Ілюстрований приклад
Як ілюстрацію викладеного вище матричного підходу використаємо розглянутий нами раніше приклад “споживання – дохід”, дані щодо якого наведені в (9.1.6). Для випадку моделі з двома змінними маємо
, .
Використовуючи дані, наведені в (9.1.6), одержуємо
, . |
Застосовуючи правила для знаходження оберненої матриці, можна переконатися, що
. |
Ми бачимо, що результати оцінювання, отримані матричним методом, збігаються з отриманими нами раніше.
Матриця варіації
Матричний метод дає нам можливість легко отримати не тільки дисперсію (варіацію) для кожного елемента , але й коваріацію між будь-якими двома елементами, скажімо і . Значення цих величин необхідні нам для отримання статистичних висновків.
За визначенням матриця варіації є
. |
У явному вигляді цю матрицю можна подати так:
. | (9.3.7) |
Можна показати, що матриця варіації може бути отримана за такою формулою:
, | (9.3.8) |
де – гомоскедастична дисперсія залишків .
У лінійних моделях регресії з двома й трьома змінними незміщена оцінка для обчислювалася, відповідно, за формулами і . У разі моделі з k змінними формула має вигляд
, | (9.3.9) |
де (n–k) – кількість степенів вільності.
Хоча теоретично може бути підрахована за оцінками залишків, на практиці її зручніше одержувати безпосередньо таким чином.
Пригадавши, що
, |
у разі трьох змінних
, |
та поширюючи цей принцип на випадок моделі з k змінними, одержуємо формулу
, | (9.3.10) |
або в матричних позначеннях
; | (9.3.11) |
, | (9.3.12) |
де складова відомий як кореляція для середнього.
Отже,
. | (9.3.13) |
Оскільки отримана, може бути легко підрахована за (9.3.9), а потім можна підрахувати матрицю варіацій (9.3.8).
Для нашого прикладу . Отже, .
Властивості вектора
Для випадків моделей із двома й трьома змінними ми знаємо, що оцінки параметрів регресії за МНК є лінійними й незміщеними і в класі лінійних незміщених оцінок вони мають мінімальну дисперсією. Коротше кажучи, оцінки за МНК є якнайкращими лінійними незміщеними оцінками. Ця властивість поширюється й на вектор , тобто - лінійний (кожна з його компонент є лінійна функція від у, залежної змінної). , тобто математичне сподівання кожної компоненти вектора дорівнює відповідному елементу істинного вектора і в класі всіх лінійних незміщених оцінок МНК-оцінка має мінімальну дисперсію.
9.4. Коефіцієнт детермінації R2 у матричному позначенні
Коефіцієнт детермінації R2 визначається так:
. |
У разі двох змінних
, |
а в разі трьох змінних
. |
Узагальнюючи на випадок k змінних, отримуємо
. | (9.4.1) |
Рівність (9.4.1) можна переписати як
. | (9.4.2) |
Для нашого прикладу
, , . |
Підставляючи ці значення в (9.4.2), одержуємо R2=0,962062.
Дата добавления: 2016-07-27; просмотров: 1746;