S5.4.S Регрессия с модельными переменными [c.903]
В обеих регрессиях, описываемых уравнениями (25.24) и (25.26), значение параметра а представляет собой оценку возможностей менеджера по определению ценных бумаг с заниженной ценой (т.е. умение менеджера правильно выбрать ценные бумаги), а значение параметра с представляет собой оценку возможностей менеджера в области выбора времени операций. При этом квадратичное уравнение показывает, что бета портфеля принимала различные значения в зависимости от размера избыточной доходности рынка. Графически это выражается в том, что наклон квадратичной кривой постоянно увеличивается при движении слева направо на рис. 25.8(а). Уравнение модельных переменных, в свою очередь, показывает, что бета портфеля меняется в промежутке между двумя значениями гиг зависящими от величины rjf Графически это выражается в том, что наклон, задаваемый данным уравнением, возрастает от одного значения (Ь - с) до второго значения (Ь) при движении слева направо на рис. 25.8(6). [c.904]
Регрессия с модельными переменными.................................903 [c.1027]
Коэффициент переменной может использоваться в уравнении регрессии, если вычисленная для него величина (1 - Р-значение) близка к 1. Параметр Выпуск продукции и Y-пересечение (свободный член уравнения регрессии) не являются значимыми. Поэтому модельное уравнение регрессии [c.471]
В регрессионном анализе рассматриваются односторонняя зависимость случайной переменной Y от одной (или нескольких) неслучайной независимой переменной X. Такая зависимость может возникнуть, например, в случае, когда при каждом фиксированном значении X соответствующие значения Y подвержены случайному разбросу за счет действия ряда неконтролируемых факторов. Такая зависимость Гот X (иногда ее называют регрессионной) может быть также представлена в виде модельного уравнения регрессии 7 по X (3.1). При этом зависимую переменную У называют также функцией отклика, объясняемой, выходной, результирующей, эндогенной переменной, результативным признаком, а независимую переменную X — объясняющей, входной, [c.51]
Доверительный интервал для индивидуальных значений зависимой переменной. Построенная доверительная область для M Y) (см. рис. 3.6) определяет местоположение модельной линии регрессии (т.е. условного математического ожидания), но не отдельных возможных значений зависимой переменной, которые отклоняются от средней. Поэтому при определении доверительного интервала для индивидуальных значений у зависимой переменной необходимо учитывать еще один источник вариации — рассеяние вокруг линии регрессии, т.е. в оценку суммарной дисперсии s следует [c.67]
Однако в жестких теоретических рамках модельных допущений о типе распределения исследуемого вектора показателей ( (1), (2),---, (р) Л) может быть получен общий вид функции регрессии /(X) = Е (т = X) (здесь, как и ранее, = = ( < >,. .., <">) и X - (х<1 . .., < > ). Так, например, если предположить, что исследуемый вектор переменных ( т]) подчиняется (р + 1)-мерному нормальному распределению с вектором средних значений [c.166]
Следует помнить, что эмпирические коэффициенты регрессии bo и bi являются лишь оценками теоретических коэффициентов ро и рь а само уравнение отражает лишь общую тенденцию в поведении рассматриваемых переменных. Индивидуальные значения переменных в силу различных причин (см. п. 4.2) могут отклоняться от модельных значений. В нашем примере эти отклонения выражены через значения ei. Эти отклонения являются оценками отклонений Si для генеральной совокупности. [c.107]
В предыдущих главах были рассмотрены модели парной и множественной линейной регрессии, а также задачи экономического анализа, решаемые с помощью этих моделей. Однако далеко не все задачи исследования взаимосвязей экономических переменных описываются обычной линейной регрессионной моделью. Во-первых, исходные данные могут не соответствовать тем или иным предпосылкам линейной регрессионной модели и требовать либо дополнительной обработки, либо иного модельного инструментария Во-вторых, исследуемый процесс во многих случаях описывается не одним уравнением, а системой, где одни и те же переменные могут быть в одних случаях объясняющими, а в других - зависимыми. В-третьих, исследуемые взаимосвязи могут быть (и обычно являются) нелинейными, а процедура линеаризации не всегда легко осуществима и может приводить к искажениям. В-четвертых, структура описываемого процесса может обусловливать наличие различного рода связей между оцениваемыми коэффициентами регрессии, что также предполагает необходимость использования специальных методов. Настоящая глава посвящена обзору ситуаций, требующих выхода за рамки стандартной модели линейной регрессии, и подходов к их исследованию. [c.353]
Ранее обсуждавшиеся меры эффективности управления портфелем, основанные на учете риска, построены таким образом, чтобы показать, насколько эффективен портфель по сравнению с эталонным портфелем и с набором других портфелей. Использование квадратичной регрессии и регрессии модельных переменных представляет собой попытку отдельно оценить возможности менеджера по выбору ценных бумаг и по выбору времени операций. Однако клиент может захотеть узнать, почему у портфеля была определенная доходность за конкретный временной интервал. Факторный анализ эффективности управления портфелем (performan e attribution), использующий факторную модель, является одним из методов, позволяющих ответить на данный вопрос. Пример приведен в приложении. [c.906]
Чуа и Вудворд сделали заключения о выдающихся инвестиционных способностях Кейнса. Однако они не делали различия между его способностями по выбору времени операций и по выбору ценных бумаг. Используя квадратичную регрессию и технику модельных переменных, оцените возможности Кейнса по выбору времени операций. (Подсказка настоятельно рекомендуем использовать стандартные регрессионные пакеты для персональных компьютеров.) [c.916]