Характеристики точности оценок коэффициентов регрессии

 

Из МНК следует, что оценки коэффициентов уравнения регрессии и являются СВ, зависящими от случайной составляющей е_i. При этом оценки тем надежнее, чем меньше их дисперсии D( )и D( ). Очевидно, что надежность получаемых оценок тесно связана с выборочной дисперсией случайных отклонений D(e).

Исходя из МНК, можно показать, что для парной регрессии математическое ожидание дисперсии D(e) определяется выражением

. (2.15)

Отсюда следует, что

, т. е. величина

(2.16)

является несмещенной оценкой теоретической дисперсии случайных отклонений . S² представляется как необъясненная дисперсия (мера разброса зависимой переменной вокруг линии регрессии). Величина называется стандартной ошибкой оценки (стандартной ошибкой регрессионной модели).

Характеристиками точности оценок коэффициентов и будут являться их стандартные отклонения, называемые стандартными ошибками (с.о.) коэффициентов регрессии

, . (2.17)

Приведем формулы связи дисперсий коэффициентов регрессии с необъясненной дисперсией S², которые необходимы для расчета стандартных ошибок.

Формулу для определения можно представить в виде

т. к. .

Вводя обозначение , запишем:

. (2.18)

Тогда .

Обозначив имеем:

. (2.19)

Так как дисперсию Y можно считать постоянной и не зависящей от Х для конкретных выборочных наблюдений, то c_i и d_i можно рассматривать как некоторые постоянные.

Для регрессионной модели дисперсия Y будет фактически равна оценке дисперсии случайных отклонений S². Следовательно,

. (2.20)

 

. (2.21)

Формулы (2.17), (2.20) и (2.21) позволяют определять стандартные ошибки коэффициентов регрессии.

Из (2.20) следует, что дисперсия оценки (углового коэффициента парной регрессионной модели) тем больше, чем меньше дисперсия Х. Поэтому желательно выбирать набор значений x_i таким образом, чтобы их разброс вокруг среднего значения был достаточно большим. Другими словами, точность оценок будет тем больше, чем шире область изменений объясняющей переменной (фактора-аргумента) Х.

Параметры эмпирической регрессионной модели изменяются при переходе от одной выборки к другой. Поэтому на практике возникает задача выбора наиболее точных и надежных параметров и определения их интервальных оценок. Эта задача решается путем сравнения коэффициентов регрессионных уравнений и с теоретическими коэффициентами b₀ и b₁ по схеме статистической проверки гипотез (см. раздел 1.6.4).

Если рассматривается гипотеза против альтернативной гипотезы , то для анализа используется как мера ошибки относительная величина

(2.22)

которая, по определению статистики Стьюдента, имеет распределение Стьюдента с числом степеней свободы v = n - 2 для парной линейной регрессии. Следовательно, на основании t-критерия гипотеза Н₀ отклоняется если

(2.23)

где t_кр определяется по таблице критических точек распределения Стьюдента при требуемом уровне значимости α. В противном случае гипотеза Н₀ принимается.

Тогда (в предположении, что верна Н₀) для определения доверительного интервала параметра b₁ воспользуемся соотношением для доверительной вероятности

. (2.24)

Переходя к двойному неравенству и разрешая его относительно b₁ получим

где – доверительный интервал для b₁. Например, при уровне значимости α = 0,05, это будет означать, что построенный доверительный интервал накрывает истинное значение коэффициента b₁ с заданной вероятностью 0,95 (с надежностью 95 %).

Наиболее простой и в то же время важной для парной регрессии задачей является проверка гипотезы ( ), которую будем называть гипотезой о статистической значимости коэффициента регрессии.

Если Н₀ принимается, то есть основания считать, что исследуемая величина Y не зависит от Х. В этом случае коэффициент считается статистически незначимым (близким к нулю). При отклонении Н₀ (принятии Н₁) коэффициент признается статистически значимым, что указывает на наличие определенной линейной зависимости между Y и Х.

В данной постановке гипотез t-статистика (критерий) определяется отношением

(2.25)

Это значение приводится всеми эконометрическими компьютерными пакетами в результатах регрессионной статистики. В данном случае рассматривается двусторонняя критическая область, поскольку может быть как положительным, так и отрицательным.

Чтобы сделать вывод о статистической значимости , рассчитывается соответствующее наблюдаемое значение t_набл по формуле (2.25) и сравнивается с критическим значением t_кр при выбранном уровне значимости α и числе степеней свободы n - 2 (t_{α, n - 2}). Если |t_набл| > t_кр, то гипотеза Н₀ отклоняется и коэффициент признается статистически значимым.

По аналогичной схеме на основе t-статистики проверяется гипотеза о статистической значимости коэффициента . В этом случае

(2.26)

Малые значения t-статистики соответствуют отсутствию достоверной статистической значимости коэффициентов. Для получения промежуточных выводов при оценке значимости коэффициентов линейной регрессии (параметров модели) можно использовать следующее «грубое» правило, позволяющее не прибегать к таблицам.

Если |t_набл| < 2, то коэффициент не может быть признан достоверно статистически значимым.

Если |t_набл| > 3, то коэффициент признается статистически значимым. Доверительная вероятность в этом случае составляет не менее 0,95.

В случае 2 £ |t_набл| £ 3, найденная оценка может рассматриваться как относительно значимая.

Предложенное правило достаточно надежно работает, если число наблюдений n ³ 10.

Пример 2.2. По данным примера 2.1 вычислить характеристики точности и оценить статистическую значимость параметров построенной регрессионной модели.

Вычислим стандартные ошибки параметров парной регрессии. Для имеем:

Вычисления дисперсии D(x) проведены при оценке параметра по МНК (знаменатель выражения (2.12)).

Для параметра имеем:

Проверим статистическую значимость параметров (коэффициентов регрессии). Расчетное (наблюдаемое значение) t-статистики для параметра :

.

Табличное (критическое) значение t-статистики при уровне значимости α = 0,01 и числе степеней свободы v = n - 2 = 6 будет составлять t_кр = 3,71.

Поскольку |t_набл| > t_кр (18,84 > 3,71), то гипотеза Н₀ (нулевая гипотеза) отклоняется и принимается альтернативная гипотеза Н₁, согласно которой коэффициент регрессии признается статистически значимым.

Для параметра (свободного члена) наблюдаемое значение t-ста­тистики вычислим по формуле (2.26):

.

Так как |t_набл| > t_кр (8,74 > 3,71), то нулевая гипотеза отклоняется и свободный член в уравнении регрессионной модели признается статистически значимым.

Рассчитаем доверительные интервалы параметров и для уровня значимости α = 0,05. В этом случае значение t_кр = 2,45.

Доверительный интервал для коэффициента регрессии :

[0,39 - 2,45 · 0,0207; 0,39 + 2,45 · 0,0207] ~ [0,339 (нижняя граница); 0,440 (верхняя граница)].

Построенный интервал накрывает истинное значение с надежностью 95 %.

Доверительный интервал для свободного члена :

[34,845 - 2,45 · 3,643; 34,845 + 2,45 · 3,643] ~ [22,93; 40,76].

Таким образом, параметры построенной по имеющимся статистическим данным регрессионной модели будут находиться в указанных границах с вероятностью Р = 1 - α = 0,95.

 

Читайте также:

1. АНАЛИЗ БЕЗУБЫТОЧНОСТИ ПРОЕКТА
2. Анализ общего качества уравнения регрессии.
3. Анализ уровня безубыточности производства
4. Билет Классическая и обобщенная модели множественной линейной регрессии.
5. Вопрос 5 Методы повышения точности интерполяции
6. Все, что случалось в твоей жизни, случалось именно для того, чтобы ты—и другие связанные с тобой души — развились в точности в том направлении, в каком тебе следовало и хотелось расти.
7. Геодезический контроль и обеспечение точности монтажа колонн
8. Гиперболическая и логарифмическая регрессии. Полиномиальная и кусочно-полиномиальная регрессия.
9. Диагностика банкротства по системе финансовых коэффициентов
10. Динамика оценок САН в течение рабочего дня у учителей с различным стажем работы
11. Доверительные интервалы для коэффициентов: реальные статистические данные
12. Запомните: Выраженные искривления позвоночника нередко приводят к существенным нарушениям функции легких и сердца, в частности, к развитию дыхательной недостаточности и легочного сердца.