Предмет эконометрики

Введение

Предмет эконометрики

• Основная задача эконометрики – наполнить эмпирическим содержанием априорные экономические рассуждения               Л. Клейн
• Эконометрика есть единство трёх составляющих – статистики, экономической теории и математики

Р. Фриш

• Эконометрика – наука, которая дает количественное выражение взаимосвязей экономических процессов и явлений

Этапы эконометрического  исследования

• Постановка проблемы
• Получение данных, анализ их качества
• Спецификация модели
• Оценка параметров
• Верификация модели и интерпретация результатов

Цели эконометрического  моделирования

• 1) прогноз экономических и социально-экономических показателей, характеризующих состояние и развитие анализируемой системы;
• 2) имитация различных возможных сценариев социально-экономического развития анализируемой системы (многовариантные сценарные расчеты, ситуационное моделирование).

 

1. Парная регрессия и корреляция

Парная регрессия представляет собой регрессию между двумя  переменными –  и , т. е. модель вида: , где – зависимая переменная (результативный признак); – независимая, или объясняющая, переменная (признак-фактор). Знак «^» означает, что между переменными и нет строгой функциональной зависимости, поэтому практически в каждом отдельном случае величина складывается из двух слагаемых: , где – фактическое значение результативного признака; – теоретическое значение результативного признака, найденное исходя из уравнения регрессии; – случайная величина, характеризующая отклонения реального значения результативного признака от теоретического, найденного по уравнению регрессии.

Случайная величина называется также возмущением. Она включает влияние не учтенных в модели факторов, случайных ошибок и особенностей измерения. Ее присутствие в модели порождено тремя источниками: спецификацией модели, выборочным характером исходных данных, особенностями измерения переменных.

В парной регрессии  выбор вида математической функции  может быть осуществлен тремя методами:

1. графическим;
2. аналитическим, т.е. исходя из теории изучаемой взаимосвязи;
3. экспериментальным.

При изучении зависимости между  двумя признаками графический метод  подбора вида уравнения регрессии  достаточно нагляден. Он основан на поле корреляции. Основные типы кривых, используемые при количественной оценке связей, представлены на рис. 1.1:

   

      

Рис. 1.1. Основные типы кривых, используемые при

количественной оценке связей между  двумя переменными.

Значительный интерес представляет аналитический метод выбора типа уравнения регрессии. Он основан на изучении материальной природы связи исследуемых признаков.

При обработке информации на компьютере выбор вида уравнения регрессии  обычно осуществляется экспериментальным  методом, т. е. путем сравнения величины остаточной дисперсии  , рассчитанной при разных моделях.

Если уравнение регрессии проходит через все точки корреляционного  поля, что возможно только при функциональной связи, когда все точки лежат  на линии регрессии  , то фактические значения результативного признака совпадают с теоретическими , т.е. они полностью обусловлены влиянием фактора . В этом случае остаточная дисперсия .

В практических исследованиях, как правило, имеет место некоторое рассеяние точек относительно линии регрессии. Оно обусловлено влиянием прочих, не учитываемых в уравнении регрессии, факторов. Иными словами, имеют место отклонения фактических данных от теоретических . Величина этих отклонений и лежит в основе расчета остаточной дисперсии:

.

Чем меньше величина остаточной дисперсии, тем меньше влияние не учитываемых  в уравнении регрессии факторов и тем лучше уравнение регрессии  подходит к исходным данным.

Считается, что число наблюдений должно в 7-8 раз превышать число  рассчитываемых параметров при переменной . Это означает, что искать линейную регрессию, имея менее 7 наблюдений, вообще не имеет смысла. Если вид функции усложняется, то требуется увеличение объема наблюдений, ибо каждый параметр при должен рассчитываться хотя бы по 7 наблюдениям. Значит, если мы выбираем параболу второй степени , то требуется объем информации уже не менее 14 наблюдений.

1.1. Линейная модель парной регрессии и корреляции

Рассмотрим простейшую модель парной регрессии – линейную регрессию. Линейная регрессия находит широкое  применение в эконометрике ввиду  четкой экономической интерпретации ее параметров.

Линейная регрессия сводится к  нахождению уравнения вида

 или  .    (1.1)

Уравнение вида позволяет по заданным значениям фактора находить теоретические значения результативного признака, подставляя в него фактические значения фактора .

Построение  линейной регрессии сводится к оценке ее параметров –  и . Классический подход к оцениванию параметров линейной регрессии основан на методе наименьших квадратов (МНК). МНК позволяет получить такие оценки параметров и , при которых сумма квадратов отклонений фактических значений результативного признака от теоретических минимальна:

.   (1.2)

Т.е. из всего множества линий  линия регрессии на графике выбирается так, чтобы сумма квадратов расстояний по вертикали между точками и этой линией была бы минимальной (рис. 1.2):

Рис. 1.2. Линия регрессии с минимальной дисперсией остатков.

Как известно из курса математического  анализа, чтобы найти минимум  функции (1.2), надо вычислить частные производные по каждому из параметров и и приравнять их к нулю. Обозначим через , тогда: .

   (1.3)

После несложных преобразований, получим  следующую систему линейных уравнений  для оценки параметров и :

    (1.4)

Решая систему уравнений (1.4), найдем искомые оценки параметров и . Можно воспользоваться следующими готовыми формулами, которые следуют непосредственно из решения системы (1.4):

,  ,  (1.5)

где – ковариация признаков и , – дисперсия признака и

 

,

 

Ковариация – числовая характеристика совместного распределения двух случайных величин, равная математическому  ожиданию произведения отклонений этих случайных величин от их математических ожиданий. Дисперсия – характеристика случайной величины, определяемая как математическое ожидание квадрата отклонения случайной величины от ее математического ожидания. Математическое ожидание – сумма произведений значений случайной величины на соответствующие вероятности.

Параметр  называется коэффициентом регрессии. Его величина показывает среднее изменение результата с изменением фактора на одну единицу.

Формально – значение при . Если признак-фактор не может иметь нулевого значения, то вышеуказанная трактовка свободного члена не имеет смысла, т.е. параметр может не иметь экономического содержания.

Уравнение регрессии всегда дополняется  показателем тесноты связи. При  использовании линейной регрессии  в качестве такого показателя выступает  линейный коэффициент корреляции , который можно рассчитать по следующим формулам:

. (1.6)

Линейный коэффициент корреляции находится в пределах: . Чем ближе абсолютное значение к единице, тем сильнее линейная связь между факторами (при имеем строгую функциональную зависимость).

Теснота линейной связи между переменными  может быть оценена на основании  шкалы Чеддока:

 

 

 

 

Теснота связи	Значение коэффициента корреляции при наличии:
	Прямой связи	Обратной связи
Слабая	0,1–0,3	(–0,3)–(–0,1)
Умеренная	0,3–0,5	(–0,5)–(–0,3)
Заметная	0,5–0,7	(–0,7)–(–0,5)
Высокая	0,7–0,9	(–0,9)–(–0,7)
Весьма высокая	0,9–1	(–1)–(–0,9)

 

Положительное значение коэффициента корреляции говорит о положительной связи между х и у, когда с ростом одной из переменных другая тоже растет. Отрицательное значение коэффициента корреляции означает, с ростом одной из переменных другая убывает, с убыванием одной из переменной другая растет.

Для оценки качества подбора линейной функции рассчитывается квадрат  линейного коэффициента корреляции , называемый коэффициентом детерминации. Коэффициент детерминации характеризует долю дисперсии результативного признака , объясняемую регрессией, в общей дисперсии результативного признака:

,     (1.7)

где , .

Соответственно величина характеризует долю дисперсии , вызванную влиянием остальных, не учтенных в модели, факторов.

После того как найдено уравнение  линейной регрессии, проводится оценка значимости как уравнения в целом, так и отдельных его параметров.

Проверить значимость уравнения регрессии  – значит установить, соответствует  ли математическая модель, выражающая зависимость между переменными, экспериментальным данным и достаточно ли включенных в уравнение объясняющих  переменных (одной или нескольких) для описания зависимой переменной.

Чтобы иметь  общее суждение о качестве модели из относительных отклонений по каждому  наблюдению, определяют среднюю ошибку аппроксимации:

.     (1.8)

Средняя ошибка аппроксимации не должна превышать 8–10%.

Оценка  значимости уравнения регрессии  в целом производится на основе -критерия Фишера, которому предшествует дисперсионный анализ.

Согласно  основной идее дисперсионного анализа, общая сумма квадратов отклонений переменной от среднего значения раскладывается на две части – «объясненную» и «необъясненную»:

,

где – общая сумма квадратов отклонений; – сумма квадратов отклонений, объясненная регрессией (или факторная сумма квадратов отклонений); – остаточная сумма квадратов отклонений, характеризующая влияние неучтенных в модели факторов.

Схема дисперсионного анализа имеет вид, представленный в таблице 1.1 ( – число наблюдений, – число параметров при переменной ).

Таблица 1.1

Компоненты дисперсии	Сумма квадратов	Число степеней свободы	Дисперсия на одну степень свободы
Общая
Факторная
Остаточная

Определение дисперсии на одну степень  свободы приводит дисперсии к  сравнимому виду. Сопоставляя факторную  и остаточную дисперсии в расчете  на одну степень свободы, получим  величину -критерия Фишера:

.      (1.9)

Фактическое значение -критерия Фишера (1.9) сравнивается с табличным значением при уровне значимости и степенях свободы и . При этом, если фактическое значение  
-критерия больше табличного, то признается статистическая значимость уравнения в целом.

Для парной линейной регрессии  , поэтому

.   (1.10)

Величина  -критерия связана с коэффициентом детерминации , и ее можно рассчитать по следующей формуле:

.    (1.11)

В парной линейной регрессии оценивается  значимость не только уравнения в  целом, но и отдельных его параметров. С этой целью по каждому из параметров определяется его стандартная ошибка: и .

Стандартная ошибка коэффициента регрессии определяется по формуле:

,    (1.12)

где – остаточная дисперсия на одну степень свободы.

Величина стандартной ошибки совместно  с  -распределением Стьюдента при степенях свободы применяется для проверки существенности коэффициента регрессии и для расчета его доверительного интервала.

Для оценки существенности коэффициента регрессии  его величина сравнивается с его стандартной ошибкой, т.е. определяется фактическое значение -критерия Стьюдента: которое затем сравнивается с табличным значением при определенном уровне значимости и числе степеней свободы . Доверительный интервал для коэффициента регрессии определяется как . Границы доверительного интервала для коэффициента регрессии не должны содержать противоречивых результатов, например, . Такого рода запись указывает, что истинное значение коэффициента регрессии одновременно содержит положительные и отрицательные величины и даже ноль, чего не может быть, и коэффициент признается незначимым.

Стандартная ошибка параметра  определяется по формуле:

.   (1.13)

Процедура оценивания существенности данного параметра не отличается от рассмотренной выше для коэффициента регрессии. Вычисляется  -критерий: , его величина сравнивается с табличным значением при степенях свободы.

Значимость  линейного коэффициента корреляции проверяется на основе величины ошибки коэффициента корреляции :

.     (1.14)

Фактическое значение -критерия Стьюдента определяется как .

Существует  связь между  -критерием Стьюдента и -критерием Фишера: