Metoda najmniejszych kwadratów

Podobne dokumenty
Testowanie hipotez statystycznych

Stanisław Cichocki. Natalia Nehrebecka. Wykład 4

Zmienne sztuczne i jakościowe

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Ekonometria egzamin 02/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Egzamin z ekonometrii wersja IiE, MSEMAT

Wprowadzenie Testy własności składnika losowego. Diagnostyka modelu. Część 1. Diagnostyka modelu

Natalia Nehrebecka Stanisław Cichocki. Wykład 10

Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08

Natalia Nehrebecka Stanisław Cichocki. Wykład 6

Stanisław Cichocki. Natalia Nehrebecka. Wykład 9

Egzamin z ekonometrii - wersja ogólna

Ekonometria egzamin wersja ogólna 17/06/08

Budowa modelu i testowanie hipotez

1.1 Klasyczny Model Regresji Liniowej

Stanisław Cichocki Natalia Nehrebecka. Wykład 1

Ekonometria dla IiE i MSEMat Z12

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

Heteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów

Ekonometria egzamin 07/03/2018

1.9 Czasowy wymiar danych

Egzamin z ekonometrii wersja ogólna Pytania teoretyczne

Stanisław Cichocki. Natalia Nehrebecka. Wykład 14

Egzamin z ekonometrii wersja IiE, MSEMat Pytania teoretyczne

Testy własności składnika losowego Testy formy funkcyjnej. Diagnostyka modelu. Część 2. Diagnostyka modelu

Ekonometria Ćwiczenia 19/01/05

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

, a reszta dla pominiętej obserwacji wynosi 0, RSS jest stałe, T SS rośnie, więc zarówno R 2 jak i R2 rosną. R 2 = 1 n 1 n. rosnie. n 2 (1 R2 ) = 1 59

Stanisław Cichocki. Natalia Nehrebecka

Ekonometria egzamin wersja Informatyka i Ekonometria 29/01/08

Ekonometria egzamin wersja ogólna 29/01/08

Egzamin z ekonometrii wersja ogolna

1 Modele ADL - interpretacja współczynników

Egzamin z ekonometrii wersja IiE, MSEMAT

Czasowy wymiar danych

1.7 Ograniczenia nakładane na równanie regresji

Stanisław Cichocki. Natalia Nehrebecka

Problem równoczesności w MNK

Ekonometria. Metodologia budowy modelu. Jerzy Mycielski. Luty, 2011 WNE, UW. Jerzy Mycielski (WNE, UW) Ekonometria Luty, / 18

Ekonometria egzamin 01/02/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Stanisław Cichocki. Natalia Nehrebecka. Wykład 10

Stanisław Cichocki. Natalia Nehrebecka. Wykład 14

Przyczynowość Kointegracja. Kointegracja. Kointegracja

Ekonometria dla IiE i MSEMat Z7

Modele wielorównaniowe (forma strukturalna)

Egzamin z ekonometrii wersja ogólna Pytania teoretyczne

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

1 Metoda Najmniejszych Kwadratów (MNK) 2 Interpretacja parametrów modelu. 3 Klasyczny Model Regresji Liniowej (KMRL)

Wprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.

Stanisław Cichocki. Natalia Nehrebecka. Wykład 10

Ekonometria egzamin 31/01/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

1.5 Problemy ze zbiorem danych

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

1. Pokaż, że estymator MNW parametru β ma postać β = nieobciążony. Znajdź estymator parametru σ 2.

Autokorelacja i heteroskedastyczność

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

Ekonometria egzamin 06/03/ W trakcie egzaminu wolno używać jedynie długopisu o innym kolorze atramentu niż czerwony oraz kalkulatora.

Metoda najmniejszych kwadratów

Natalia Nehrebecka. Wykład 1

Stanisław Cichocki. Natalia Nehrebecka

Diagnostyka w Pakiecie Stata

Heteroskedastyczość w szeregach czasowyh

Zmienne Binarne w Pakiecie Stata

Diagnostyka w Pakiecie Stata

Natalia Nehrebecka Stanisław Cichocki. Wykład 10

Analizowane modele. Dwa modele: y = X 1 β 1 + u (1) y = X 1 β 1 + X 2 β 2 + ε (2) Będziemy analizować dwie sytuacje:

JEDNORÓWNANIOWY LINIOWY MODEL EKONOMETRYCZNY

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

Stanisław Cichocki. Natalia Nehrebecka

Modele warunkowej heteroscedastyczności

1.8 Diagnostyka modelu

Zależność. przyczynowo-skutkowa, symptomatyczna, pozorna (iluzoryczna),

1.6 Zmienne jakościowe i dyskretne w modelu regresji

STATYSTYKA. Rafał Kucharski. Uniwersytet Ekonomiczny w Katowicach 2015/16 ROND, Finanse i Rachunkowość, rok 2

Analiza Szeregów Czasowych. Egzamin

Stanisław Cichocki. Natalia Nehrebecka. Wykład 7

Statystyka opisowa. Wykład V. Regresja liniowa wieloraka

Stanisław Cichocki. Natalia Nehrebecka

Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA

Analiza zależności cech ilościowych regresja liniowa (Wykład 13)

Egzamin z Ekonometrii

Definicja danych panelowych Typy danych panelowych Modele dla danych panelowych. Dane panelowe. Część 1. Dane panelowe

Rozdział 8. Regresja. Definiowanie modelu

Egzamin z ekonometrii - wersja ogólna

Natalia Nehrebecka. 18 maja 2010

1.3 Własności statystyczne estymatorów MNK

Analiza współzależności zjawisk

(LMP-Liniowy model prawdopodobieństwa)

Ekonometria egzamin semestr drugi 14/06/09

Ekonometria. Dobór postaci analitycznej, transformacja liniowa i estymacja modelu KMNK. Paweł Cibis 9 marca 2007

Egzamin z ekonometrii - wersja IiE, MSEMAT

Stosowana Analiza Regresji

e) Oszacuj parametry modelu za pomocą MNK. Zapisz postać modelu po oszacowaniu wraz z błędami szacunku.

Zadanie 1 Zakładając liniową relację między wydatkami na obuwie a dochodem oszacować MNK parametry modelu: y t. X 1 t. Tabela 1.

2.2 Autokorelacja Wprowadzenie

Zadanie 1. a) Przeprowadzono test RESET. Czy model ma poprawną formę funkcyjną? 1

Regresja wieloraka Ogólny problem obliczeniowy: dopasowanie linii prostej do zbioru punktów. Najprostszy przypadek - jedna zmienna zależna i jedna

Stanisław Cichocki Natalia Nehrebecka. Wykład 3

Natalia Nehrebecka Stanisław Cichocki. Wykład 10

Regresja wielokrotna jest metodą statystyczną, w której oceniamy wpływ wielu zmiennych niezależnych (X1, X2, X3,...) na zmienną zależną (Y).

Transkrypt:

Własności algebraiczne

Model liniowy Zapis modelu zarobki = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników zarobki = b 0 + b 1 plec + b 2 wiek + e

Model liniowy Tabela: Oszacowania współczynników zarobki współczynnik błąd oszacowania płeć -96,7781 2,811309 wiek 3,16522 0,145331 stała 316,2131 5,864113 Liczba obserwacji 16162 Źródło: Obliczenia własne na podstawie BAEL (2000)

Model logliniowy Zapis modelu ln(zarobki) = β 0 + β 1 plec + β 2 wiek + ε Oszacowania wartości współczynników ln(zarobki) = b 0 + b 1 plec + b 2 wiek + e

Model logliniowy Tabela: Oszacowania współczynników ln(zarobki) współczynnik błąd oszacowania płeć -0,2283285 0,0059044 wiek 0,0076176 0,0003052 stała 5,70136 0,0123159 Liczba obserwacji 16162 Źródło: Obliczenia własne na podstawie BAEL (2000)

Własności każdego modelu szacowanego MNK

Własności każdego modelu szacowanego MNK 1 wektor reszt jest ortogonalny do macierzy obserwacji

Własności każdego modelu szacowanego MNK 1 wektor reszt jest ortogonalny do macierzy obserwacji 2 wektor reszt jest ortogonalny do wektora wartości zmiennej objaśnianej

Własności każdego modelu szacowanego MNK 1 wektor reszt jest ortogonalny do macierzy obserwacji 2 wektor reszt jest ortogonalny do wektora wartości zmiennej objaśnianej Własności wyłącznie dla modelu ze stałą

Własności każdego modelu szacowanego MNK 1 wektor reszt jest ortogonalny do macierzy obserwacji 2 wektor reszt jest ortogonalny do wektora wartości zmiennej objaśnianej Własności wyłącznie dla modelu ze stałą 3 suma reszt jest równa zero

Własności każdego modelu szacowanego MNK 1 wektor reszt jest ortogonalny do macierzy obserwacji 2 wektor reszt jest ortogonalny do wektora wartości zmiennej objaśnianej Własności wyłącznie dla modelu ze stałą 3 suma reszt jest równa zero 4 średnia wartość teoretyczna (dopasowana) jest równa średniej wartości empirycznej

Macierz idempotentna Macierz idempotentna M to taka macierz, że M 2 = MM = M

Macierz idempotentna Macierz idempotentna M to taka macierz, że M 2 = MM = M W ekonometrii literą M jest oznaczana szczególna macierz idempotentna M = I X (X X ) 1 X

Macierz rzutu Macierz Projekcji (rzutu) P = I M = X (X X ) 1 X

Macierz rzutu Macierz Projekcji (rzutu) P = I M = X (X X ) 1 X Własności MX = 0

Macierz rzutu Macierz Projekcji (rzutu) P = I M = X (X X ) 1 X Własności MX = 0 PX = X

Macierz rzutu Macierz Projekcji (rzutu) P = I M = X (X X ) 1 X Własności MX = 0 PX = X MP = PM = 0

Rysunek: Rzut wektora y na przestrzeń X x 2 e ŷ x1

Analiza wariancji Równość analizy wariancji (yi ȳ) 2 = (ŷ i ȳ) 2 + (y i ŷ i ) 2

Analiza wariancji Równość analizy wariancji (yi ȳ) 2 = (ŷ i ȳ) 2 + (y i ŷ i ) 2 Zapis skrócony TSS = ESS + RSS

Analiza wariancji Tabela: Dekompozycja Wariancji Wariancja Suma kwadratów Wyjaśniona 103115934 Resztowa 461687875 Całkowita 564803809 Źródło: Obliczenia własne na podstawie BAEL (2000)

R 2 = ESS TSS = 1 RSS TSS

R 2 = ESS TSS = 1 RSS TSS R 2 (yi ŷ i ) 2 = 1 (yi ȳ) 2 = 1 (yi Xb) 2 (yi ȳ) 2

R 2 = ESS TSS = 1 RSS TSS R 2 (yi ŷ i ) 2 = 1 (yi ȳ) 2 = 1 (yi Xb) 2 (yi ȳ) 2 R 2 = 1 n 1 n K (1 R2 )

Model A: zarobki = f (płeć, wiek) Model B: zarobki = f (płeć, wiek, wiek 2 )

Model A: zarobki = f (płeć, wiek) Model B: zarobki = f (płeć, wiek, wiek 2 ) Tabela: Porównanie modeli Model TSS RSS A 2554.23525 2263.59451 B 2554.23525 2239.21981 Źródło: Obliczenia własne na podstawie BAEL (2000)

Tabela: Skorygowany współczynnik determinacji Model R 2 k R2 A 0.0914 2 R2 = 1 16161 (1 0.0914) = 0.0913 16159 B 0.1138 3 R2 = 1 16161 (1 0.1138) = 0.1137 16158 Źródło: Obliczenia własne na podstawie BAEL (2000)

Source SS df MS Number of obs = 16162 -------------+------------------------------ F( 3, 16158) = 757.71 Model 315.015445 3 105.005148 Prob > F = 0.0000 Residual 2239.21981 16158.138582733 R-squared = 0.1233 -------------+------------------------------ Adj R-squared = 0.1232 Total 2554.23525 16161.158049332 Root MSE =.37227 ------------------------------------------------------------------------------ lzarobki Coef. Std. Err. t P> t [95% Conf. Interval] -------------+---------------------------------------------------------------- _Iplec_2 -.2335237.0058857-39.68 0.000 -.2450604 -.221987 wiek.0356602.0021362 16.69 0.000.031473.0398473 wiek2 -.0003642.0000275-13.26 0.000 -.000418 -.0003103 _cons 5.197807.0398962 130.28 0.000 5.119606 5.276008 ------------------------------------------------------------------------------