Линейни регресионни модели

40
Линейни регресионни модели

description

Линейни регресионни модели. Класически линейни регресионни модели. Основен клас модели за количествено определяне на качествено дефинираните от теорията връзки Позволяват да се установи валидността на теорията в поведението на икономическите субекти чрез данните за тяхната дейност. - PowerPoint PPT Presentation

Transcript of Линейни регресионни модели

Page 1: Линейни регресионни модели

Линейни регресионни модели

Page 2: Линейни регресионни модели

Класически линейни регресионни модели

• Основен клас модели за количествено определяне на качествено дефинираните от теорията връзки

• Позволяват да се установи валидността на теорията в поведението на икономическите субекти чрез данните за тяхната дейност

Page 3: Линейни регресионни модели

Класически линейни регресионни модели

• Изучават съществуващата връзка между даден показател (зависима променлива) и един или повече показатели (фактори)

• Използват се:– за установяване съществуването на

зависимост между две или повече явления, за които не знаем предварително има ли връзка, но предполагаме, че тя съществува.

Page 4: Линейни регресионни модели

Класически линейни регресионни модели

• Използват се ...:– Дадена връзка съществува, т.е. тя е

теоретично доказана, но трябва да се провери доколко тя реално функционира в практиката

– да се определи количествено теоретично доказана връзка за целите на управлението

Page 5: Линейни регресионни модели

Класически линейни регресионни модели

Регресионните модели изследват връзката между една зависима променлива и една или няколко независими променливи, но това не означава непременно, че тази връзка е причинно-следствена връзка

Page 6: Линейни регресионни модели

Класически линейни регресионни модели

• Регресионните модели позволяват:– Да се определят средните стойности на даден

показател, при определени средни стойности на други показатели

– Да се прогнозира състоянието, или изменението на даден показател в зависимост от измененията на други показатели

– Да се тестват различни хипотези, произтичащи от икономическата теория, по отношение на връзката между дадени показатели

– Комбинация от горните възможности.

Page 7: Линейни регресионни модели

Регресионна функция на съвкупността

Пример

Да се анализират купените количества обувки като се знае, че цените, при които са извършвани покупките и индивидуално закупените количества са показаните в таблицата

Page 8: Линейни регресионни модели

Регресионна функция на съвкупността

Цена Индивидуално купено количество

50 45, 46, 47, 48,49,50,51

55 44,45,46,47,48

60 40,42,44,46,48

65 35,38,42,44,46,47

70 36,39,40,42,43

75 32,35,37,38,39,42,43

80 32,34,36,38,40

85 31,32,33,34,35,36,37

90 28,30,32,34,36

95 29,30,31

Page 9: Линейни регресионни модели

Регресионна функция на съвкупността

Интерпретация:• При цена 50 лева - 7 потребители са

направили покупки, като купените от тях количества варират от 45 до 51 броя.

• Средното количество, купено от тези потребители е 48 броя

• При цена 55 лева 5 потребители са направили покупки, които варират от 44 до 48 броя

• средното купено количество е 46 броя

Page 10: Линейни регресионни модели

Регресионна функция на съвкупносттаЦена Брой

купувачи Средно купено

количество

50 7 48

55 5 46

60 5 44

65 6 42

70 5 40

75 7 38

80 5 36

85 7 34

90 5 32

95 3 30

Общо: 55  

Page 11: Линейни регресионни модели

Регресионна функция на съвкупността

Page 12: Линейни регресионни модели

Регресионна функция на съвкупността

• Изводи– За всяка цена - различен брой купени количества

(всяка стойност на Х отговарят по няколко стойности на Y, т.е. на всяко Х отговаря едно подмножество (извадка) на Y )

– Принципно Y намалява с увеличаването на Х – Средната стойност (математическото очакване) на

Y за всяка извадка намалява при увеличаването на средната стойност за Х

Page 13: Линейни регресионни модели

Регресионна функция на съвкупността

• Линията, свързваща средните на всяка извадка се нарича регресионна линия на съвкупността

• Регресионната линия на съвкупността представлява средната стойност на зависимата променлива за извадката, отговаряща на всяка стойност на обясняващата променлива

• Показва как средната стойност на зависимата променлива се свързва с всяка стойност на независимата променлива

Page 14: Линейни регресионни модели

Регресионна функция на съвкупността

Page 15: Линейни регресионни модели

Регресионна функция на съвкупността

• Функцията, с която се изразява регресионната линия на съвкупността - регресионна функция на съвкупността

• a и b – параметри на модела (регресионни коефициенти)

• Стр 47 – печатна грешка във формули 3.1 и 3.2 (= вместо +)

iibXaXYE )(

Page 16: Линейни регресионни модели

Добавен slide от Боби

• Математическото очакване за зависимата променлива Y при определен конкретен набор на независимите променливи = a + bXi (1 линейна функция)

• Математическото очакване изразява средната стойност на дадена променлива спрямо конкретен набор от стойности за определен брой аргументи

• а – свободен членb – коефицент, който показва какво изменение на зависимата променлива отговаря на 1 изменение за съответния фактор

Page 17: Линейни регресионни модели

Стохастична регресионна функция на съвкупността

• Изводи: купените количества от всеки обект при дадена цена са равни на средното купено количество ± няколко броя

• ui - стохастична (случайна) грешка, или просто грешка

iii ubXaY

Page 18: Линейни регресионни модели

Регресионна функция на съвкупността

Цена Индивидуално купено количество

50 45, 46, 47, 48,49,50,51

55 44,45,46,47,48

60 40,42,44,46,48

65 35,38,42,44,46,47

70 36,39,40,42,43

75 32,35,37,38,39,42,43

80 32,34,36,38,40

85 31,32,33,34,35,36,37

90 28,30,32,34,36

95 29,30,31

Средно купено количество

48

46

44

42

40

38

36

34

32

30

Page 19: Линейни регресионни модели

Същност на стохастичната грешка

• Отразява влиянието на фактори, които оказват влияние върху обяснявания показател, но не са включени като фактори в разглеждания модел

• Може да бъде резултат от моментно поведение, желание, настроение и т.н. поведение, което не може да бъде предсказано

Page 20: Линейни регресионни модели

Същност на стохастичната грешка

• Може да се дължи и на грешки в измерването, например от закръгляване

• В резултат на желание да се запази модела елементарен – изключени фактори с по-слабо влияние

Page 21: Линейни регресионни модели

Регресионна функция на извадката

• На практика – наличните данни са само част от цялата съвкупност

• За целите на иконометричния анализ, е необходимо да се определи регресионната функция на съвкупността на основата на данни за някаква нейна извадка

Page 22: Линейни регресионни модели

Регресионна функция на извадката

• За примера това означава– Имаме само една извадка, например

Page 23: Линейни регресионни модели

Регресионна функция на извадката

– Въпрос: възможно ли е тези данни да определим средното купено количество при съответната цена?

– Или възможно ли е да определим регресионната функция на съвкупността от извадката, с която разполагаме

– Възможно е това да не може да се направи с необходимата коректност, поради колебанията в извадките (грешката на извадката)

Page 24: Линейни регресионни модели

Регресионна функция на извадката

Page 25: Линейни регресионни модели

Регресионна функция на извадката

Page 26: Линейни регресионни модели

Регресионна функция на извадката

Page 27: Линейни регресионни модели

Регресионна функция на извадката

• По данните от двете таблици могат да се построят две различни прави линии, които отговарят на данните най-добре

• Всяка една от тези линии се нарича регресионна линия на извадката

• Двете регресионни линии не съвпадат

Page 28: Линейни регресионни модели

Регресионна функция на извадката

• От съвкупността могат да се направят различни извадки, всяка от които има различна регресионна линия

• Въпросът е, коя от регресионните линии на извадката съвпада с тази на съвкупността

Page 29: Линейни регресионни модели

Регресионна функция на извадката

Page 30: Линейни регресионни модели

Регресионна функция на извадката

• Изводи:– Не всички наблюдения лежат на регресионната

линия на извадката– За отразяването на горния факт – добавяне на

случайна грешка (както и при регресионната функция на съвкупността)

– Регресионната функция на извадката има същия вид, който и регресионната функция на съвкупността

iii BXAY

Page 31: Линейни регресионни модели

Регресионна функция на извадката

• Основен въпрос: да се оценят параметрите по данни от извадката, така че те да съвпаднат (възможно най-близки) с тези на съвкупността

• Коефициентите А и В трябва да се оценят по такъв начин, че да бъдат възможно най-близки до коефициентите a и b (от регресионната линия на извадката)

Page 32: Линейни регресионни модели

Видове регресионни модели

• Линейни [точни методи за оценка (имаме формула; прилагаме; и се получава точно

“това”)] и нелинейни [инерционни; получава се поредица от стойности, които клонят

към 1 стойност (оценка)] – определя се от вида на функцията, с която се описва регресионната линия

• Линейните регресионни модели – два типа– Линейни по отношение на факторите на модела– Линейни по отношение на параметрите на

модела

Page 33: Линейни регресионни модели

Видове регресионни модели

• Променливите на модела се включват без преобразуване - линейни по отношение на факторите на модела

• Променливите на модела се включват чрез някаква функция, но модела се изразява чрез линейна функция на нелинейните агрументи - линейни по отношение на параметрите на модела

Page 34: Линейни регресионни модели

Видове регресионни модели

• По броя на включените фактори – 2 вида– Единични (еднофакторни) (– в модела се

включва един фактор– Множествени (многофакторни) – в модела

се включват повече от един фактори

Page 35: Линейни регресионни модели

Единични регресионни модели

• Примерите разгледани досега – единични (еднофакторни) регресионни модели

• Общ вид

• Където:– Y – зависима (обяснявана) променлива– X – една независима (обясняваща, фактор)

променлива

– ε - грешка

iii BXAY

Page 36: Линейни регресионни модели

Множествени регресионни модели

• Обикновенно – 1 фактор не е достатъчен за обясняване на икономическите явления

• За примера – не са отчетени доходите, продуктите заместители (боти, ботуши, сандали, и т.н.

Page 37: Линейни регресионни модели

Множествени регресионни модели

• Повече от 1 обясняваща променлива• Общ вид (матричен запис)

• Където:– Y – зависима (обяснявана) променлива– X – вектор на независимите (обясняващите) променлива– B – също вектор с точно толкова елемента, колкото и

вектора X

– ε - грешка

iii BXAY

Page 38: Линейни регресионни модели

Множествени регресионни модели

Общ вид - разгънат

• Където:– Y – зависима (обяснявана) променлива

– X1 , X2 , X3 – фактори (обясняващи променливи)

– u - грешка

ii uXaXaXaaY 3322110

iuYE )(

В учебника, на страница 55,формулата накрая е объркана!Трябва да е +u, а не =u! (3.6)

Page 39: Линейни регресионни модели

Множествени регресионни модели

• Зависимата променлива - сума от детерминиран компонент (средната стойност на зависимата променлива за дадено фиксирано равнище на обясняващите промеливи) и случаен компонент (грешка)

• а0 - изразява средната стойност на обясняваната променлива при нулеви стойности на обясняващите променливи

Page 40: Линейни регресионни модели

Множествени регресионни модели

• Коефициентите а1, а2 и а3 - частични или частни регресионни коефициенти

• изразявят изменението на средната стойност на зависимата променлива при единица изменение на съответната обясняваща променлива при условие, че останалите обясняващи променливи се запазват постоянни

• отразяват частичния ефект от изменението на една обясняваща променлива върху средната стойност на зависимата променлива при отсъствие на изменения в останалите обясняващи променливи