Основные положения регрессионного анализа
В силу воздействия неучтенных случайных факторов и причин отдельные наблюдения переменной будут в большей или меньшей мере отклоняется от функции регрессии . В этом случае уравнение взаимосвязи двух переменных (парная регрессионная модель) может быть представлено в виде
,
где – случайная величина (случайный член), характеризующая отклонение от функции регрессии. Эту переменную будем называть возмущением, либо ошибкой. Таким образом, в регрессионной модели зависимая переменная есть некоторая функция с точностью до случайного возмущения
Рассмотрим линейный регрессионный анализ, для которого функция линейная относительно оцениваемых параметров .
Предположим, что для оценки параметров линейной регрессии взята выборка, содержащая пар значений переменных , где . Результаты наблюдений и можно рассматривать как значения случайных величин и имеющих такое распределение как случайные величины и соответственно. В этом случае линейная парная регрессионная модель имеет вид
, . (К14)
Отметим основные предпосылки регрессионного анализа.
(РА1). В модели (К14) возмущение , (или зависимая переменная ) есть величина случайная, а объясняющая переменная – величина не случайная.
(РА2). Математическое ожидание возмущения , равно нулю
(К15)
или математическое ожидание зависимой переменной равно линейной функции регрессии
.
(РА3) (условие гомоскедастичности или равноизменчивости возмущения (зависимой переменной)). Дисперсия возмущения (или зависимой переменной ) постоянна для любого , то есть
(К16)
или
.
(РА4) (условие некоррелированности). Для любых возмущения и удовлетворяют условию
. (К17)
(РА5). Возмущение (или зависимая переменная ) являются нормально распределенными случайными величинами.
В этом случае модель (К14) называется классической нормальной линейной регрессионной моделью (Classical Normal Linear Regression model).
Для получения уравнения регрессии достаточно предпосылок (1) – (4). Требование выполнения предпосылки (5) необходимо для оценки точности уравнения регрессии и его параметров.
Оценкой модели (К14) по выборке является уравнение регрессии (К4). Параметры этого уравнения и определяются на основе метода наименьших квадратов и вычисляются по формулам (К9).
Теорема(Гаусса – Маркова). Если регрессионная модель (К14) удовлетворяет предпосылкам (1) – (4), то оценки и , определенные по формулам (К9), имеют наименьшую дисперсию в классе всех линейных несмещенных оценок.
Таким образом, оценки и в определенном смысле являются наиболее эффективными линейными оценками параметров и .
Воздействие неучтенных случайных факторов и ошибок наблюдений в модели (К14) определяется с помощью дисперсии возмущений (ошибок) или остаточной дисперсии . Несмещенной оценкой этой дисперсии является выборочная остаточная дисперсия
, (К18)
где
– групповая средняя, найденная по уравнению регрессии (К4),
– выборочная оценка возмущения или остаток регрессии.
Напомним, что в математической статистике для получения несмещенной оценки дисперсии случайной величины соответствующую сумму квадратов отклонений от средней делят не на число наблюдений , а на число степеней свободы , равное разности между числом независимых наблюдений случайной величины и числом связей, ограничивающих свободу их изменения, то есть число уравнений, связывающих эти наблюдения. Поэтому в знаменателе выражения (К18) стоит число степеней свободы , так как две степени свободы теряются при определении двух параметров прямой из системы уравнений (К5).
Дата добавления: 2018-09-24; просмотров: 782;