Содержание
- 2. 2 Однако привычная интерпретация параметра β3 не применима, так как при изменении переменной X2 на единицу
- 3. 3 Дифференцируя уравнение по X2, получаем скорость изменения Y по X2. Таким образом, при изменении X2
- 4. 4 Это означает, что β2 имеет интерпретацию отличную от интерпретации в обычной линейной модели , в
- 5. 5 Для частного случая , где X2 = 0, β2 интерпритируется как единичное изменения X2 по
- 6. 6 β3 имеет специальную интерпритацию. Если переписать модель,как показано на слайде, то β3 можно интерпритировать как
- 7. 7 Только β1 имеет условно принятую интерпритацию. Обычно, когда X2 = 0, β1 =Y (кроме случайной
- 8. 8 Возникает следующая трудность, связанная с тем, что , если X2 = 0 находится вне диапозона
- 9. 9 Рассмотрим пример основанный на функции заработка. В таблице приведены результаты квадратичной регрессии заработка при обучении
- 10. 10 Коэффициент S означает, что для человека, не имеющего школьного образования, влияние каждого года обучения должно
- 11. 11 В буквальном смысле данное значение можно интерпретировать так, что человек без образования будет получать ежечасный
- 12. 12 На графике изображена квадратичная зависимость. По диапазону фактических данных график отлично подходит для наблюдений. График
- 13. 13 Квадратичные объясняющие переменные Большинство исследований уравнения заработной платы принимают полулогарифмическую форму. Коэффициент наклона имеет простую
- 14. 14 Данные о темпах роста занятости и темпов роста ВВП , для 25 стран ОЭСР на
- 15. 15 Gsq определяется как квадрат g (темп роста ВВП). . gen gsq = g*g . reg
- 16. 16 Квадратичная модель является улучшением гиперболической модели. Квадратичная модель является наиболее подходящей для низких значений темпа
- 17. 17 Единственным недостатком является то, что на графике рассчитанное значение e начинает падать, когда g превышает
- 18. 18 Зачем останавливаться на квадратичной модели? Почему бы не рассмотреть кубический, или квартичный, или многочлен еще
- 19. 19 Квадратичные объясняющие переменные Использование квадратичных моделей, связано с уменьшением крайних эффектов, исключение которых является задачей
- 20. 20 Квадратичные объясняющие переменные Во-вторых, не имеет смысла рассматривать полиномы более высоких порядков, поскольку это не
- 21. 21 Квадратичные объясняющие переменные В-третьих, если выборка не очень мала, то графики полиномов более высокого порядка
- 22. 22 Квадратичные объясняющие переменные Для сравнения с квадратичной регрессией на графике показаны кубическая и регрессия четвертого
- 23. 23 Квадратичные объясняющие переменные Для квадратичной формы R2 = 0.334. Для кубической формы R2 = 0.345,
- 25. Скачать презентацию