Содержание
- 2. Спецификация модели множественной регрессии Множественная регрессия представляет собой модель, где среднее значение зависимой переменной Y рассматри-
- 3. Y X1 X2 a0 Чистый эффект X2 Чистый эффект X1 Совокупный эффект X1 и X2 a0+b2*x2
- 4. Y= a0+b1*x1+b2*x2+ e Y-общая величина расходов на питание X1- располагаемый личный доход, X2- цена продуктов питания
- 6. Линейная модель множественной регрессии Факторы, включаемые во множественную регрессию: должны быть количественно измеримы; не должны быть
- 7. 2 вопрос
- 8. Матричный метод вектор значений Y; -вектор параметров регрессии; вектор остатков регрессии . матрица значений X.
- 9. Матричный метод
- 10. Скалярный метод
- 11. МНК-оценки множественной регрессии
- 12. МНК-оценки множественной регрессии
- 13. Регрессионная модель в стандартизованном масштабе
- 14. Стандартизованные коэффициенты регрессии (β)
- 15. Благодаря тому, что в стандартизованном уравнении все переменные заданы как центрированные и нормированные, β-коэффициенты сравнимы между
- 16. Стандартизованные коэффициенты регрессии показывают, на сколько средних квадратических отклонений (σy) изменится в среднем результат, если соответствующий
- 17. В парной зависимости стандартизованный коэффициент регрессии есть линейный коэффициент корреляции: Во множественной регрессии зависимость следующая:
- 18. Частный коэффициент эластичности показывает, на сколько % изменяется в среднем результативный признак Y при изменении фактора
- 19. Индекс множественной корреляции 3 вопрос Индекс множественной корреляции независимо от формы связи оценивает тесноту совместного влияния
- 20. Коэффициент детерминации: Скорректированный коэффициент детерминации: Коэффициент детерминации
- 21. Когда m - число параметров при Xj – приближается к объему наблюдений (n), то остаточная дисперсия
- 23. Частные коэффициенты корреляции R2yx1x2…xj…xm – множественный коэффициент детерминации всего комплекса факторов с результатом; R2yx1x2…xj-1xj+1…xm – тот
- 24. Порядок частного коэффициента корреляции определяется количеством факторов, влияние которых исключается. Коэффициенты частной корреляции первого порядка: Коэффициенты
- 25. F-критерий Фишера Значимость уравнения множественной регрессии в целом, так же как и в парной регрессии, оценивается
- 26. t-статистика Стьюдента - оценка значимости коэффициентов регрессии
- 27. Задача: Предприниматель желает сдать в аренду на один год принадлежащий ему отель (80 комнат), расположенный в
- 28. 1. Ввод исходных данных
- 29. 2. Нахождение матрицы линейных коэффициентов парной корреляции
- 30. 3. Расчет оценок коэффициентов регрессии
- 31. Таким образом, построенная модель может быть записана в виде Y=101,84+3,58*X3+16,21*X4+e . Коэффициент b3 этой модели показывает,
- 32. 4.Множественный коэффициент корреляции Множественный коэффициент корреляции достаточно высокий, что свидетельствует о существенной зависимости величины арендной платы
- 33. 5. Скорректированный коэффициент детерминации Скорректированный коэффициент детерминации свидетельствует, что 99,12% дисперсии арендной платы формируется под влиянием
- 34. 6. Расчет бетта-коэффициентов Полученные значения бетта-коэффициентов позволяют проранжировать факторы по степени их влияния на арендную плату
- 35. 7. F-тест Сравнение расчетного значения F-критерия с табличным (1069,9398 > 3,5915) с вероятностью 95% позволяет сделать
- 36. 8. t-тест Сравнение модулей полученных t- статистик с табличным значением (2,1098) подтверждает значимость коэффициентов регрессии b0,b3,b4.
- 37. 9. Расчет средней прогнозируемой величины арендной платы Y=101,84+3,58*X3+16,21*X4+e; X3=1; X4=3,42 кв.км Yx=101,84+3,58*1+16,21*3,42=160,8846≈161 тыс.руб.
- 38. ПОНЯТИЕ МУЛЬТИКОЛЛИНЕАРНОСТИ 4 вопрос Мультиколлинеарность - это линейная взаимосвязь нескольких объясняющих переменных (х1, х2, … хm).
- 39. ДИАГРАММА ВЕННА Мультиколлинерность не позволяет однозначно разделить вклады объясняющих переменных x1,x2,…xm в их влияние на зависимую
- 40. ПОСЛЕДСТВИЯ МУЛЬТИКОЛЛИНЕАРНОСТИ Увеличиваются стандартные ошибки оценок Уменьшаются t-статистики МНК-оценок регрессии МНК-оценки чувствительны к изменениям данных Возможность
- 41. ПРИЗНАКИ МУЛЬТИКОЛЛИНЕАРНОСТИ Высокий R2 Близкая к 1 парная корреляция между малозначимыми независимыми переменными Высокие частные коэффициенты
- 42. Задача: Руководство коммерческого банка ищет пути уменьшения расходов, связанных с основным видом деятельности – размещением вкладов
- 43. 1. ВВОД ИСХОДНЫХ ДАННЫХ
- 44. 2. ПОСТРОЕНИЕ УРАВНЕНИЯ РЕГРЕССИИ
- 45. Полученный результат позволяет выдвинуть гипотезу о наличии коллинеарности факторов X1, X2!
- 46. МЕТОДЫ ВЫЯВЛЕНИЯ МУЛЬТИКОЛЛИНЕАРНОСТИ
- 47. Первый метод: Две переменные коллинеарны, т. е. находятся между собой в линейной зависимости, если rxixj ≥
- 48. Предпочтение при этом отдается тому фактору, который при достаточно тесной связи с результатом имеет наименьшую тесноту
- 49. Второй метод: Если между факторами существует полная линейная зависимость, и все коэффициенты межфакторной корреляции равны единице,
- 50. 3.1. ПОСТРОЕНИЕ УРАВНЕНИЯ РЕГРЕССИИ С ФАКТОРОМ X1
- 51. 3. ПОСТРОЕНИЕ УРАВНЕНИЯ РЕГРЕССИИ С ФАКТОРОМ X2.
- 52. Третий метод: Для расчета коэффициентов множественной детерминации факторов в качестве зависимой переменной рассматривается каждый из факторов.
- 53. МЕТОДЫ УСТРАНЕНИЯ МУЛЬТИКОЛЛИНЕАРНОСТИ Исключение из модели коррелированных переменных ( при отборе факторов) Сбор дополнительных данных или
- 54. МЕТОДЫ ОТБОРА ФАКТОРОВ
- 55. ИСКЛЮЧЕНИЕ K ОБЪЯСНЯЮЩИХ ПЕРЕМЕННЫХ (исключение некорректно)
- 57. Скачать презентацию