыми.

2. Априорный (предмодельный) этап – этот этап состоит в предварительном анализе содержательной сущности моделируемых явлений, в формировании и математической формализации имеющейся априорной (предварительной) информации о данном явлении в виде ряда гипотез и математических соотношений.

3. Информационно-статистический (практический) этап – на этом этапе происходит сбор необходимой статистической информации: регистрация конкретных значений определенных ранее переменных и факторов.

4. Спецификация модели – на данном этапе определяется структура модели, т.е. её символическая математическая запись, в которой, наряду с переменными и факторами, значения которых известны, обычно присутствуют величины, содержательный смысл которых определен, а числовые значения – нет.

Такие величины называются параметрами модели и их значения нужно найти.

5. Идентификация модели (id) – этот этап предназначен для проведения статистического анализа модели.

При выполнении данного этапа вначале нужно ответить на вопрос: возможно ли, в принципе, однозначно восстановить значение неизвестных параметров модели по имеющимся статистическим данным?

Если ответ положителен, то необходимо решить проблему идентификации модели, т.е. нужно предложить и реализовать математически корректную процедуру оценивания неизвестных параметров модели.

Если ответ отрицателен, то необходимо вернуться к этапу №4 и внести изменения в структуру. Но, возможно, придется вообще вернуться к этапу №2 и выбрать другую модель.

6. Верификация модели (статистический анализ точности и адекватности модели) – на данном этапе используются различные процедуры сопоставления модельных выводов (выводов по модели), оценок и следствий с реально наблюдаемой действительностью.

Если результат сопоставления неудовлетворительный, то следует вернуться на этапы №4 и №5.

 

Эконометрическая система «Черный ящик».

Входные факторы Выходные факторы

«Черный ящик», в котором происходит весь эконометрический анализ.

x₁ y₁

x₂ y₂

x₃ y₃

 

x_n y_m

Типы эконометрических моделей:

1. Модель с одним уравнением – эта модель получается при m=1, т.е. при одном зависимом факторе, следовательно,

(), где = (,
а - параметры модели,

В этой модели в зависимости от функции f, различают также линейные и нелинейные модели.

Например: – линейная модель
– нелинейная модель

2. Модель с несколькими одновременными уравнениями - эта модель получается при m , т.е. с множеством зависимых факторов, следовательно,

(), где = ()?

(), а - параметры модели,

... при

().

Важной отличительной особенностью этой системы уравнений является возможность включения объясняемых переменных в число объясняющих, т.е.

(), где), где = (,
а - параметры модели,

3. Временные ряды - это схема «черный ящик» с n =1, т.е. входной фактор всего один и это – время, следовательно,

(), где t - время,
а - параметры модели,

Постановки задач в эконометрике.

Предположим, что у нас есть A ^I – объекты исследования, при i = 1,2…N

X₁, X₂ …X_N – переменные, которые описывают эти объекты. Эти переменные делятся на два типа: независимые (объясняющие, входные) и зависимые (объясняемые, выходные). Также они бывают количественными и качественными (дискретными).

Изначально, для постановки задачи, среди всех факторов и переменных следует выделить Y – зависимую переменную.

Цель эконометрического анализа – прогнозирование значения Y. Эта задача решается по-разному, в зависимости от типа переменных:

Iй вариант: все переменные X ( ₁, ₂… _n) и Y ( ₁, ₂… _n) количественные => для решения применяются методы регрессионного анализа.

IIй вариант: все переменные X ( ₁, ₂… _n) – количественные, а все Y( ₁, ₂… _n) – качественные (дискретные) => для решения применяются методы классификации, распознавания образов и дискриминантный анализ.

IIIй вариант: все переменные X ( ₁, ₂… _n) – качественные (дискретные), а все Y( ₁, ₂… _n) – количественные => для решения применяются методы дисперсионного анализа.

IVй вариант: одна часть переменных X ( ₁, ₂… _L) – количественные, а другая часть ( _L, ₂… _n) – качественные (дискретные), все переменные Y( ₁, ₂… _n) – количественные => для решения применяются ковариационный анализ или метод «деревья регрессии».

 

Регрессионный анализ.

– решающая функция или функция регрессии.

Замечание: 1) = E(Y/X), где Y и X - дискретные случайные величины.

Y X	b1	b2	….	bn
a1	P1 1	P1 2	….	P1 n
a2	P2 1	P2 2	….	P2 n
….	….	….	….	….
an	Pn 1	Pn 2	….	Pn n

Если Y и X дискретные случайные величины, то
функция регрессии – это условное мат.ожидание.

2)Если Y и X - непрерывные случайные величины

- плотность совместного распределения X и Y.

Условное распределение, следовательно и условная плотность.

,
- частное распределение

Мат. ожидание:
( _i, _i)...-значения наблюдений (Y,X)

i= 1,2,..,n

Естественно, при каждом
наблюдении возможна ошибка ().

Предполагают, что - вектор ошибок - удовлетворяет следующим условиям:

1. - независимые случайные величины

2. Е =0, D = - постоянные

3. и тоже независимые, т.е. ошибка от Х не зависит

Этапы (шаги) регрессионного анализа:

1. выбор вида модели

2. оценка параметров выбранной модели. Оценка функций регрессии ( *).

3.проверка статистических гипотез по регрессионной модели.

4. проверка модели на адекватность и точность.

5.эксперементальная проверка модели и прогнозирование на основе этой модели.

Виды регрессионных моделей:

1. простейшая линейная модель

, – параметры модели

2. множественная линейная модель

3. полиномиальная модель

4.гипперболическая модель

5. показательная модель

6. логистическая модель (S-образная кривая)

7. стапенная модель

8. логарифмическая модель

Замечание: Метод аналитической группировки.

1. Способ выбора вида модели. Графический.

X				…
Y				…

 

, - количество интервалов

 

, - длина интервала

И т.д.

:

Т.е. - одна средняя точка
Далее, определив еще несколько средних точек, строим по ним график функции и по нему определяем вид модели.

2. Оценивание параметров выбранной модели (на примере линейной модели, т.к. остальные виды моделей с помощью небольших преобразований сводятся к линейной).

 

Примеры моделей, которые сводятся к линейным:

1. - гиперболическая модель

=>

2. - показательная модель

, ,

				…
				…
		…	…	…

=> =>

3. – логистическая модель

, , => =>

4. – степенная модель

, , =>

5. – логарифмическая модель

=>

Наша регрессионная модель имеет классическую форму, т.е. удовлетворяет следующим двум условиям:

1. Переменная – не случайная величина, т.е. она задается (управляема),
- случайная величина.

2. Случайные ошибки независимые, одинаково распределенные случайные, имеющие нормальное распределение с нулевым математическим ожиданием () и

 

Теорема Гауса-Маркова.
(без доказательства)

Пусть выполняются условия №№ 1 и2, тогда оценки, полученные методом наименьших квадратов обладают следующими свойствами:

1. Они не смещенные, т.е.

и

2. Дисперсия этих оценок минимальна среди всех линейных моделей, эти оценки называются эффективными.

 

 

Введение в эконометрику.

Эконометрика – это математическая наука, изучающая экономическую жизнь с помощью математических методов и, преимущественно, методов математической статистики.

Цели эконометрики: эконометрический анализ данных наблюдений и вывод обоснованных практических решений.

Основным объектом изучения эконометрики является эконометрическая модель.

Основные этапы эконометрического анализа:

1. Постановочный этап – этот этап включает в себя определение конечных целей анализа, набора факторов и переменных, описание взаимосвязей между ними, а также роли этих факторов и переменных.

На этом этапе первым делом следует выяснить, какие факторы являются входными, т.е. такими, которые полностью или частично регулируемы, легко поддаются прогнозу и регистрации. Входные факторы в эконометрике называются объясняющими.

Затем определяются выходные факторы, которые трудно поддаются прогнозу, и значения которых формируются в процессе функционирования рассматриваемой системы. Выходные факторы также называются объясняемыми.

2. Априорный (предмодельный) этап – этот этап состоит в предварительном анализе содержательной сущности моделируемых явлений, в формировании и математической формализации имеющейся априорной (предварительной) информации о данном явлении в виде ряда гипотез и математических соотношений.

3. Информационно-статистический (практический) этап – на этом этапе происходит сбор необходимой статистической информации: регистрация конкретных значений определенных ранее переменных и факторов.

4. Спецификация модели – на данном этапе определяется структура модели, т.е. её символическая математическая запись, в которой, наряду с переменными и факторами, значения которых известны, обычно присутствуют величины, содержательный смысл которых определен, а числовые значения – нет.

Такие величины называются параметрами модели и их значения нужно найти.

5. Идентификация модели (id) – этот этап предназначен для проведения статистического анализа модели.

При выполнении данного этапа вначале нужно ответить на вопрос: возможно ли, в принципе, однозначно восстановить значение неизвестных параметров модели по имеющимся статистическим данным?

Если ответ положителен, то необходимо решить проблему идентификации модели, т.е. нужно предложить и реализовать математически корректную процедуру оценивания неизвестных параметров модели.

Если ответ отрицателен, то необходимо вернуться к этапу №4 и внести изменения в структуру. Но, возможно, придется вообще вернуться к этапу №2 и выбрать другую модель.

6. Верификация модели (статистический анализ точности и адекватности модели) – на данном этапе используются различные процедуры сопоставления модельных выводов (выводов по модели), оценок и следствий с реально наблюдаемой действительностью.

Если результат сопоставления неудовлетворительный, то следует вернуться на этапы №4 и №5.

 

Эконометрическая система «Черный ящик».

Входные факторы Выходные факторы

«Черный ящик», в котором происходит весь эконометрический анализ.

x₁ y₁

x₂ y₂

x₃ y₃

 

x_n y_m

Типы эконометрических моделей:

1. Модель с одним уравнением – эта модель получается при m=1, т.е. при одном зависимом факторе, следовательно,

(), где = (,
а - параметры модели,

В этой модели в зависимости от функции f, различают также линейные и нелинейные модели.

Например: – линейная модель
– нелинейная модель

2. Модель с несколькими одновременными уравнениями - эта модель получается при m , т.е. с множеством зависимых факторов, следовательно,

(), где = ()?

(), а - параметры модели,

... при

().

Важной отличительной особенностью этой системы уравнений является возможность включения объясняемых переменных в число объясняющих, т.е.

(), где), где = (,
а - параметры модели,

3. Временные ряды - это схема «черный ящик» с n =1, т.е. входной фактор всего один и это – время, следовательно,

(), где t - время,
а - параметры модели,

Постановки задач в эконометрике.

Предположим, что у нас есть A ^I – объекты исследования, при i = 1,2…N

X₁, X₂ …X_N – переменные, которые описывают эти объекты. Эти переменные делятся на два типа: независимые (объясняющие, входные) и зависимые (объясняемые, выходные). Также они бывают количественными и качественными (дискретными).

Изначально, для постановки задачи, среди всех факторов и переменных следует выделить Y – зависимую переменную.

Цель эконометрического анализа – прогнозирование значения Y. Эта задача решается по-разному, в зависимости от типа переменных:

Iй вариант: все переменные X ( ₁, ₂… _n) и Y ( ₁, ₂… _n) количественные => для решения применяются методы регрессионного анализа.

IIй вариант: все переменные X ( ₁, ₂… _n) – количественные, а все Y( ₁, ₂… _n) – качественные (дискретные) => для решения применяются методы классификации, распознавания образов и дискриминантный анализ.

IIIй вариант: все переменные X ( ₁, ₂… _n) – качественные (дискретные), а все Y( ₁, ₂… _n) – количественные => для решения применяются методы дисперсионного анализа.

IVй вариант: одна часть переменных X ( ₁, ₂… _L) – количественные, а другая часть ( _L, ₂… _n) – качественные (дискретные), все переменные Y( ₁, ₂… _n) – количественные => для решения применяются ковариационный анализ или метод «деревья регрессии».

 

Регрессионный анализ.

– решающая функция или функция регрессии.

Замечание: 1) = E(Y/X), где Y и X - дискретные случайные величины.

Y X	b1	b2	….	bn
a1	P1 1	P1 2	….	P1 n
a2	P2 1	P2 2	….	P2 n
….	….	….	….	….
an	Pn 1	Pn 2	….	Pn n

Если Y и X дискретные случайные величины, то
функция регрессии – это условное мат.ожидание.

2)Если Y и X - непрерывные случайные величины

- плотность совместного распределения X и Y.

Условное распределение, следовательно и условная плотность.

,
- частное распределение

Мат. ожидание:
( _i, _i)...-значения наблюдений (Y,X)

i= 1,2,..,n

Естественно, при каждом
наблюдении возможна ошибка ().

Предполагают, что - вектор ошибок - удовлетворяет следующим условиям:

1. - независимые случайные величины

2. Е =0, D = - постоянные

3. и тоже независимые, т.е. ошибка от Х не зависит

Этапы (шаги) регрессионного анализа:

1. выбор вида модели

2. оценка параметров выбранной модели. Оценка функций регрессии ( *).

3.проверка статистических гипотез по регрессионной модели.

4. проверка модели на адекватность и точность.

5.эксперементальная проверка модели и прогнозирование на основе этой модели.

Виды регрессионных моделей:

1. простейшая линейная модель

, – параметры модели

2. множественная линейная модель

3. полиномиальная модель

4.гипперболическая модель

5. показательная модель

6. логистическая модель (S-образная кривая)

7. стапенная модель

8. логарифмическая модель

Замечание: Метод аналитической группировки.

1. Способ выбора вида модели. Графический.

X				…
Y				…

 

, - количество интервалов

 

, - длина интервала

И т.д.

:

Т.е. - одна средняя точка
Далее, определив еще несколько средних точек, строим по ним график функции и по нему определяем вид модели.

2. Оценивание параметров выбранной модели (на примере линейной модели, т.к. остальные виды моделей с помощью небольших преобразований сводятся к линейной).

 

Примеры моделей, которые сводятся к линейным:

1. - гиперболическая модель

=>

2. - показательная модель

, ,

				…
				…
		…	…	…

=> =>

3. – логистическая модель

, , => =>

4. – степенная модель

, , =>

5. – логарифмическая модель

=>

Наша регрессионная модель имеет классическую форму, т.е. удовлетворяет следующим двум условиям:

1. Переменная – не случайная величина, т.е. она задается (управляема),
- случайная величина.

2. Случайные ошибки независимые, одинаково распределенные случайные, имеющие нормальное распределение с нулевым математическим ожиданием () и

 

Теорема Гауса-Маркова.
(без доказательства)

Пусть выполняются условия №№ 1 и2, тогда оценки, полученные методом наименьших квадратов обладают следующими свойствами:

1. Они не смещенные, т.е.

и

2. Дисперсия этих оценок минимальна среди всех линейных моделей, эти оценки называются эффективными.

 

 

Обобщенный метод наименьших квадратов.

Применение метода наименьших квадратов в некоторых случаях может привести к тому, что полученные оценки параметров не будут оптимальны в смысле теоремы Гауса-Маркова. Для анализа таких ситуаций обычно используют обобщенный метод наименьших квадратов для модели множественной регрессии.

, где а - вектор параметров

, где

) – ошибки наблюдений

, где - неизвестная const, - положительно определенная матрица.

В общем виде определить трудно вид этой матрицы , поэтому на практике делают некоторые предположения о её структуре. Если нарушается только условие:

1) (или одно из этих равенств не выполняется), то

, где неизвестны, но могут быть оценены статистическими методами.

2) (условие некоррелируемости случайных ошибок), то матрица не является диагональной матрицей, т.е. вне главной диагонали есть ненулевые элементы, а на главной диагонали - только единицы.

Оценивание параметров модели с помощью методов наименьших квадратов происходит следующим образом: . Эти оценки являются оптимальными оценками в смысле теории Гауса-Маркова.

Для этой модели (множественной рег