Приведенные примеры показывают, что разработка упрощенных моделей для оценки основных свойств различных объектов может открыть интересные возможности для группировки и классификации свойств по видам зависимости, так как кривые, изображенные на рис. 6—9, могут описывать зависимости между абсолютными показателями Р,у и оценками Л // целого ряда различных свойств. При удачном решении этого вопроса следующим этапом может стать стандартизация кривых и переменных параметров формул, описывающих эти кривые. Такая стандартизация облегчит работу по оценке свойств качества. [c.82]
Статистические проверки параметров регрессии, показателей корреляции основаны на непроверяемых предпосылках распределения случайной составляющей б,. Они носят лишь предварительный характер. После построения уравнения регрессии проводится проверка наличия у оценок б, (случайных остатков) тех свойств, которые предполагались. Связано это с тем, что оценки параметров регрессии должны отвечать определенным критериям. Они должны быть несмещенными, состоятельными и эффективными. Эти свойства оценок, полученных по МНК, имеют чрезвычайно важное практическое значение в использовании результатов регрессии и корреляции. [c.155]
Коэффициенты регрессии, найденные исходя из системы нормальных уравнений, представляют собой выборочные оценки характеристики силы связи. Их несмещенность является желательным свойством, так как только в этом случае они могут иметь практическую значимость. Несмещенность оценки означает, что математическое ожидание остатков равно нулю. Следовательно, при большом числе выборочных оцениваний остатки не будут накапливаться и найденный параметр регрессии bt можно рассматривать как среднее значение из возможного большого количества несмещенных оценок. Если оценки обладают свойством несмещенности, то их можно сравнивать по разным исследованиям. [c.156]
Отметим, что при соблюдении прочих предпосылок МНК автокорреляция остатков не влияет на свойства состоятельности и несмещенности оценок параметров уравнения регрессии обычным МНК, за исключением моделей авторегрессии. Применение МНК к моделям авторегрессии ведет к получению смещенных, несостоятельных и неэффективных оценок. [c.280]
Для получения новых оценок параметров, для которых не нарушается свойство эффективности, воспользуемся методом расчета параметров уравнения регрессии при наличии автокорреляции в остатках, изложенным в п. 6.4. [c.288]
Общественные связи лучше всего подходят для поддержания информационного фона компании — более или менее частых упоминаний о страховщике в различных СМИ. Они способствуют запоминанию марки страховщика и положительной оценке его свойств, учитываемых потребителем при выборе компании. Страховщик должен добиться определенной частоты упоминаний и ссылок, так как провалы и разрывы в информационном фоне крайне отрицательно сказываются на знании марки. Наличие информационного фона способствует повышению известности страховщика, которая в потребительском представлении часто замещает ее надежность. Более крупные публикации в прессе или сообщения в электронных СМИ служат цели конкретизации положительных качеств компании, популяризации ее конкретных услуг. Они также могут быть приурочены к конкретным крупным событиям в жизни компании, отражающим ее деятельность в нужном свете. Вот, например, перечень параметров, по которым Аналитический центр финансовой информации оценивает публикации в прессе, касающиеся страховых компаний 1) общая информация о компании [c.181]
Метод балловой оценки заключается в оценке каждого в отдельности технико-экономического параметра определенным количеством баллов, суммирование которых даст комплексную оценку потребительских свойств продукции. Цена новой продукции определяется по формуле [c.47]
Балльный метод предусматривает оценку потребительных свойств по выделяемым конкретным параметрам качества и полезности товара. К этим параметрам могут, например, относиться разнообразные технические, экономические, эргономические, эстетические и другие качества и свойства изделия. Каждая позиция для формирования цены нового изделия получает оценку в баллах. На основе суммирования и сопоставления баллов новой и базовой продукции определяется цена новой продукции (Нц) [c.205]
В классических предположениях мнк-оценки совпадают с оценками максимального правдоподобия и являются наилучшими среди всех несмещенных оценок в. Однако при отклонении распределения г от нормального в сторону увеличения вероятности больших отклонений мнк-оценки быстро теряют свои оптимальные свойства. В связи с этим в практической работе широко используются функции потерь р(и) Ф и2. Среди них выделяется функция ря, (и) = А,-1 (1 — ехр — А,м2/2 ), при К -> 0 стремящаяся к и2/2, а при и - оо (X > 0) имеющая горизонтальную асимптоту. Она приводит к так называемым эв-оценкам параметров регрессионной зависимости (эв-регрессия или Х-регрессия). Эти оценки устойчивы к нарушению предположения нормаль- [c.249]
К сожалению, ответов, основанных на теоретических работах, на поставленные вопросы на сегодняшний день не существует. По-видимому, единственным инструментом исследования свойств оценок параметров одновременных эконометрических уравнений в условиях конечных выборок является метод статистических испытаний, или метод Монте-Карло. [c.423]
Теперь можно поставить задачу синтеза оптимальных механизмов по аналогии с детерминированным случаем. Трудности ее решения во многом связаны со следующими обстоятельствами. Понятие правильного механизма, которое оказалось чрезвычайно полезным в детерминированных моделях, в данном случае неприменимо. Во-первых, неясно, что такое достоверная оценка параметра , во-вторых, совпадение состояния с планом нельзя считать свойством механизма, поскольку это зависит от случайных факторов. С другой стороны, анализ простых моделей показывает, что идеи согласованного планирования могут оказаться весьма плодотворными и в стохастическом случае. Насколько обоснованным является это предположение, покажут будущие исследования. [c.308]
К сожалению, на данный момент отсутствуют нормативы по указанным значениям организационных параметров. Последовательное обобщение опыта оценки качества организационных решений и управленческой деятельности, закрепление положительных результатов в соответствующих нормативных документах, создание нормативной базы показателей оценки организационных свойств строительных предприятий с различной формой собственности — это дальнейшее благоприятное развитие возможностей практического использования методики подготовки и осуществления организационного аудита. Оно может привести к созданию административного аудита и паспортизации рабочих мест менеджеров высшей квалификации строительных организаций различной специализации и разнообразных форм собственности. [c.594]
Анонс 5.2.1. Вид, группировка, качества, класс, критерий, множество, особенность, отличие, оценка, параметр, признак, ранжирование, реквизит, род, свойства, совокупность, сопоставление, специализация, тип, фактор, характеристика, часть, шкала. Цели, методы, средства, формы и содержание обоснования проведения и применения результатов классификации организаций. [c.279]
БАЛЛЬНЫЙ — относится к категории нормативно-параметрических методов ценообразования. Он состоит в том, чтобы на основе экспериментальных оценок значимости свойств изделий для потребителей каждому параметру присвоить определенное число баллов, суммирование которых дает своего рода интегральную оценку технико-экономического уровня изделия. Путем умножения суммы баллов по новому виду изделия на стоимостную оценку одного балла создается общая ориентировочная оценка нового вида продукции. [c.372]
С помощью регрессионного анализа при указанных выше предпосылках находят оценки параметров, наиболее хорошо согласующиеся с опытными данными. Данные оценки должны обладать определенными свойствами. Рассмотрим некоторые из этих свойств (без доказательства). [c.149]
Несмещенность оценок параметров регрессии. Оценка параметров регрессии называется несмещенной, если для любого фиксированного числа наблюдений выполняется равенство математического ожидания параметра и значения параметра регрессии. Надо отметить, что оценки, полученные методом наименьших квадратов, обладают свойством несмещенности. [c.149]
Состоятельность оценок параметров регрессии. Данное свойство состоит в том, что с ростом объема выборки оценка параметра регрессии Ъ сходится к теоретическому значению параметра Р (вычисленного по всей генеральной совокупности), т. е. ошибка оценки стремится к нулю [c.149]
Выбор моделей прогнозирования базируется на оценке их качества. Независимо от метода оценки параметров моделей экстраполяции (прогнозирования) их качество определяется на основе исследования свойств остаточной компоненты (у,- - yri), i. = 1,и, т. е. величины расхождений на участке аппроксимации (построения модели) между фактическими уровнями и их расчетными значениями. [c.179]
Метод экспоненциального сглаживания дает возможность получить оценку параметров тренда, характеризующих не средний уровень процесса, а тенденцию, сложившуюся к моменту последнего наблюдения, то есть он позволяет оценить параметры модели, описывающей тенденцию, которая сформировалась в конце базисного периода, и тем самым не просто экстраполирует действующие зависимости в будущее, а приспосабливается, адаптируется к изменяющимся во времени условиям. Преимущества метода в том, что он не требует обширной информационной базы, а предполагает ее интенсивный анализ с точки зрения информационной ценности различных членов временной последовательности. Модели, описывающие динамику показателя, имеют простую математическую формулировку, а адаптивная эволюция параметров позволяет отразить неоднородность и текучесть свойств временного ряда. Метод применяется при кратко- и среднесрочном прогнозировании. [c.161]
Свойство несмещенности оценки является важнейшим, но не единственным. Зачастую существует несколько возможных оценок одного и того же параметра. Какая из них лучше Очевидно, выбор будет сделан в пользу той из них, вероятность совпадения которой с истинным значением оцениваемого параметра выше. Оценка должна иметь такую плотность вероятности, которая наиболее "сжата" вокруг истинного значения оцениваемого параметра. Нетрудно заметить, что в этом случае она будет иметь наименьшую среди других оценок дисперсию. Оценка 0 называется эффективной оценкой параметра 0, если ее дисперсия D(0 ) меньше дисперсии любой другой альтернатив- [c.61]
Выбрав проблему для изучения и сформулировав экономическую модель, которая может помочь в решении этой проблемы, Вы приходите к необходимости проверки совместимости модели с реальными экономическими данными. При этом следует различать два уровня анализа теоретический и эмпирический. На теоретическом уровне мы предполагаем, что нам известны все возможные реализации интересующих нас экономических показателей - вся генеральная совокупность. Зная или предполагая статистические свойства генеральной совокупности, мы можем теоретически определить значения параметров в модели, и, соответственно, рассчитать по ней нужные экономические показатели. На практике мы не знаем множества возможных исходов, а наблюдаем только случайно выбранные значения интересующих нас показателей. Располагая лишь выборочными значениями, можно оценить, а не определить точно значения параметров модели эти оценки будут случайными и меняться от выборки к выборке. Поэтому важно не только знать средние оценки параметров, определенные на основе выборочных данных, но и понимать меры их надежности и случайного разброса, обусловленного случайностью процесса формирования выборки. [c.269]
Сформулируйте свойства несмещенности, состоятельности и эффективности оценок параметров. Обладают ли этими свойствами оценки. параметров линейной регрессии, полученные с помощью МНК [c.311]
Статистические свойства МНК-оценок параметров регрессии. Проверка гипотезы b = bo. Доверительные интервалы для коэффициентов регрессии [c.46]
Статистические свойства МНК-оценок параметров регрессии 47 [c.47]
В модели параметров, представленной на рис. 1, зафиксировано относительно мало элементов, которые можно описать как свойства исследовательского характера. Параметры, представленные свойствами исследовательского характера, являются частью инструментального прямого ракурса заботы о потребителе. На самом деле можно убедиться, что большинство параметров, перечисленных на рис. 1, обладают более свойствами опытного и доверительного характера, чем исследовательского. Действительно, свойства опытного и доверительного характера были описаны как менее прямые, более косвенные, менее конкретные и более нематериальные, чем свойства исследовательского характера. Следовательно, это делает оценку параметров опытного и доверительного характера более сложной как для потребителей, так и для компаний. [c.762]
Это и есть GMM-оценка параметра у. Свойства этой оценки зависят от выбора взвешивающей матрицы W . Хотя она состоятельна при положительной определенности матрицы W , в частности, для единичной матрицы W = IN, желательно выбирать матрицу W таким образом, чтобы GMM-оценка была по возможности наиболее эффективна - о такой матрице говорят как об оптимальной взвешивающей матрице. Такая матрица должна удовлетворять условию [c.304]
Однако использование данного вида кривой для построения экономико-статистических моделей связано с большими трудностями, поскольку параметр b входит в уравнение нелинейно. Распространенный способ оценки параметров, заключающийся в предварительном преобразовании и приведении к виду log у = log a + b log x, не может считаться удовлетворительным в общем случае в силу свойства мажорантности средних (см. стр. 83). [c.47]
Заметим также, что при использовании производственных функций с монотонными линиями уровня у = onst оценка параметров на основе имеющейся статистики неизбежно приводит к экстраполяции свойств производственной функции, присущих ограниченной области изменения ее аргументов, на более широкую область. Между тем для анализа и прогноза темпов экономического развития при качественно новых соотношениях для его факторов выход в эту, не просканированную практически область может стать принципиально необходимым. В таком случае от производственной функции придется требовать правильного отражения соче- [c.46]
Вообще, статистический анализ можно разделить на два вида — описательный (des riptive) и имеющий целью сделать какие-либо выводы (inferential). Описательная статистика рассмотрена в гл. 2, где мы рассчитывали различные виды описательных статистических показателей для того, чтобы охарактеризовать определенные свойства данных. Однако не было сделано никаких попыток к тому, чтобы, используя полученные результаты, оценить или сделать выводы относительно параметров анализируемой генеральной совокупности. В случае статистики, занимающейся получением выводов, информация, представленная в виде выборочных статистических показателей, используется для оценки параметров генеральной совокупности. [c.223]
ХФ (к — л) + дН (х — fi), где Ф — функция нормального распределения, а Я — функция распределения произвольного симметричного относительно нуля закона не очень подходит как из-за симметрии Я, так и из-за того, что асимптотика, в которой q и Я фиксированы, а объемы выборки п -> оо, не вполне адекватна статистической практике с ростом объема выборки мы узнаем FQ с возрастающей точностью и в принципе могли бы путем преобразования переменных усилить близость распределения к нормальному закону. Более адекватной моделью засорения является схема последовательности серий выборок растущего объема, в которой пропорция засорения q= yn 1/2 убывает с ростом п [149, 215 и 14, п. 6.1.11]. 7.2.4. Эв-регрессия (i-регрессия). Ниже, используя тот же методический прием, что и при введении эв-оценок [14, п. 10.4.6],. с помощью цепочки определений вводится эв-регрессия и специальная мера отклонения от нее. Далее показывается, что эв-регрессия обладает рядом свойств, похожих на свойства обычной мнк-регрессии. Это облегчает содержательную интерпретацию эв-регрессии и выбор подходящего для конкретного случая значения Я. В заключение приводится асимптотическое разложение для оценок параметров эв-регрессии. [c.218]
Таким образом эв-регрессия обладает всеми основными свойствами мнк-регрессии, только наблюдения в соответствующие формулы входят со специально подобранными весами. Введение весов позволяет как бы настраивать регрессию на интересующую исследователя часть выборки (рис. 7.2 в пунктирный овал заключены наблюдения ( , у г), получившие малые веса и практически не участвующие в оценке параметров эв-регрессии куполообразные кривые на прямой эв-регрессии показывают веса, приписанные наблюдениям). Эв-регрессия значительно устойчивее мнк-регрессии и регрессии по Хубе-ру к появлению далеких отклонений от регрессионной поверхности. Однако она, естественно, не является универсальным методом оценки регрессии для всех случаев, когда нарушаются предположения (7.3), лежащие в основе мнк. Четких рекомендаций, как выбирать К в конкретном случае, пока не выработано. Ясно только, что надо давать максимальный вес основной части выборки и наименьший — части, где могут лежать загрязнения . Определенные соображения по выбору величины. К в некоторых модельных случаях приведены в п. 7.2.5. [c.219]
Что понимать под производственной системой1 Каково место производственной системы в субординации организационных систем, выражающих комбинации определенных форм общественного разделения труда Каковы законы композиции и декомпозиции организационных систем в целом и производственных систем в частности По каким классификационным признакам можно разделять, узнавать и изучать производственные системы Каковы их характерные параметры, свойства и состояния Каковы возможности количественной оценки этих [c.398]
Оценки параметров, оставаясь линейными и несмещенными, перестают быть эффективными. Следовательно, они перестают обладать свойствами наилучших линейных несмещенных оценок (BLUE-оценок). [c.230]
Как правило, в экопометрических исследованиях данные не являются результатом эксперимента, и поэтому мы вынуждены использовать одни и те же данные как для выбора модели, так и для оценки параметров выбранной модели. Конечно, это обстоятельство влияет на свойства полученных оценок. В данной главе нас особенно будет интересовать величина этого эффекта. В конце концов все, чем мы занимаемся в эконометрике, неправильно (неверные модели, недостоверные данные, неэффективные и иногда не самые лучшие оценки и т.п.), но это не обязательно является проблемой. Проблема возникает, если эти неточности имеют значительный эффект. [c.398]
Таким образом, нашей задачей является нахождение безусловных моментов pretest-оценки, принимая во внимание то, что процедуры выбора модели и оценки параметров интегрированы в одну процедуру. Мы не утверждаем, что следует избегать предварительного тестирования, хотя хорошо известно, что preiesf-оценки обладают плохими статистическими свойствами, одно из которых — равномерная неэффективность2. На практике избежать предварительного тестирования почти невозможно. Наша точка зрения состоит в том, что следует вычислять корректно смещение и дисперсию (или среднеквадратичное отклонение) оценки, полностью принимая во внимание то, что оценивание и отбор модели интегрированы в одну процедуру. [c.399]