Регрессионные модели, методы оценивания параметров регрессионных моделей (МНК, МНП, метод моментов).
Если ряд не является временнЫм, и обнаружена высокая корреляция между факторами будущей модели, то модель можно искать в форме регрессии регрессии . Если факторов в регрессионной модели больше 2-х, говорят о множественной регрессии. Частный случай множественной регрессии - парная регрессия. Могут быть такие формы парной регрессии (с учетом типа корреляции): - линейная регрессия: - простейший случай регрессионной модели - парная линейная регрессия: регрессия фактора Y к фактору Х). Серая ломаная – уровни значений ряда (Y), а красная прямая – линейная модель. - нелинейная парная регрессия: , и т.д.
Задача моделирования состоит в поиске приближенных значений (оценок) параметров регрессии. Это делается на основе рядов исходных данным разными методами. Чаще используетс МНК.
А) Предварительные расчеты – до построения регрессионной модели:
Но прежде сказать о формулах расчета параметров и критериях оценки качества модели, следует сказать о том, что должно предшествовать построению регрессионной модели. Для выяснения вопроса: Стоит ли искать модель в форме регрессии фактора Y к фактору Х ?» вычисляется парный коэффициент линейной или нелинейной корреляции между Y и X. Например, для выяснения, стоит ли строить линейную 2 факторную регрессию, рассчитывают коэффициент линейной парной корреляции по формуле: , где S – дисперсии рядов X,Y) – учитывают заодно, насколько он близок к 1 по модулю. Если то скорее всего корреляция между факторами имеется и имеет смысл попробовать описать ее регрессионной линейной моделью. Если парный коэфф. корреляции ryx близок к 1 (более 0,75) то еще уместно проверить Z-статистику (оценка Фишера): . Если величина по модулю > tкрит (α, n- k ) то тем более есть смысл строить парную регрессию. Для оценки степени корреляции также может быть дополнительно использован критерий Стьюдента: считают величину и сравнивают ее с критическим значений распределения Стьюдента. Если | tнабл | > tкрит (α, n- k ) , (α – вероятность ошибки (обычно число 0,05-0,01), n – размер выборки Х (Y), k – число переменных в предполагаемой будущей линейной регрессии) то есть смысл искать модель процесса в виде линейной регрессии; если условие неравенства не выполняется, то нет смысла строить модель в виде линейной парной регрессии. Если график приростов (yi-yi-1) представляет собой примерно горизонтальную линию, то подходит модель стационарная или линейная регрессия, если график приростов – наклонная прямая линия – то модель м.б. стационарной, но нелинейной (например, подходит пораболический тренд). Если график приростов второго порядка (приросты приростов) линия – то модель нелинейная и т.д.
Популярное: Как построить свою речь (словесное оформление):
При подготовке публичного выступления перед оратором возникает вопрос, как лучше словесно оформить свою... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (250)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |