Припущення класичної лінійної моделі регресії
Скалярне позначення | Матричне позначення |
1. | E(U)=0, де Uі 0є n´1 вектори-стовпці, 0– нульовий вектор |
2. | , де I– n´n одинична матриця |
3. Х2, Х3,…, Хk нестохастичні й фіксовані | n´k матриця Xє нестохастичною, тобто вона складається із сукупності фіксованих чисел |
4. Не існує точного лінійного зв’язку між змінними X, тобто немає мультиколінеарності | Ранг матриці X дорівнює k, де k – кількість стовпців в X, при чому k<n |
5. При перевірці гіпотез | Вектор u має багатовимірний нормальний розподіл, тобто |
Припущення 1 (табл. 9.1) означає, що математичне сподівання збурюючого вектора u, тобто кожної його компоненти, дорівнює нулю. Більш точно означає
. | (9.2.1) |
Припущення 2 являє собою компактний вираз двох припущень, зображених у скалярному вигляді рівняннями (3.2.5) і (3.2.2). Щоб переконатися в цьому, можна записати
, |
де – транспонований вектор-стовпець u, тобто вектор-рядок.
Виконавши перемножування матриць, отримаємо
або
. | (9.2.2) |
Враховуючи гіпотезу про гомоскедастичність і відсутність серійної кореляції, можна подати(9.2.2) у вигляді
, | (9.2.3) |
де I– n´n одинична матриця.
Матриця (9.2.2) називається матрицею варіації збурень ; елементи головної діагоналі цієї матриці позначають дисперсії, а решта елементів – коваріації. Зазначимо, що ця матриця симетрична.
Припущення 3 стверджує, що матриця Xнестохастична, тобто її елементи – фіксовані числа.
Припущення 4 стверджує, що ранг матриці дорівнює k, тобто дорівнює кількості стовпців матриці. Це означає, що стовпці матриці лінійно незалежні, тобто не існує точного лінійного зв’язку між змінними Х. Іншимисловами, відсутня мультиколінеарність. У скалярних позначеннях це означає, що не існує множини чисел , ,… , з яких не всі дорівнюють нулю, тобто
, | (9.2.4) |
де для всіх i. У матричних позначеннях (9.2.4) може бути подане у вигляді
, | (9.2.5) |
де – 1´k-вектор-рядок, а X– k´1-вектор-стовпець.
Якщо лінійне співвідношення вигляду (9.2.4) існує, то говорять, що змінні колінеарні. Якщо ж ця рівність можлива тільки при , то говорять, що змінні Х лінійно незалежні.
Оцінювання за МНК
Щоб отримати оцінку вектора b запишемо функцію SRF (вибіркову функцію регресії) з k змінними в матричному вигляді:
. | (9.3.1) |
Так само, як і у разі дво- й тривимірних моделей, МНК для k-вимірноїмоделі полягає в мінімізації
. | (9.3.2) |
Із (9.3.1) ми одержуємо
. | (9.3.3) |
Отже,
. | (9.3.4) |
Тут ми скористалися властивостями транспонування матриць, а саме . Крім того, оскільки є скаляр, то він не змінюється при транспонуванні .
У скалярних позначеннях МНК полягає в оцінюванні , ,… таким чином, щоб була якомога малою величиною. Це досягається шляхом диференціювання (9.3.4) за , ,… і прирівнювання частинних похідних до нуля. Ця процедура приводить до системи k лінійних алгебраїчних рівнянь з k невідомими. Можна показати, що ця система має вигляд
. | (9.3.5) |
Відзначимо деякі властивості матриці :
1) вона дає ряд суми квадратів і попарних добутків змінних Х. Елементи головної діагоналі являють собою ряд сум квадратів, а елементи зовні головної діагоналі – суму попарних добутків;
2) матриця симетрична, оскільки сума добутків і ;
3) матриця має порядок k´k.
У (9.3.5) відомими величинами є і , а невідомою – . Розв’язуючи рівняння (9.3.5), знаходимо
. | (9.3.6) |
Рівняння (9.3.6) відображає фундаментальний результат теорії МНК у матричній формі. Воно показує, що оцінка вектора може бути проведена за наявними даними.
Дата добавления: 2016-07-27; просмотров: 1725;