Методом наименьших квадратов

Применяя к (3.1) с учетом (3.2)-(3.5) МНК, получаем из необходимых условий минимизации функционала:

,

т.е. обращения в нуль частных производных по каждому из параметров:

Упростив последние равенства, получим стандартную форму нормальных уравнений, решение которых дает искомые оценки параметров:

(3.6)

Сложность решения системы линейных уравнений (3.6) с (k+1) неизвестными увеличивается быстрее, чем растет k. В зависимости от количества уравнений система может быть решена методом исключения Гаусса или методом Крамера или другим численным методом решения системы линейных алгебраических уравнений.

Поскольку для большинства практических задач изучаются несколько альтернативных спецификаций модели (3.1), то широкое применение ЭВМ, а также специальных статистических пакетов позволяет значительно упростить процедуру оценивания.

В результате решения системы[3] (3.6) получим оценки коэффициентов , j=0,2,…,k.

Возможна и другая запись уравнения (3.1) в так называемом стандартизованном масштабе:

, (3.7)

где - стандартизованные переменные:

, j=1,2,…,k,

для которых среднее значение равно нулю:

j=1,2,…,k,

а среднее квадратическое отклонение равно единице:

j=1,2,…,k,

, j=1,2,…,k – стандартизованные коэффициенты регрессии.

Нетрудно установить зависимость между коэффициентами "чистой" регрессии и стандартизованными коэффициентами регрессии , j=1,2,…,k, а именно:

, j=1,2,…,k, (3.8)

причем .

Соотношение (3.8) позволяет переходить от уравнения вида (3.7) к уравнению вида (3.1).

Стандартизованные коэффициенты регрессии показывают, на сколько "сигм" изменится в среднем результат (Y), если соответствующий фактор изменится на одну "сигму" при неизменном среднем уровне других факторов.

В силу того, что все переменные центрированы и нормированы, коэффициенты , j=1,2,…,k, сравнимы между собой (в этом их отличие от ). Сравнивая их друг с другом, можно ранжировать факторы по силе их воздействия на результат, что позволяет произвести отсев факторов – исключить из модели факторы с наименьшими значениями .

Нетрудно показать, что оценки МНК , j=0,2,…,k являются наиболее эффективными (в смысле наименьшей дисперсии) оценками в классе линейных несмещенных оценок (теорема Гаусса-Маркова).

Как было уже указано раньше, достоинством метода множественной регрессии является возможность выделения влияния каждого из факторов X_j в условиях, когда воздействие многих переменных на результат эксперимента не удается контролировать. Степень раздельного влияния каждого из факторов характеризуется оценками , j=1,2,…,k.

Пример 1. Исследуется зависимость между стоимостью грузовой автомобильной перевозки Y (тыс. руб), весом груза X₁ (тонн) и расстоянием X₂(тыс.км) по 20 транспортным компаниям. Исходные данные приведены в таблице 3.1.

Таблица 3.1

В данном примере мы располагаем пространственной выборкой объема n=20, число объясняющих переменных k=2.

Модель специфицируем в виде линейной функции:

. (3.9)

Следовательно, система нормальных уравнений для модели (3.9) будет иметь вид

(3.10)

Рассчитаем по данным табл. 3.1 необходимые для составления указанной системы суммы:

SY=454,5;	SX1=277,2;	SX2=31,8;
SY2=18206,89;	S =5860,9;	S =61,45;
=22,73;	=13,86;	=1,59;
SX1Y=8912,57;	SX2Y=908,56;	SX1X2=459,24;

Получим систему нормальных уравнений (3.10) в виде:

Решая последнюю систему линейных алгебраических уравнений, например методом Крамера, получим:

=-17,31; =1,16; =15,10.

Уравнение регрессии имеет вид:

Y=-17,31+1,16×X₁+15,10×X₂.

Или, с учетом (3.8) и расчетов:

= = =19,85,

= = =10,05,

= = =0,74.

=1,16 =0,77, =15,10 =0,56

уравнение регрессии в стандартизованном масштабе:

.

То есть с ростом веса груза на одну сигму при неизменном расстоянии стоимость грузовых автомобильных перевозок увеличивается в среднем на 0,77 сигмы. Поскольку 0,77>0,56, то влияние веса груза на стоимость грузовых автомобильных перевозок больше, чем фактора расстояния.

Рассчитаем коэффициенты эластичности

= 1,16×13,86/(-17,31 + 1,16×13,86 + 15,10×1,59) = 0,71,

= 1,05.

С увеличением среднего веса груза на 1% от его среднего уровня средняя стоимость перевозок возрастет на 0,71% от своего среднего уровня, при увеличении среднего расстояния перевозок на 1% средняя стоимость доставки груза увеличится на 1,05%. Различия в силе влияния факторов на результат полученные при сравнении уравнения регрессии в стандартизованном масштабе и коэффициентов эластичности объясняются тем, что коэффициент эластичности рассчитывается исходя из соотношения средних, а стандартизованные коэффициенты регрессии из соотношения средних квадратических отклонений.

Поскольку обычно статистики используют показатель грузооборота, вычисляемый как сумма произведений массы перевезенных грузов на расстояние перевозки, то построим регрессию стоимости 1 км грузовых автомобильных перевозок Y на грузооборот Q (Q=X₁X₂):

P = 5,88 + 0,48×Q - 0,003×Q²,

причем регрессор Q² = Q*Q включен исходя из соображений известного экономического закона убывающей предельной полезности, согласно которому в данном случае стоимость перевозки на 1 км должна уменьшаться с ростом грузооборота, т.е. коэффициент при Q² должен иметь (и в построенном уравнении имеет) отрицательный знак.Ñ

Как уже говорилось в разделе 2.3, регрессионные модели не ограничиваются классом линейных функций. Линеаризация нелинейных функций в уравнении регрессии имеет особенности, рассмотренные в примере.

Пример 2. Исследуется зависимость между выпуском Q (млн. $) и затратами труда L (чел.) и капитала K (млн. $) в металлургической промышленности по 27 американским компаниям. Исходные данные приведены в таблице 3.2.

Таблица 3.2

Мы располагаем пространственной выборкой объема n=27, число объясняющих переменных k=2.

Модель зависимости между выпуском и затратами труда и капитала, как правило, специфицируется в виде производственной функции, чаще всего Кобба-Дугласа:

. (3.11)

Поскольку модель (3.11) является нелинейной, преобразуем ее к виду линейной по параметрам. Для этого возьмем логарифм от обеих частей в уравнении (3.11):

.

Переобозначим для удобства Y=lnQ, b₀=lnA, X₁=lnL, X₂=lnK, u=lne, тогда имеем линейную модель вида:

. (3.12)

Исходные данные к модели вида (3.11) получаются логарифмированием чисел, представленных в таблице 3.2. Соответственно получим табл. 3.3.

После процедуры лианеризации система нормальных уравнений для модели (3.11) будет иметь такой же вид, как и система (3.10)

Рассчитаем по данным табл. 3.3 необходимые для составления указанной системы суммы:

SY=200,98;	SX1=155,62;	SX2=201,04;
SY2=1511,07;	S =908,13;	S =1521,31;
=7,44;	=5,76;	=7,45;
SX1Y=1170,67;	SX2Y=1514,54;	SX1X2=1173,51;

Таблица 3.3

Получим систему нормальных уравнений после подстановки соответствующих значений в (3.10) в виде:

Решая последнюю систему методом Крамера, получим:

=1,11, =0,56, =0,41.

Уравнение регрессии имеет вид:

Y=1,11+0,56×X₁+0,41×X₂.

Или, с учетом (3.8) и расчетов: =0,75, =0,65, =0,96, =0,56 =0,48, =0,41 =0,52 уравнение регрессии в стандартизованном масштабе:

.

Нетрудно восстановить (учитывая, что A= =3,03) исходную модель (3.9)

.

Эластичность выпуска продукции Q по труду L равна 0,56, а эластичность выпуска продукции Q по капиталу K равна 0,41. Следовательно увеличение затрат труда на 1% приведет к росту выпуска продукции на 0,56%, а увеличение затрат капитала на 1% приведет к росту выпуска продукции на 0,41%.

Очевидно, что обе величины и должны находиться между нулем и единицей. Они должны быть положительными, так как увеличение затрат факторов должно вызывать рост выпуска. В то же время, вероятно, они будут меньше единицы, т.к. мы предполагаем, что уменьшение эффекта от масштаба производства приводит к более медленному росту выпуска продукции, чем затрат производственных факторов, если другие факторы остаются постоянными.

Продолжая интерпретацию результатов регрессии , отметим, что ( + )<1, т.е. имеет место убывающий эффект от масштаба производства (выпуск увеличивается в меньшей пропорции, чем L и K). Ñ