При моделировании реальных экономических процессов мы нередко сталкиваемся с ситуациями, в которых условия классической линейной модели регрессии оказываются нарушенными. В частности, могут не выполняться предпосылки 3 и 4 регрессионного анализа (см. (3.24) и (3.25)) о том, что случайные возмущения (ошибки) модели имеют постоянную дисперсию и не коррелированы между собой. Для линейной множественной модели эти предпосылки означают (см. 4.2), что ковариационная матрица вектора возмущений (ошибок) е имеет вид [c.150]
Классическая нормальная линейная модель множественной регрессии [c.82]
Как уже отмечено в 4.1, модель (4.2), удовлетворяющая приведенным предпосылкам 1—6, называется классической нормальной линейной моделью множественной регрессии если же среди приведенных не выполняется лишь предпосылка 5 о нормальном законе распределения вектора возмущений е, то модель (4.2) называется просто классической линейной моделью множественной регрессии. [c.87]
Убедимся в том, что модель (7.11) удовлетворяет всем требованиям классической линейной модели множественной регрессии ( 4.2) [c.153]
Расчетно-статистическим методом нормы определяются путем анализа статистических фактических данных о расходе ТЭР и факторов, влияющих на их использование. Основным недостатком используемых экономико-статистических моделей (экстраполяция динамических рядов и модели множественной регрессии) является невозможность в прямом виде учесть глубокие структурные изменения в перспективе. В последнее время сделано несколько попыток в направлении дополнения классических экономико-статистических моделей способами, позволяющими заложить в модели качественную информацию о перспективе поведения того или иного экономического показателя [27, 9]. [c.119]
Все наши предыдущие рассуждения и выводы, касающиеся схемы классической множественной регрессии, основывались явно или неявно на предположении, что мы имеем дело с правильной спецификацией модели. Иными словами, мы считали, что зависимая переменная у, регрессоры X и оцениваемые параметры ft связаны соотношением [c.124]
Одним из наиболее распространенных способов получения многофакторных прогнозов является упоминавшийся ранее классический метод наименьших квадратов и построение на его основе модели множественной регрессии [16]. Для линейного случая модель множественной регрессии записывается в виде [c.33]
Временной ряд st можно представить в эквивалентном (1.62) виде, при котором он получается в виде классической линейной модели множественной регрессии, в которой в качестве объясняющих переменных выступают его собственные значения во все прошлые моменты времени [c.41]
В главе 7 представлены обобщенная линейная модель множественной регрессии и обобщенный метод наименьших квадратов. Исследуется комплекс вопросов, связанных с нарушением предпосылок классической модели регрессии — гетероскедастично-стью и автокоррелированностью остатков временного ряда, их тестированием и устранением, идентификацией временного ряда. [c.4]
В учебнике излагаются основы эконометрики. Большое внимание уделяется классической (парной и множественной) и обобщенной моделям линейной регрессии, классическому и обобщенному методам наименьших квадратов, анализу временных рядов и систем одновременных уравнений. Обсуждаются различные аспекты многомерной регрессии мультиколлине-арность, фиктивные переменные, спецификация и линеаризация модели, частная корреляция. Учебный материал сопровождается достаточным числом решенных задач и задач для самостоятельной работы. [c.2]
Как уже отмечалось выше, равенство дисперсий возмущений (ошибок) регрессиии е/ (гомоскедастичность) является существенным условием линейной классической регрессионной модели множественной регрессии, записываемым в виде У е [c.155]
Классическая линейная модель множественной регрессии (КЛММР). Оценка неизвестных параметров КЛММР, статистические свойства оценок. Отбор наиболее существенных объясняющих переменных в КЛММР. Признаки и причины мультиколлинеарности. Методы устранения мультиколлинеарности. Множественная корреляция. Частная корреляция. Оценка [c.3]