Содержание
- 2. 1. Фиктивные объясняющие переменные До сих пор рассматривались модели, в которых в качестве объясняющих переменных выступали
- 3. Примерами таких признаков могут слу-жить: образование (начальное, среднее, выс-шее), пол человека (мужской, женский) и т.д. Чтобы
- 4. Такие переменные приводят к скачкооб-разному изменению параметров регрессион-ных моделей и в этом случае говорят об ис-следовании
- 5. где , если й персоналий не имеет высшего образования и в противном случае. Нетрудно видеть, что
- 6. Такие модели называют ANCOVA-моделями (модели ковариационного анализа). Обычно в качестве фиктивных перемен-ных выступают бинарные переменные, т.е.
- 7. где , если служащий является муж-чиной, и , если служащий явля-ется женщиной, количественные приз-наки (стаж работы,
- 8. Если рассматриваемый качественный признак имеет более чем два уровня, напри-мер, их число равно , то в
- 9. В данной модели
- 10. Как видим, третьей фиктивной переменной не требуется, так как при = =0 следует, что служащий имеет
- 11. 2. Модели с дискретными зависимыми переменными Нередко зависимая переменная по своей природе является дискретной, например, если
- 12. Номинальные переменные. Рассмотрим следующие примеры. 1. Семейное положение мужчины можно выразить следующими категориями: холост, женат, разведен,
- 13. Выбор значения осуществляется из двух или более альтернатив. Если имеется только две возможности, то наблюдения обычно
- 14. Главная особенность приведённых при-меров состоит в том, что имеющиеся альтер-нативы нельзя естественным образом упорядочить, их нумерация
- 15. 1. Доход семьи: низкий, средний, высокий, очень высокий. 2. Уровень образования: начальное, незакон-ченное среднее, среднее, незаконченное
- 16. Количественные целочисленные переменные. Примерами таких переменных служат: 1. Число предприятий страны, обанкро-тившихся в текущем году. 2.
- 17. Для моделей с описанными дискретными зависимыми переменными возможно форма-льное применение МНК для оценки их коэф-фициентов. Однако
- 18. Если зависимая переменная является номинальной и количество альтернатив бо-лее двух, то результаты оценивания МНК вообще теряют
- 19. Рассмотрим вначале простейшие модели бинарного выбора, когда результирующий показатель может принимать только два значения: 0 и
- 20. На решение о покупке автомобиля влияют различные факторы: доход семьи, количес-тво членов семьи, их возраст, место
- 21. Выдвигая различные предположения о характере зависимости переменной от вектора и случайного фактора , можно получить различные
- 22. Поскольку , как случайная величина, принимает только два значения ( 0 и 1), а по предпосылке
- 23. В итоге модель (2) может быть записана в следующем виде и поэтому её называют линейной моделью
- 24. может находиться вне отрезка , что не поддается разумной интерпретации, поско-льку левая часть уравнения (3) представ-ляет
- 25. От указанного недостатка, связанного с предположением о линейной зависимости вероятности от вектора , можно избавиться, если
- 26. В частности, в качестве можно взять функцию распределения вероятностей не-которой случайной величины. Наиболее распространенными функци-ями такого
- 27. 2. Если в качестве выбирают логисти-ческую функцию то говорят о logit-модели. Для оценивания коэффициентов probit- и
- 28. В том случае, когда номинальная зависимая переменная имеет более двух альтернатив, т.е. требуется построить модель множест-венного
- 29. Тогда выбор одного из трёх вариантов про-фессий можно описать в виде графа после-довательных действий, в вершинах
- 30. Рис. 1
- 31. 3. Тесты Гуйарати и Чоу Пусть требуется оценить парную регрессию, в которой в качестве объясняющей переменной
- 32. Пусть до момента было произведено наблюдений показателя , а после этого момента - . В итоге
- 33. Если же структурные изменения незна-чительно повлияли на характер динамики , то её описывают единым по всей
- 34. где В итоге для каждого промежутка времени получаются следующие оценки уравнения регрессии: для : ; для
- 35. С помощью критерия Стьюдента проверяют значимость полученных оценок коэффициентов регрессии (5). Здесь возможны следующие случаи. 1°.
- 36. Рис. 2
- 37. Рис. 3
- 38. 2°. Если параметр статистически значим, а не является значимым, то различаются коэффициенты регрессии кусочно-линейной модели (рис.
- 39. Рис. 4
- 40. 4°. Если оба параметра и статистически незначимы, то используется единая по всей совокупности данных линейная регрессия,
- 41. Выдвигается гипотеза о незначительном влиянии структурных изменений в экономи-ке. Согласно тесту Чоу гипотеза отвер-гается на уровне
- 42. больше , найденного по таблицам по заданному уровню значимости и числу степеней свободы В формуле (6)
- 44. Скачать презентацию