Фиктивные переменные в регрессионных моделях

ФИКТИВНЫЕ ПЕРЕМЕННЫЕ В РЕГРЕССИОННЫХ МОДЕЛЯХ  [c.257]

Каковы основные причины использования фиктивных переменных в регрессионных моделях  [c.272]


До сих пор в качестве факторов рассматривались экономические переменные, принимающие количественные значения в некотором интервале. Вместе с тем может оказаться необходимым включить в модель фактор, имеющий два или более качественных уровней. Это могут быть разного рода атрибутивные признаки, такие, например, как профессия, пол, образование, климатические условия, принадлежность к определенному региону. Чтобы ввести такие переменные в регрессионную модель, им должны быть присвоены те или иные цифровые метки, т. е. качественные переменные преобразованы в количественные. Такого вида сконструированные переменные в эконометрике принято называть фиктивными переменными. В отечественной литературе можно встретить термин структурные переменные 2.  [c.141]

В предыдущих главах была изучена классическая линейная модель регрессии, приведена оценка параметров модели и проверка статистических гипотез о регрессии. Однако мы не касались некоторых проблем, связанных с практическим использованием модели множественной регрессии. К их числу относятся мультиколлинеарность, ее причины и методы устранения использование фиктивных переменных при включении в регрессионную модель качественных объясняющих переменных, линеаризация модели, вопросы частной корреляции между переменными. Изучению указанных проблем посвящена данная глава.  [c.108]


Для ее учета введем в регрессионную модель фиктивную (бинарную) переменную Z ,  [c.120]

До сих пор мы рассматривали фиктивные переменные как факторы, которые используются в регрессионной модели наряду с количественными переменными. Вместе с тем возможна регрессия только на фиктивных переменных. Например, изучается дифференциация заработной платы рабочих высокой квалификации по регионам страны. Модель заработной платы может иметь вид  [c.149]

Поскольку коэффициенты при фиктивных переменных в модели, не содержащей других экономических факторов, характеризуют величину эффектов /-го уровня фактора z, то регрессионная модель по своему содержанию тождественна дисперсионной модели. В основе нашего примера лежит дисперсионная модель вида  [c.152]

В регрессионной модели обычно , = у, — у, но так как фиктивная переменная принимает только два значения, то у = у,.  [c.152]

Иногда необходимо включение в регрессионную модель одной или более качественных переменных, например, инвесторы мужского и женского пола. Альтернативно может понадобиться сделать качественное различие между наблюдениями одних и тех же данных. Например, если проверяется взаимосвязь между размером компании и месячными доходами по акциям, может быть желательным включение качественной переменной, представляющей месяц январь, по причине хорошо известного "январского эффекта" во временных рядах доходов по ценным бумагам. Данный "январский эффект" — это феномен, заключающийся в том, что средние доходы по акциям, особенно небольших компаний, в среднем выше в январе, чем в другие месяцы. Таким образом, если мы рассматриваем январские наблюдения как качественно отличные от других наблюдений, фиктивная переменная (D) позволит произвести подобное качественное различие.  [c.292]


Зачастую в регрессионных моделях в качестве объясняющих переменных приходится использовать не только количественные (определяемые численно), но и качественные переменные. Например, спрос на некоторое благо может определяться ценой данного блага, ценой на заменители данного блага, ценой дополняющих благ, доходом потребителей и т. д. (эти показатели определяются количественно). Но спрос может также зависеть от вкусов потребителей, их ожиданий, национальных и религиозных особенностей и т. д. А эти показатели представить в численном виде нельзя. Возникает проблема отражения в модели влияния таких переменных на исследуемую величину. Это достаточно сложная задача. Обычно в моделях влияние качественного фактора выражается в виде фиктивной (искусственной) переменной, которая отражает два противоположных состояния качественного фактора. Например, "фактор действует" - "фактор не действует", "курс валюты фиксированный" — "курс валюты плавающий", "сезон летний" — "сезон зимний" и т. д. В этом случае фиктивная переменная может выражаться в двоичной форме  [c.257]

В главе 5 рассмотрен ряд проблем, связанных с использованием регрессионных моделей, таких, как мультиколлинеарность, фиктивные переменные, линеаризация модели, частная корреляция.  [c.4]

Рассматриваемые выше регрессионные модели (5.2) и (5.3) отражали влияние качественного признака (фиктивных переменных) только на значения переменной Y, т. е. на свободный член уравнения регрессии. В более сложных моделях может быть отражена также зависимость фиктивных переменных на сами параметры при переменных регрессионной модели. Например, при наличии в модели объясняющих переменных — количественной Х и фиктивных Z , Z 2, Zi, Z>2, из которых Z , Z 2 влияют только на значение коэффициента при Х, a Z2i, Z- — только на величину свободного члена уравнения, такая регрессионная модель примет вид  [c.118]

Главы 2-4 содержат классическую теорию линейных регрессионных моделей. Этот материал является ядром эконометрики, и студенты должны хорошо освоить его перед тем, как перейти к изучению остальных частей книги. В главе 2 рассматривается простейшая модель с двумя регрессорами, глава 3 посвящена многомерным моделям. В определенном смысле глава 2 избыточна, однако с педагогической точки зрения крайне полезно изучить сначала регрессионные модели с двумя переменными. Тогда, например, можно обойтись без матричной алгебры, в двумерном случае легче также понять графическую интерпретацию регрессии. Глава 4 содержит несколько дополнительных разделов (проблема мультиколлинеарности, фиктивные переменные, спецификация модели), однако ее материал также можно отнести к стандартным основам эконометрики.  [c.15]

Регрессионные модели являются достаточно гибким инструментом, позволяющим, в частности, оценивать влияние качественных признаков (пол, профессия, наличие детей и т.п.) на изучаемую переменную. Это достигается введением в число регрессоров так называемых фиктивных переменных, принимающих, как правило, значения 1 или 0 в зависимости от наличия или отсутствия  [c.108]

Ранее мы рассмотрели модели, в которых какие-либо независимые переменные принимают дискретные значения, например, 0 или 1, выражая некоторые качественные признаки (фиктивные переменные). Относительно зависимой переменной явно или неявно предполагалось, что она выражает количественный признак, принимая непрерывное множество значений. В частности, в нормальной линейной регрессионной модели (п. 2.3) предполагается, что ошибка имеет гауссовское распределение, откуда следует, что зависимая переменная у может принимать любые значения. В то же время довольно часто интересующая нас величина по своей природе является дискретной. Выделим несколько типичных ситуаций.  [c.318]

Следует отметить не совсем удачный перевод на русский язык термина dummy variables как фиктивная переменная. Во-первых, в модели регрессионного анализа мы уже имеем фиктивную переменную X при коэффициенте Ро> всегда равную единице. Во-вторых, и это главное — все процедуры регрессионного анализа (оценка параметров регрессионной модели, проверка значимости ее коэффициентов и т. п.) проводятся при включении фиктивных переменных так же, как и обычных , количественных объясняющих переменных. Фиктивность же переменных 2/ состоит только в том, что они количественным образом описывают качественный признак.  [c.118]

ФИКТИВНАЯ ПЕРЕМЕННАЯ [dummy variable] — в эконометрике переменная модели, полученная путем преобразования (напр., с помощью балльных оценок) информации, содержащей качественные и другие не поддающиеся числовой оценке величины. Ф.п. используются как простое средство для включения подобной информации в регрессионный анализ. Напр., добавление Ф.п., принимающей только два значения — 0 и 1 в качестве дополнительной объясняющей переменной, часто используется при анализе сезонных колебаний.  [c.375]

Существует несколько методов использования базовой модели. Простейший и самый популярный — регрессионный анализ с фиктивными (dummy) переменными главу 17). В этом случае вычисленные переменные состоят из фиктивных переменных. атрибутивных уровней. Если характеристика имеет А, уровней, ее кодируют через — 1)-ю фиктивную переменную (см. главу 14). Если получены метрические данные, то рейтинги, выраженные в интервальной шкале, образуют зависимую переменную. Если получены неметрические данные, то значения рангов можно преобразовать в 0 или выполнив попарные сравнения между торговыми марками. В этом случае вычисленные переменные представляют различия в атрибутивных уровнях сравниваемых торговых марок. К другим процедурам, для анализа неметрическихданных, относятся MONANOVAn [29].  [c.798]

Расширенные регрессионные модели, включающие детерминанты пола и места проживания, выглядят интереснее. Введение фиктивной переменной пола (для мужчин Male = 1, для женщин Male = 0) сильно повысило объяснительную способность модели (R2 = Q, 12 adj.R2 = 0,166J. Нормы отдачи от инвестиций в образование и профессиональный опыт остались практически на прежнем уровне (4% и 3% соответственно), а коэффициенты при переменных, характеризующих отдачу от профессионального опыта на данном предприятии, стали статистически значимыми (норма отдачи составляет 1%). Анализ отдачи от инвестиций в образовательные кредиты показал, что наибольший вклад в формирование заработков вносит диплом о высшем образовании, в то время как вклад сертификатов о среднем специальном или полном среднем образовании статистически незначим.  [c.82]

Смотреть страницы где упоминается термин Фиктивные переменные в регрессионных моделях

: [c.299]    [c.131]    [c.467]