Проблема оценивания линейной связи экономических переменных.

Лекция 2. Парная линейная регрессия.

Рассматриваемые вопросы

1. Проблема оценивания линейной связи экономических переменных

2. Модель парной линейной регрессии

3. Регрессия по методу наименьших квадратов

4. Интерпретация уравнения регрессии

5. Качество оценки: коэффициент R²

6. Случайные составляющие коэффициентов регрессии

Проблема оценивания линейной связи экономических переменных.

Проблема изучения взаимосвязей экономических показателей является одной из важнейших проблем экономического анализа. Любая экономическая политика заключается в регулировании экономических переменных, и она должна основываться на знании того, как эти переменные влияют на другие переменные, являющиеся ключевыми для принимающего решения политика. Так, в рыночной экономике нельзя непосредственно регулировать темп инфляции, но на него можно воздействовать средствами бюджетно-налоговой и кредитно-денежной политики. Поэтому, в частности, должна быть изучена зависимость между предложением денег и уровнем цен. Невозможно строить, проверять или улучшать экономические модели без статистического анализа их переменных с использованием реальных статистических данных. Вся сфера экономических исследований может быть в определенном смысле охарактеризована как изучение взаимосвязей экономических переменных, и инструментарием их базового анализа являются методы статистики и эконометрики.

Изучение зависимостей двух экономических переменных начнем со случая двух переменных (обозначим их х и у). Этот случай наиболее прост и может быть рассмотрен графически. Предположим, что имеются ряды значений переменных, соответствующие им точки нанесены на график и соединены линией. Если это реальные статистические данные, то мы никогда не получим простую линию - линейную, квадратичную, экспоненциальную и т.д. Всегда будут присутствовать отклонения зависимой переменной, вызванные ошибками измерения, влиянием неучтенных величин или случайных факторов. Но если мы не получили, например, точную прямую линию, это еще не значит, что в основе рассматриваемой зависимости лежит нелинейная функция. Возможно, зависимость переменных линейна и лишь случайные факторы приводят к некоторым отклонениям от нее. То же самое можно сказать и про другой вид функции.

Связь переменных, на которую накладывается воздействие случайных факторов, называется статистической связью. Наличие такой связи заключается в том, что изменение одной переменной приводят к изменению математического ожидания другой переменной. Можно указать два типа взаимосвязей между переменными х и у. В одном случае может быть неизвестно, какая из двух переменных является независимой, и какая - зависимой. В этом случае переменные равноправны, и имеет смысл говорить о статистической взаимосвязи корреляционного типа. Оценка и анализ парной корреляции уже рассматривались в прошлой лекции. Другая ситуация возникает, если две исследуемые переменные не равноправны, но одна из них рассматривается как объясняющая ( или независимая), а другая как объясняемая (или зависящая от первой ). Если это так, то изменение одной из переменных служит причиной изменения другой. Например, рост дохода ведет к увеличению потребления; снижение процентной ставки увеличивает инвестиции; увеличение валютного курса сокращает экспорт. Это - тот случай, когда должно быть оценено уравнение регрессии y=f(x) . Уравнение регрессии - это формула статистической связи между переменными. Если эта формула линейна, то речь идет о линейной регрессии. Формула статистической связи двух переменных называется парной регрессией, зависимость от нескольких переменных - множественной регрессией.

Выбор формулы связи переменных называется спецификацией уравнения регрессии; в данном случае выбрана линейная формула. Однако до тех пор, пока не оценены количественные значения параметров уравнения, не проверена надежность сделанных оценок, эта формула остается лишь гипотезой. Оценка значений параметров выбранной формулы статистической связи переменных называется параметризацией уравнения регрессии. Как же оценить значения параметров и проверить надежность оценок? Рассмотрим вначале рисунок 2.1 (слайд).

Здесь изображены три ситуации:

1) на графике (а) взаимосвязь х и у близка к линейной; прямая линия (1) здесь близка к точкам наблюдений, и последние отклоняются от нее лишь в результате небольших случайных воздействий ;

2) на графике (b) реальная взаимосвязь величин х и у описывается нелинейной функцией (2), и какую бы мы ни провели прямую линию (например,1), отклонения точек наблюдений от нее будут существенными и неслучайными;

3) на графике (с) явная взаимосвязь между переменными х и у отсутствует. Какую бы мы ни выбрали формулу связи, результаты ее параметризации здесь будут неудачными. В частности, прямые линии 1 и 2 , проведенные через "центр" "облака" точек наблюдений и имеющие противоположный наклон, одинаково плохи для того, чтобы делать выводы об ожидаемых значениях переменной у по значениям переменной х.

В данной лекции показано, как, используя соответствующие данные, можно получить количественное выражение гипотетического линейного соотношения между двумя переменными. В лекции объясняется важный принцип регрессионного анализа — метод наименьших квадратов, а также выводятся формулы, выражающие коэффициенты регрессии.