Каковы условия интерпретируемости константы в уравнении линейной регрессии?




Константу можно интерпретировать, когда она значима и когда это имеет экономический смысл. Второе условие выполняется для регрессий временного ряда (показывает значение зависимой переменной в базовый период).Формально говоря, она показывает прогнозируемый уровень, когда х = 0. Если х = 0 находится достаточно далеко от выборочных значений х, то буквальная интерпретация может привести к неверным результатам.Пример:Представим простой способ интерпретации коэффициентов линейного уравнения регрессии у = a + bх, постоянная а дает прогнозируемое значение у (в единицах), если х = 0.

Как можно использовать полученные значимые оценки коэффициентов в эк. анализе?

Можно предположить, что данный коэффициент показывает предельное изменение зависимого параметра при изменении объясняющей переменной. Или для прогнозирования, для выявления знака зависимости одной переменной от другой, для расчета эластичности.

 

Как модель регрессии по времени может быть использована для предсказания

Значений зависимой переменной?

В модель регрессии по времени включена переменная времени и подставив нужное значение (номер периода, для которого выполняется прогноз) мы получаем прогнозное значение зависимой переменной для данного периода.

Каковы условия и ограничения для использования модели регрессии по времени для прогнозирования?

Должны выполняться условия Гаусса-Маркова.

I. Регрессионная модель линейна по параметрам (коэффициентам), корректно специфицирована, и содержит аддитивный случайный член.

II. Случайный член имеет нулевое среднее.

III. О бъясняющая переменная не коррелирована со случайным членом.

IV. Наблюдаемые значения случайного члена не коррелированы друг с другом.

V. Случайный член имеет постоянную дисперсию

VI. Случайный член распределен нормально (необязательное, но часто используемое условие).

· Наблюдение должно включать Т+m наблюдений, из которых T – используется для построения регрессии (желательно высокое Т для точности), а последние m применяются для анализа точности предсказания. После проведения проверки можно построить прогноз на ближайшие несколько периодов, в среднем не далее 5% от длины промежутка выборки – чаще еще меньше.

 

Как можно использовать модель регрессии по факторной независимой переменной для прогнозирования?

С помощью регрессии по факторной независимой переменной можно прогнозировать поведение зависимой переменной в зависимости от изменения объясняющей переменной. Если в уравнение регрессии (с оцененными параметрами) подставить какое-то значение объясняющей переменной, то мы получим прогноз реакции зависимой переменной на изменение значения объясняющей переменной.

 

Какие проблемы и трудности возникают при использовании модели регрессии по

Факторной независимой переменной для прогнозирования?

Эконометрические модели строятся из-за 2 причин. Во-первых, это прогнозирование; при высоком показателе R2 модель может дать очень хороший прогноз зависимой переменной на будущее. Во-вторых, для объяснения определенных зависимостей; в такой ситуации R2 может быть низким, но зато знак коэффициента при независимой переменной будет определен однозначно, что даст исследователю информацию о виде связи между показателями. Если модель строилась по первой причине и не имеет высокого R-квадрата, использовать ее для прогнозирования бесполезно, так как результат будет далеким от совершенства.

 

Предпосылки регрессионного анализа. Условия Гаусса-Маркова

В чем состоят условия Гаусса-Маркова?

1. Модель линейна по параметрам (коэффициентам), правильно специфицирована, содержит аддитивный случайный член.

2. Объясняющая переменная не коррелированна со случайным членом

3. Математическое ожидание случайного члена равно нулю (E(ui)=0 для всех i)

4. Случайный член гомоскедастичен (то есть его значение в каждом наблюдении получено из распределения с постоянной теоретической дисперсией: σ2ui2u для всех i)

5. Значения случайного члена имеют взаимно независимые распределения (ui распределен независимо от uj для всех j≠i).

6. Случайный член имеет нормальное распределение (необязательное, но часто используемое условие).

 

Какой вывод относительно оцениваемого уравнения регрессии можно сделать из

Выполнимости условий Гаусса-Маркова?

МНК-оценка в данном случае является лучшей оценкой в классе линейных.

 



Поделиться:




Поиск по сайту

©2015-2024 poisk-ru.ru
Все права принадлежать их авторам. Данный сайт не претендует на авторства, а предоставляет бесплатное использование.
Дата создания страницы: 2017-06-11 Нарушение авторских прав и Нарушение персональных данных


Поиск по сайту: