Качественные признаки могут существенно влиять на структуру линейных связей между переменными и приводить к скачкообразному изменению параметров регрессионной модели. В этом случае говорят об исследовании регрессионных моделей с переменной структурой или построении регрессионных моделей по неоднородным данным. [c.116]
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]
Одна из важнейших целей моделирования заключается в прогнозировании поведения исследуемого объекта. Обычно термин прогнозирование используется в тех ситуациях, когда требуется предсказать состояние системы в будущем. Для регрессионных моделей он имеет, однако, более широкое значение. Как уже отмечалось, данные могут не иметь временной структуры, но и в этих случаях вполне может возникнуть задача оценить значение зависимой переменной для некоторого набора независимых, объясняющих переменных, которых нет в исходных наблюдениях. Именно в этом смысле — как построение оценки зависимой переменной — и следует понимать прогнозирование в эконометрике. [c.204]
Была сделана попытка выяснить структуру реализуемого отображения. Исследование вклада каждой переменной через веса непосредственных связей и через значения векторов весов-состояния позволило получить представление как о линейных, так и о нелинейных компонентах модели. По-видимому, календарные эффекты, число рабочих дней и температура влияют на значения целевой переменной отрицательно, тогда как увеличение годового правительственного прогноза и потребления приводит к росту целевого значения. Остальные переменные активны при-любых значениях целевой переменной. Такое сложное влияние переменных едва ли уловимо средствами регрессионного анализа. Различие между линейными и нелинейными компонентами, возможно, несколько преувеличено, так как значение отношения SR больше 0.7. [c.113]
Неточный выбор общего вида функции регрессии, приводящий к нарушению базового допущения (11.21), на которое существенно опираются все выводы по оцениванию точности регрессионной модели, может заключаться как в неполном или избыточном представлении набора объясняющих переменных х(1 л (2),. .., х(р так и в искажении самой структуры модели. Наиболее неприятные последствия влечет второй тип ошибки1. В этом можно убедиться при рассмотрении примера 6.2, а также примера, представленного в табл. 6.2 и на рис. 62. Действительно, анализируя данные табл. 6.1 (в которой представлены результаты расчетов по примеру 6.2), мы видим, в частности, что при использовании формально-ап-проксимационных вариантов регрессионной модели (т. е. в ситуации / (X) 5= F) оценки среднеквадратической ошибки [c.356]
Многие специалисты определяют задачи Э. как формализованное описание и прогнозирование экономии, процессов на основе статистич. анализа данных и ограничивают Э. разработкой и применением аналитич. моделей, причём иногда по традиции — лишь аналити-ко-статистич. (регрессионных) моделей. Однако с 30-х гг. наряду с ними возник др. класс моделей — нормативных. Эти модели позволяют не только рассчитывать варианты структуры и динамики экономич. объектов, но и по определ. критерию оценки выбрать наилучший (оптимальный) вариант. Значит, вклад в их разработку был сделан сов. учёным Л. В. Канторовичем — создателем линейного программирования (1939), что дало возможность ему, В. В. Новожилову, А. Л. Лурье (СССР), Т. Купмансу, Дж. Данцигу (США) и др. сформулировать и решить широкий спектр экономич. задач оптим. распределения и использования ресурсов. Дальнейшее развитие методов оптимизации привело к разработке различных типов нормативных моделей (большое влияние здесь оказали работы Дж. Неймана). В зависимости от характера переменных и формы связей между ними модели могут быть линейными и нелинейными, непрерывными и дискретными, детерминированными и стохастическими и т. д. Их особенностями определяется применение соответствующих методов математического программирования, исследования операций, теории игр. В социалистич. странах нормативные модели широко используются при оптимизации нар.-хоз. планирования на всех его уровнях (напр., работы Н. Н. Некрасова и Н. П. Федоренко в области химизации и развития химич. пром-сти в СССР). В капиталистич. странах методы оптимизации применяются в рамках отд. фирм, а также при разработке гос. программ. В СССР и др. социалистич. странах широко изучается внутр. связь нормативных и аналитич. моделей, создаются комплексы моделей, включающие оба эти типа, разрабатываются их научно-теоретич. основы. Тем самым расширяется круг проблем Э. [c.434]
Влияние неполного или избыточного представления набора объясняющих переменных на свойства оценок и соответственно на точность статистических выводов в регрессионном анализе (при правильном определений структуры модели) может быть учтено в рамках строгих математических конструкций (см., например, [119, гл. 6] . [c.356]