Економіко-математичне моделювання
Економіко-математичне моделювання Економіко-математичне моделювання
n n 2 2 ∑( ˆyi − y) ( n−m−1) ∑( ˆyi − y) i= 1 i= 1 n−m−1 F = = ⋅ = n n n 2 2 2 m −1 ∑( yi − ˆyi) ( m−1) ∑( yi − y) −∑( ˆyi − y) i= 1 i= 1 i= 1 (16.73) n n ⎡ 2 ⎛ 2 ⎞⎤ ⎢∑( ˆyi − y) ⎜ ∑( ˆyi − y) ⎟⎥ 2 i= 1 i= 1 n−m−1 R n−m −1 = ⎢ :1 ⎜ − ⎟⎥⋅ = ⋅ . n n 2 ⎢ 2 2 m−1 1−R m−1 ( yi − y) ⎜ ( yi − y ⎥ ) ⎟ ⎢∑ ⎜ ∑ ⎟⎥ ⎣ i= 1 ⎝ i= 1 ⎠⎦ Вираз (16.73) показує, що якщо R 2 =0, то F=0. Як бачимо, між F і R 2 існує взаємозв’язок. Оскільки F-критерій є мірою адекватності регресійної моделі, то він є мірою значущості коефіцієнта множинної детермінації. Зауважимо, що при зростанні R 2 значення F-критерію буде зростати. Значення статистики, яке обраховане за (16.73), порівнюється з критичним значенням цієї статистики, знайденим за таблицями при заданому рівні значущості α та відповідних числах ступеня вільності. Якщо Fрозр>Fтабл, то знайдений коефіцієнт детермінації значно відрізняється від нуля. Цей висновок гарантується ймовірністю (1-α ). Значущість коефіцієнта кореляції. Відомо, що коефіцієнт множинної кореляції є вибірковою характеристикою, тому при перевірці якості побудованої моделі доцільно провести оцінку його значущості. Ця оцінка ґрунтується на t-статистиці Стьюдента: R n-m-1 t = , (16.74) розр 2 1-R де R – коефіцієнт множинної кореляції; R 2 – коефіцієнт детермінації; (n–m–1) – число ступенів вільності. Обчислене значення t-статистики за формулою (16.74) порівнюють із критичним значенням tk,α, знайденим за таблицею t-розподілу для рівня значущості α і числа ступенів вільності k=n–m–1. Прийняття чи відхилення гіпотези про значущість коефіцієнта множинної кореляції проводиться за тими ж правилами, що і для випадку парної регресії. Якщо t > t , то гіпотеза Н0 відхиляється і приймається розр k,б гіпотеза Н1. Тому можна зробити висновок про значущість коефіцієнта множинної кореляції між залежною та незалежними змінними. У протилежному випадку приймається нульова гіпотеза. 502
Значущість коефіцієнта множинної кореляції можна також оцінювати на основі проведення процедури перевірки значущості 2 коефіцієнта детермінації, оскільки між ними є зв’язок: R = R . Значущість оцінок параметрів моделі. Для розгляду значущості знайдених оцінок параметрів багатофакторної моделі побудуємо такі гіпотези: 0 : H aj= bj, що вказує на відсутність суттєвої різниці між оцінкою параметра регресії, отриманої за результатами вибірки, і дійсним значенням bj (параметра регресії генеральної сукупності); 1 : H aj≠ bj, що вказує на наявність суттєвої різниці між оцінкою параметра регресії та відповідним параметром генеральної сукупності. Альтернативна гіпотеза може бути сформульованою таким чином: 1 : H aj> bjабо a j < bj , тобто оцінка параметра суттєво більша або суттєво менша від параметра генеральної сукупності. Для прийняття відповідних гіпотез використовується t-критерій Стьюдента: a j − bj t = t = , при k = n − m −1, (16.75) розр j σa j де aj – оцінка параметра bj, отримана за методом найменших квадратів; σ – середньоквадратичне відхилення оцінки j-го a j параметра; k – число ступенів вільності. Обчислене значення tj порівнюється із критичним значенням tk,α знайденим за таблицями при заданому рівні значущості α і числом степенів вільності k. Якщо t j > tk,α , то aj значно відрізняється від bj, тобто не можна припускати, що вибірка взята з генеральної сукупності з параметром регресії bj. На практиці буває дуже складно вказати завчасно числове значення параметра регресії bj генеральної сукупності, тому часом доводиться висувати інше припущення: H0 : a j = 0, тобто пояснювальна змінна xj не виявляє суттєвого впливу на залежну змінну y; H1 : aj≠ 0, тобто змінна xj виявляє суттєвий вплив на y. У даному випадку для перевірки нульової гіпотези використовується t-статистика: 503
- Page 451 and 452: 6 4 2 0 -2 Рис. 15.8.2. Пара
- Page 453 and 454: Розрізняють два кл
- Page 455 and 456: • при граничному з
- Page 457 and 458: Для порівняння аль
- Page 459 and 460: 459
- Page 461 and 462: Отримане значення
- Page 463 and 464: k1=m=1, k2=n-m-1==10-1-1=8, F та
- Page 465 and 466: Розділ 16. Моделі мн
- Page 467 and 468: Отримаємо: n n n ⎧ ⎪ n
- Page 469 and 470: Знайдемо частинну
- Page 471 and 472: • дослідження доці
- Page 473 and 474: 2 ( e ) ( ) ( ) 1 M e1e2 M e1en 2
- Page 475 and 476: дійсному співвідно
- Page 477 and 478: задовольняло умову
- Page 479 and 480: сфері мікроекономі
- Page 481 and 482: регіону від розмір
- Page 483 and 484: 4. Знаходимо значен
- Page 485 and 486: Тому при співставл
- Page 487 and 488: = R = yy ˆ n ∑( yi − y)( ˆy
- Page 489 and 490: де y - середнє значе
- Page 491 and 492: Підставимо отриман
- Page 493 and 494: Тоді буде мати місц
- Page 495 and 496: або в матричній фор
- Page 497 and 498: ⎧ −1 −1 ′ ⎫ cov( A) = M
- Page 499 and 500: ♦ Рoзв’язування. С
- Page 501: Значення виразів A
- Page 505 and 506: Оскільки tрозр < tта
- Page 507 and 508: Значення t j беремо
- Page 511 and 512: 16.7. Покрокова регре
- Page 513 and 514: = a + ar + ar + … + ar , ∗ ∗
- Page 515 and 516: 515
- Page 517 and 518: 4. Вибираємо наступ
- Page 519 and 520: процесі проводитьс
- Page 521 and 522: 2 2 R − R 2 j Pr = , (16.102) j 2
- Page 523 and 524: Гипотеза 1: Измен.R^2
- Page 525 and 526: Коэфф. Значение Ст.
- Page 527 and 528: ∗ ∗ ∗ ∗ Зробивши з
- Page 529 and 530: який має назву фонд
- Page 531 and 532: Нелінійні за змінн
- Page 533 and 534: однопараметричної
- Page 535 and 536: 6. Сформулюйте осно
- Page 537 and 538: 42. Побудуйте довірч
- Page 539 and 540: hвирахування тренд
- Page 541 and 542: Результат: ПРОСТАЯ
- Page 543 and 544: процесу до іншого а
- Page 545 and 546: hдля перевірки адек
- Page 547 and 548: Амплітудно-частотн
- Page 549 and 550: вимірювання значен
- Page 551 and 552: Стратегія вибору в
n n<br />
2 2<br />
∑( ˆyi − y) ( n−m−1) ∑(<br />
ˆyi<br />
− y)<br />
i= 1 i=<br />
1<br />
n−m−1 F = = ⋅ =<br />
n n n<br />
2 2 2 m −1<br />
∑( yi − ˆyi) ( m−1) ∑( yi − y) −∑( ˆyi<br />
− y)<br />
i= 1 i= 1 i=<br />
1<br />
(16.73)<br />
n n<br />
⎡ 2 ⎛ 2 ⎞⎤<br />
⎢∑( ˆyi − y) ⎜ ∑(<br />
ˆyi<br />
− y)<br />
⎟⎥ 2<br />
i= 1 i=<br />
1<br />
n−m−1 R n−m −1<br />
= ⎢ :1 ⎜ − ⎟⎥⋅<br />
= ⋅ .<br />
n n<br />
2<br />
⎢ 2 2 m−1 1−R m−1<br />
( yi − y) ⎜ ( yi − y<br />
⎥<br />
) ⎟<br />
⎢∑ ⎜ ∑ ⎟⎥<br />
⎣ i= 1 ⎝ i=<br />
1 ⎠⎦<br />
Вираз (16.73) показує, що якщо R 2 =0, то F=0. Як бачимо, між F<br />
і R 2 існує взаємозв’язок. Оскільки F-критерій є мірою адекватності<br />
регресійної моделі, то він є мірою значущості коефіцієнта множинної<br />
детермінації. Зауважимо, що при зростанні R 2 значення F-критерію<br />
буде зростати.<br />
Значення статистики, яке обраховане за (16.73), порівнюється з<br />
критичним значенням цієї статистики, знайденим за таблицями при<br />
заданому рівні значущості α та відповідних числах ступеня вільності.<br />
Якщо Fрозр>Fтабл, то знайдений коефіцієнт детермінації значно<br />
відрізняється від нуля. Цей висновок гарантується ймовірністю (1-α ).<br />
Значущість коефіцієнта кореляції. Відомо, що коефіцієнт<br />
множинної кореляції є вибірковою характеристикою, тому при<br />
перевірці якості побудованої моделі доцільно провести оцінку його<br />
значущості. Ця оцінка ґрунтується на t-статистиці Стьюдента:<br />
R n-m-1<br />
t = , (16.74)<br />
розр 2<br />
1-R<br />
де R – коефіцієнт множинної кореляції; R 2 – коефіцієнт детермінації;<br />
(n–m–1) – число ступенів вільності. Обчислене значення t-статистики<br />
за формулою (16.74) порівнюють із критичним значенням tk,α,<br />
знайденим за таблицею t-розподілу для рівня значущості α і числа<br />
ступенів вільності k=n–m–1.<br />
Прийняття чи відхилення гіпотези про значущість коефіцієнта<br />
множинної кореляції проводиться за тими ж правилами, що і для<br />
випадку парної регресії.<br />
Якщо t > t , то гіпотеза Н0 відхиляється і приймається<br />
розр k,б<br />
гіпотеза Н1. Тому можна зробити висновок про значущість<br />
коефіцієнта множинної кореляції між залежною та незалежними<br />
змінними. У протилежному випадку приймається нульова гіпотеза.<br />
502