Оценка статистической значимости регрессии
Перейдем к вопросу о том, как отличить "хорошие" оценки МНК от "плохих". Конечно, предполагается, что существуют критерии качества рассчитанной линии регрессии.
Перечислим способы, которые помогают решить вопрос о достоинствах рассчитанной линии регрессии:
§ построение доверительных интервалов и оценка статистической значимости коэффициентов регрессии по t-критерию Стьюдента;
§ дисперсионный анализ и F – критерий Фишера;
§ проверка существенности выборочного коэффициента корреляции (детерминации).
Перейдем к подробному изложению свойств оценок МНК и способов проверки их значимости.
Несложно показать, что оценки и полученные МНК по (2.8) с учетом ограничений (2.3)-(2.5) являются линейными несмещенными оценками и обладают наименьшими дисперсиями (являются эффективными) в классе линейных оценок (теорема Гаусса-Маркова).
Для вычисления интервальных оценок a, b предполагаем нормальное распределение случайной величины u. Для получения интервальных оценок a, b оценим дисперсию случайного члена по отклонениям ei. В качестве оценки дисперсии ошибки возьмем величину:
. (2.12)
Вычислим величину
,
и - стандартную ошибку коэффициента регрессии a.
Статистика
,
имеет t-распределение Стьюдента. Так как несмещенная оценка, то для заданного 100(1–e)% уровня значимости доверительный интервал для a суть:
, (2.13)
где te,n-2 – табличное значение t распределения для (n-2) степеней свободы и уровня значимости e.
Вычислим величину
,
и - стандартную ошибку[1] коэффициента регрессии b.
Статистика
,
имеет t-распределение Стьюдента. Так как несмещенная оценка, то для заданного 100(1–e)% уровня значимости доверительный интервал для b суть:
, (2.14)
где te,n-2 – табличное значение t распределения для (n-2) степеней свободы и уровня значимости e.
Проверим гипотезу о равенстве нулю коэффициента a, т.е.
H0: a=0.
С учетом статистики для a=0, имея в виду формулу для , получим:
. (2.15)
Если вычисленное по (2.15) значение t будет больше te для заданного критического уровня значимости e, то гипотеза H0 о равенстве нулю коэффициента a отклоняется, если же t<te, то H0 принимается.
Аналогично для проверки гипотезы о равенстве нулю коэффициента b, т.е.
H0: b=0
рассчитаем статистику:
. (2.16)
Если вычисленное по (2.16) значение t будет больше te для заданного критического уровня значимости e, то гипотеза H0 о равенстве нулю коэффициента b отклоняется, если же t<te, то H0 принимается.
Заметим, что формула (2.12) может быть упрощена и записана в виде:
. (2.17)
Пример. Приведем расчеты для нашего примера в табл. 2.1. По формуле (2.17) рассчитаем дисперсию ошибки:
=(1282345–(–2,91)×3861–0,9276×1394495)/10=4,6948 или =2,1667.
Найдем доверительный интервал для a по первой из формул (2.13):
a= .
По таблице t-распределения находим
t0,05;10=2,228 и a=-2,91±2,228×2668,219/747,0743.
Откуда a=-2,91±7,798 или -10,7£a£4,9.
С вероятностью 0,95 истинные значения a находятся в интервале 10,7£a£4,9.
Аналогично найдем доверительный интервал для b по первой из формул (2.14): b= =0,9276±0,022 и 0,91£b£0,95.
Кроме того по экономическому смыслу переменных примера следует ожидать, что 0£b£1. Поскольку доверительный интервал не включает 0 и 1, то результаты регрессии соответствуют гипотезе 0£b£1.
Проверим гипотезу о равенстве нулю коэффициента b, т.е. H0: b=0.
Рассчитаем t-статистику по формуле (2.16):
t=0,9276× /2,1667=92,328.
Табличное значение t0,01;10=3,169, так как t>t0,01;10, то гипотеза о том, что b=0 отклоняется. Можно говорить о том, что коэффициент b значимо отличен от нуля.Ñ
Разложим общую вариацию значений Y около их выборочного среднего на составляющие (см. рис. 2.1):
. (2.18)
Сумма квадратов отклонений от среднего в выборке равна сумме квадратов отклонений значений , полученных по уравнению регрессии, от выборочного среднего плюс сумма квадратов отклонений Y от линии регрессии .
Первую связывают с линейным воздействием изменений переменной X и называют "объясненной".
Вторая составляющая является остатком и называется "необъясненной" долей вариации переменной Y.
Отметим, что долю дисперсии, объясняемую регрессией, в общей дисперсии результативной переменной Y характеризует коэффициент детерминации, определяемый по формуле (2.10), которая может быть преобразована с учетом (2.18) к виду:
.
Предположим, что мы хотим проверить гипотезу об отсутствии линейной функциональной связи между X и Y, т.е. H0: b=0.
Иначе говоря, мы хотим оценить значимость уравнения регрессии (2.6) в целом. Для проверки гипотезы сведем необходимые вычисления в таблицу (табл. 2.3).
Соотношение
(2.19)
удовлетворяет F - распределению Фишера с (1, n-2) степенями свободы. Критические значения этой статистики Fe для уровня значимости e затабулированы.
Если F>Fe, то гипотеза об отсутствии связи между переменными Y и X отклоняется, в противном случае гипотеза Н0 принимается и уравнение регрессии не значимо.
Таблица 2.3
Таблица дисперсионного анализа
Источник вариации | Сумма квадратов отклонений | Число степеней свободы | Среднее квадратов отклонений |
X | |||
Остаток | n-2 | ||
Общая вариация | n-1 | - |
Пример. Для примера табл. 2.1, с учетом предыдущих вычислений, будем иметь таблицу анализа дисперсии - табл. 2.4.
Применяя формулу (2.19), получим . Табличное значение F0,01(1, 10)=10,04, так что имеющиеся данные позволяют отвергнуть гипотезу об отсутствии связи между личными доходами и индивидуальным потреблением. Ñ
Таблица 2.4
Таблица анализа дисперсии (пример в табл. 2.1)
Источник вариации | Сумма квадратов отклонений | Число степеней свободы | Среднее квадратов отклонений |
X | 0,92762*46510 | 40019,1 | |
Остаток | 10*4,6948 | 4,7 | |
Общая вариация | 40066,0 | - |
Дата добавления: 2017-04-20; просмотров: 636;