Завершающим этапом построения эконометрической модели является получение формулы для определения дисперсии регрессионого значения экономического показателя при различных значениях фактора
{ Y* (X)}= ( - 2X + N )// [N - () ] (7.22)
Xmin £ X £ Xmax
Значения Xmin, Xmax определяются по формулам (7.4), (7.5).
Формула (7.22) используется для построения двухсторонних доверительных интервалов регрессионных значений экономического показателя
[Y* (X) - S{ Y* (X)}; Y* (X) + S{ Y* (X)}] (7.23)
Xmin £ X £ Xmax
Табличное значение определяется при доверительном уровне a (обычно 0.95). Значение Y* (X) определяется по формуле (7.2). Значение
S{Y* (X)} определяется по формуле (7.22).
Назначение доверительных интервалов, определяемых по формуле (7.23), состоит в оценке области значений экономического показателя, в которой находится истинная экономическая зависимость.
Построение доверительного интервала производится с помощью формул, описывающих зависимости верхних и нижних граничных значений от значений фактора.
|
|
Верхние граничные значения доверительного интервала определяются по формуле
Y*(X)верх. = Y* (X) + S{Y*(X)}, (7.24)
Xmin £ X £ Xmax
Нижние граничные значения доверительного интервала определяются по формуле
Y*(X)нижн. = Y* (X) - S{Y*(X)}, (7.25)
Xmin £ X £ Xmax
Разность между граничными значениями определяется по формуле
D Y* (X) =Y*верх. - Y*нижн. = 2 S{ Y* (X)}, (7.26)
{ Y* (X)}= ( - 2X + N ) / [N - () ],
Xmin £ X £ Xmax
Максимальное значение доверительного интервала определяется по формуле
D Y* (X)max = D Y* (X) = 2 S{ Y* (X{Dmax})}, (7.27)
Xmin £ X £ Xmax
Минимальное значение доверительного интервала определяется по формуле
D Y* (X)min = D Y* (X) = 2 S{ Y* (X{Dmin})}, (7.28)
Xmin £ X £ Xmax
Для построенной регрессионной модели первого порядка доверительные границы являются криволинейными и определяются с помощью уравнений второго порядка.
Последовательность построения и анализа более сложных эконометрических моделей будет аналогичной, но в отличие от модели парной регрессии для этого необходимо использование специальных компьютерных программ.
Ковариационная матрица и ее выборочная оценка
Вариации оценок параметров будут, в конечном счете, определять точность уравнения множественной регрессии. Для их измерения в многомерном регрессионном анализе рассматривают так называемую ковариационную матрицу К, являющуюся матричным аналогом дисперсии одной переменной:
|
|
.
где элементы ковариации (или корреляционные моменты) оценок параметров и . Ковариация двух переменных определяется как математическое ожидание произведения отклонений этих переменных от их математических ожиданий [Ссылка]. Поэтому
, (13.28)
где и математические ожидания соответственно для параметров и .
Ковариация характеризует как степень рассеяния значений двух переменных относительно их математических ожиданий, так и взаимосвязь этих переменных.
В силу того, что оценки , полученные методом наименьших квадратов, являются несмещенными оценками параметров , т.е. , выражение (13.28) примет вид:
.
Рассматривая ковариационную матрицу К, легко заметить, что на ее главной диагонали находятся дисперсии опенок параметров регрессии, ибо
. (13.29)
В сокращенном виде ковариационная матрица К имеет вид:
. (13.30)
Учитывая (13.28) мы можем записать
.
Тогда выражение (12.30) примет вид:
, (13.31)
ибо элементы матрицы X —неслучайные величины.
Матрица представляет собой ковариационную матрицу вектора возмущений :
в которой все элементы, не лежащие на главной диагонали, равны нулю в силу предпосылки 4 о некоррелированности возмущений , и между собой, а все элементы, лежащие на главной диагонали, в силу предпосылок 2 и 3 регрессионного анализа равны одной и той же дисперсии :
.
Поэтому матрица , где единичная матрица го
порядка. Следовательно, в силу (13.31) ковариационная матрица вектора оценок параметров:
Так как и , то окончательно получим:
(13.32)
Таким образом, с помощью обратной матрицы нормальных уравнении регрессии определяется не только сам вектор оценок параметров (13.28), но и дисперсии и ковариации его компонент.
Входящая в (13.32) дисперсия возмущений неизвестна. Заменив ее выборочной остаточной дисперсией
(13.33)
по (13.32) получаем выборочную оценку ковариационной матрицы К. (В знаменателе выражения (13.33) стоит , а не , как это было выше в (13.6). Это связано с тем, что теперь степеней свободы (а не две) теряются при определении неизвестных параметров, число которых вместе со свободным членом равно .