Методы выбора формы уравнения регрессии

Выбор формы уравнения регрессии.

Для построения уравнения множественной регрессии чаще используются следующие функции

1. линейная:

2. степенная:

3. экспоненциальная:

4. гипербола:

В виду четкой интерпретации параметров наиболее широко используются линейная и степенная функции. В линейной множественной регрессии параметры при Х называются коэффициентами «чистой» регрессии. Они характеризуют среднее изменение результата с изменением соответствующего фактора на единицу при неизменном значении других факторов, закрепленных на среднем уровне.

Пример. Предположим, что зависимость расходов на продукты питания по совокупности семей характеризуется следующим уравнением:

где у – расходы семьи за месяц на продукты питания, тыс.руб.;

х₁ – месячный доход на одного члена семьи, тыс.руб.;

х₂ – размер семьи, человек.

Анализ данного уравнения позволяет сделать выводы – с ростом дохода на одного члена семьи на 1 тыс. руб. расходы на питание возрастут в среднем на 350 руб. при том же среднем размере семьи. Иными словами, 35% дополнительных семейных расходов тратится на питание. Увеличение размера семьи при тех же ее доходах предполагает дополнительный рост расходов на питание на 730 руб. Параметр а не подлежит экономической интерпретации.

При изучении вопросов потребления коэффициенты регрессии рассматривают как характеристики предельной склонности к потреблению. Например, если функции потребления С_t имеет вид:

то потребление в период времени t зависит от дохода того же периода R_t и от дохода предшествующего периода R_t-1. Соответственно коэффициент b₀ обычно называют краткосрочной предельной склонностью к потреблению. Общим эффектом возрастания как текущего, так и предыдущего дохода будет рост потребления на b= b₀ + b₁. Коэффициент b рассматривается здесь как долгосрочная склонность к потреблению. Так как коэффициенты b₀ и b₁ >0, то долгосрочная склонность к потреблению должна превосходить краткосрочную b₀. Например, за период 1905 – 1951 гг. (за исключением военных лет) М.Фридман построил для США следующую функцию потребления: С_t = 53+0,58 R_t+0,32 R_t-1 с краткосрочной предельной склонностью к потреблению 0,58 и с долгосрочной склонностью к потреблению 0,9.

Функция потребления может рассматриваться также в зависимости от прошлых привычек потребления, т.е. от предыдущего уровня потребления

В этом уравнении параметр b₀ также характеризует краткосрочную предельную склонность к потреблению, т.е. влияние на потребление единичного роста доходов того же периода R_t. Долгосрочную предельную склонность к потреблению здесь измеряет выражение b₀/(1- b₁).

Так, если уравнение регрессии составило:

то краткосрочная склонность к потреблению равна 0,46, а долгосрочная – 0,575 (0,46/0,8).

В степенной функции коэффициенты b_j являются коэффициентами эластичности. Они показывают, на сколько процентов изменяется в среднем результат с изменением соответствующего фактора на 1% при неизменности действия других факторов. Этот вид уравнения регрессии получил наибольшее распространение в производственных функциях, в исследованиях спроса и потребления.

Предположим, что при исследовании спроса на мясо получено уравнение:

где у – количество спрашиваемого мяса

Следовательно, рост цен на 1% при том же доходе вызывает снижение спроса на мясо в среднем на 2.63%. Увеличение дохода на 1% обусловливает при неизменных ценах рост спроса на 1.11%.

В производственных функциях вида:

где P – количество продукта, изготавливаемого с помощью m производственных факторов (F₁, F₂, ……F_m).

b – параметр, являющийся эластичностью количества продукции по отношению к количеству соответствующих производственных факторов.

Экономический смысл имеют не только коэффициенты b каждого фактора, но и их сумма, т.е. сумма эластичностей: В = b₁ +b₂+……+b_m. Эта величина фиксирует обобщенную характеристику эластичности производства. Производственная функция имеет вид

где Р – выпуск продукции

F₁ – стоимость основных производственных фондов

F_2­ ­ — отработано человеко-дней

F₃ – затраты на производство

Эластичность выпуска по отдельным факторам производства составляет в среднем 0,3% с ростом F₁ на 1% при неизменном уровне других факторов; 0,2% — с ростом F_2­ ­ на 1% также при неизменности других факторов производства и 0,5% с ростом F₃ на 1% при неизменном уровне факторов F₁ и F₂. Для данного уравнения В = b₁ +b₂+b₃ = 1. Следовательно, в целом с ростом каждого фактора производства на 1% коэффициент эластичности выпуска продукции составляет 1%, т.е. выпуск продукции увеличивается на 1%, что в микроэкономике соответствует постоянной отдаче на масштаб.

При практических расчетах не всегда . Она может быть как больше, так и меньше 1. В этом случае величина В фиксирует приближенную оценку эластичности выпуска с ростом каждого фактора производства на 1% в условиях увеличивающейся (В>1) или уменьшающейся (В T ;

Для уравнения применили равенство:

— скалярная функция

Система нормальных уравнений (1) содержит k линейных уравнений относительно k неизвестных i = 1,2,3……k

= (2)

Перемножив (2) получим развернутую форму записи систем нормальных уравнений

Оценка коэффициентов

Стандартизированные коэффициенты регрессии, их интерпретация. Парные и частные коэффициенты корреляции. Множественный коэффициент корреляции. Множественный коэффициент корреляции и множественный коэффициент детерминации. Оценка надежности показателей корреляции.

Параметры уравнения множественной регрессии оцениваются, как и в парной регрессии, методом наименьших квадратов (МНК). При его применении строится система нормальных уравнений, решение которой и позволяет получить оценки параметров регрессии.

Так, для уравнения система нормальных уравнений составит:

Ее решение может быть осуществлено методом определителей:

, ,…, ,

где D – главный определитель системы;

Dа, Db₁, …, Db_p – частные определители.

а Dа, Db₁, …, Db_p получаются путем замены соответствующего столбца матрицы определителя системы данными левой части системы.

Возможен и иной подход в определении параметров множественной регрессии, когда на основе матрицы парных коэффициентов корреляции строится уравнение регрессии в стандартизованном масштабе:

где — стандартизованные переменные , для которых среднее значение равно нулю , а среднее квадратическое отклонение равно единице: ;

— стандартизованные коэффициенты регрессии.

Применяя МНК к уравнению множественной регрессии в стандартизованном масштабе, после соответствующих преобразований получим систему нормальных вида

Решая ее методом определителей, найдем параметры – стандартизованные коэффициенты регрессии (b-коэффициенты).

Стандартизованные коэффициенты регрессии показывают, на сколько сигм изменится в среднем результат, если соответствующий фактор х_i изменится на одну сигму при неизменном среднем уровне других факторов. В силу того, что все переменные заданы как центрированные и нормированные, стандартизованные коэффициенты регрессии b_I сравнимы между собой. Сравнивая их друг с другом, можно ранжировать факторы по силе их воздействия на результат. В этом основное достоинство стандартизованных коэффициентов регрессии в отличие от коэффициентов «чистой» регрессии, которые несравнимы между собой.

Пример. Пусть функция издержек производства у (тыс. руб.) характеризуется уравнением вида

где х₁ – основные производственные фонды;

х₂ – численность занятых в производстве.

Анализируя его, мы видим, что при той же занятости дополнительный рост стоимости основных производственных фондов на 1 тыс. руб. влечет за собой увеличение затрат в среднем на 1,2 тыс. руб., а увеличение численности занятых на одного человека способствует при той же технической оснащенности предприятий росту затрат в среднем на 1,1 тыс. руб. Однако это не означает, что фактор х₁ оказывает более сильное влияние на издержки производства по сравнению с фактором х₂. Такое сравнение возможно, если обратиться к уравнению регрессии в стандартизованном масштабе. Предположим, оно выглядит так:

Это означает, что с ростом фактора х₁ на одну сигму при неизменной численности занятых затрат на продукцию увеличиваются в среднем на 0,5 сигмы. Так как b₁

Дата добавления: 2016-05-16 ; просмотров: 2404 ; ЗАКАЗАТЬ НАПИСАНИЕ РАБОТЫ

Выбор формы уравнения регрессии

Различают следующие виды уравнений множественной регрессии: линей-ные, нелинейные, сводящиеся к линейным, и нелинейные, не сводящиеся к ли-нейным (внутренне нелинейные). В первых двух случаях для оценки парамет-ров модели применяются классического линейного регрессионного анализа. В случае внутренне нелинейных уравнений для оценки параметров приходится применять методы нелинейной оптимизации.

Основное требование, предъявляемое к уравнениям регрессии, заключает-ся в наличии наглядной экономической интерпретации модели и ее параметров.

Исходя из этих соображений, наиболее часто используются линейная и

Параметры b_i при факторах х_i называются коэффициентами «чистой» регрессии. Они показывают, на сколько единиц в среднем изменится результативный при-знак y за счет изменения соответствующего фактора на единицу при неизме-ненном значении других факторов, закрепленных на среднем уровне.

Предположим, например, что зависимость спроса на товар (Q d ) от цены (P) и дохода (I) характеризуется следующим уравнением:

Коэффициенты данного уравнения говорят о том, что при увеличении цены на единицу, спрос уменьшится в среднем на 0,12 единиц измерения спроса, а при увеличении дохода на единицу, спрос возрастет в среднем 0,23 единицы.

Параметр а в (3.14) не всегда может быть содержательно проинтерпретирован. Степенная множественная регрессия имеет вид

Параметры b_j(степени факторов х_i) являются коэффициентами эластично-сти. Они показывают, на сколько процентов в среднем изменится результатив-ный признак y за счет изменения соответствующего фактора х_i на 1 % при не-измененном значении остальных факторов.

Наиболее широкое применение этот вид уравнения регрессии получил в производственных функциях, а также при исследовании спроса и потребления.

Например, зависимость выпуска продукции Y от затрат капитала K и труда L

говорит о том, что увеличение затрат капитала K на 1 % при неизменных затра-тах труда вызывает увеличение выпуска продукции Y на 0,23 %. Увеличение за-трат труда L на 1 % при неизменных затратах капитала K вызывает увеличение выпуска продукции Y на 0,81 %.

Экономический смысл имеет также сумма коэффициентов b_i каждого фак-тора (сумма эластичностей)b = b_i. Эта величина дает обобщенную харак-теристику эластичности производства.

Если значение b> 1, то говорят, что функция имеет возрастающий эффект от масштаба производства. Значение b= 1 говорит о постоянном масштабе производства. Если значение b 2 b₄ x₁ x₂ 2 ,

величины x₁ 2 ,x₁x₂ 2 рассматривать как новые дополнительные факторы, то,

Для оценки параметров уравнения множественной регрессии обычно при-меняется метод наименьших квадратов (МНК), согласно которому следует вы-бирать такие значения параметров а и b_i, при которых сумма квадратов откло-нений фактических значений результативного признака y_i от теоретических значений ŷ= f (x1i,x2i. xpi)(при тех же значениях фактора xij) минимальна, т. е.

С учетом (3.6) величина S является функцией неизвестных параметров а и b_i

Оптимальные значения параметров а и b_i удовлетворяют условиям

Выполняя соответствующие вычисления, получим для определения пара-метров а и b_i следующую систему уравнений

откуда после некоторых преобразований получается система нормальных урав-нений метода наименьших квадратов

где B матрица-столбец (p+1×1) из коэффициентов а и b_i;

Y матриц-столбец (n×1) исходных значений зависимой переменнойy;

X матрица(p+1×n)исходных значений независимых переменных x_i,в ко-торой первый столбец из единиц можно рассматривать как значения «фиктив-

квадратной размерности (p+1×p+1) при условии, что столбцы матрицы X ли-нейно независимы.

Независимые переменные x_i имеют различный экономический смысл, раз-ные единицы измерения и масштаб. Если нужно определить степень относи-тельного влияния отдельных факторов x_i на изменение результативной пере-менной y, то переменные x_i следует привести к сопоставимому виду. Это мож-но осуществить, вводя, так называемые, «стандартизованные» переменные t _y,t_x1. t_xpс помощью соотношений

Стандартизованные переменные обладают следующими свойствами: 1) средние значения равны нулю t_yt_xi0; 2) средние квадратические отклоне-

Уравнения множественной регрессии в стандартизованных переменных принимает вид

Величины βi называются стандартизованными коэффициентами. Их связь коэффициентами множественной регрессии b_i задается соотношениями

Стандартизованные коэффициенты регрессии β_i показывают, на сколько сигм (средних квадратических отклонений) изменится в среднем результатив-ный признак y за счет изменения соответствующего фактора на одну сигму при неизмененном значении других факторов, закрепленных на среднем уровне.

Система нормальных уравнений МНК (3.10) в стандартизованных пере-менных принимает вид:

Стандартизованные коэффициенты регрессии β_i сравнимы между собой, что позволяет ранжировать факторы по силе их воздействия на результат. Большее относительное влияние на изменение результативной переменной y оказывает тот фактор, которому соответствует большее по модулю значение коэффициента βi.

Отметим, что в случае парной линейной регрессии стандартизованный ко-эффициент регрессии β совпадает с линейным коэффициентом корреляции ryx.

Для оценки параметров нелинейных уравнений множественной регрессии предварительно осуществляется преобразование последних в линейную форму (с помощью замены переменных) и МНК применяется для нахождения пара-метров линейного уравнения множественной регрессии в преобразованных пе-ременных.

В случае внутренне нелинейных зависимостей (которые невозможно при-вести к линейному виду) для оценки параметров по методу наименьших квад-ратов приходится применять методы нелинейной оптимизации (п. 2.4).