WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!


Pages:     | 1 |   ...   | 8 | 9 || 11 | 12 |   ...   | 18 |

Пример. Регрессионный анализ потребления свинины на душу населения США в зависимости от оптовых цен на свинину (данные были приведены ранее) дает значения и Переменная Коэфт Ст. ошибка tстатист.

Pзнач.

77. 13. 5. 0. Цена 24. 29. 0. 0. В этом примере коэффициент при переменной Цена оказывается статистически незначимым при любом разумном выборе уровня значимости.

Замечание. Мы уже отмечали ранее возможность ложной корреляции между двумя переменными и, соответственно, возможность ложного использования одной из переменных в качестве объясняющей для описания изменчивости другой переменной.

Проиллюстрируем такую ситуацию на основе рассмотренных нами методов регрессионного анализа.

Пример. В числе прочих подобных примеров мы получили модель линейной связи между мировым рекордом по прыжкам в высоту с шестом среди мужчин (, в см) и суммарным производством электроэнергии в США (, в млрд. квтчас). Мы уже указывали на высокое значение коэффициента детерминации для этой модели:.

Теперь мы можем привести результаты регрессионного анализа:

Переменная Коэфт Ст. ошибка tстатист.

Pзнач.

2625. 420. 6. 0. H 7. 0. 8. 0. Формально, переменная признается существенной для объяснения изменчивости переменной, так что здесь мы сталкиваемся с ложной (паразитной) регрессией переменной на переменную, обусловленной наличием выраженного (линейного) тренда обеих переменных во времени.

2.8. ПРОВЕРКА ЗНАЧИМОСТИ ПАРАМЕТРОВ ЛИНЕЙНОЙ РЕГРЕССИИ И ПОДБОР МОДЕЛИ С ИСПОЛЬЗОВАНИЕМ FКРИТЕРИЕВ Приводимая ниже таблица содержит ежегодные данные о следующих показателях экономики Франции за период с 1949 по 1960 годы (млрд. франков, в ценах 1959 г.):

Y — объем импорта товаров и услуг во Францию;

X2 — валовой национальный продукт;

X3 — потребление семей;

obs Y X X X obs Y X X X 15. 149. 4. 108. 22. 202. 2. 146. 16. 161. 4. 114. 26. 212. 5. 154. 19. 171. 3. 123. 28. 226. 5. 162. 19. 175. 3. 126. 27. 231. 5. 164. 18. 180. 1. 132. 26. 0. 167. 20. 190. 2. 137. 31. 5. 176. Выберем модель наблюдений в виде где — значение показателя в iм наблюдении (iму наблюдению соответствует год, и (значения «переменной», тождественно равной единице). Будем, как обычно, предполагать что ~ i. i. d. и что значение нам не известно. Регрессионный анализ дает следующие результаты: и Переменная Коэфт Ст. ошибка tстатист.

Pзнач.

X –8. 2. 2. 0. X 0. 0. 0. 0. X 0. 0. 1. 0. Обращают на себя внимание выделенные значения. В соответствии с ними, проверка каждой отдельной гипотезы, (даже при уровне значимости ) приводит к решению о ее неотклонении. Соответственно, при реализации каждой из этих двух процедур проверки соответствующий параметр или признается статистически незначимым. И это выглядит противоречащим весьма высокому значению коэффициента детерминации.

Посуществу, вопрос стоит таким образом: необходимо построить статистическую процедуру для проверки гипотезы конкретизирующей значения не какогото одного, а сразу двух коэффициентов.

И вообще, как проверить гипотезу (гипотеза значимости регрессии) в рамках нормальной линейной модели множественной регрессии c ? Соответствующий статистический критерий основывается на так называемой Fстатистике Здесь — остаточная сумма квадратов, получаемая при оценивании полной модели (с объясняющими переменными, включая тождественную единицу), а — остаточная сумма квадратов, получаемая при оценивании модели с наложенными гипотезой ограничениями на параметры. Но последняя (редуцированная) модель имеет вид и применение к ней метода наименьших квадратов приводит к оценке так что Следовательно, В некоторых пакетах статистического анализа (например, в EXCEL) в распечатках результатов приводятся значения числителя и знаменателя этой статистики (в графе Средние квадраты — Mean Squares).

Если ~ i. i. d., то указанная статистика, рассматриваемая как случайная величина, имеет при гипотезе H0 (т. е. когда действительно q 2 = ј= q p= 0) стандартное распределение, называемое Fраспределением Фишера с (p1) и (np) степенями свободы.

Чем больше отношение, тем больше есть оснований говорить о том, что совокупность переменных действительно помогает в объяснении изменчивости объясняемой переменной.

В соответствии с этим, гипотеза отвергается при «слишком больших» значениях F, скорее указывающих на невыполнение этой гипотезы. Соответствующее пороговое значение определяется как квантиль уровня распределения, обозначаемая символом.



Итак, гипотеза Н0 отвергается, если выполняется неравенство При этом, вероятность ошибочного отвержения гипотезы равна.

Статистические пакеты, выполняющие регрессионный анализ, приводят среди прочих результатов такого анализа также значение указанной статистики и соответствующее ему Pзначение (Pvalue), т. е. вероятность В частности, в рассмотренном выше примере с импортом товаров и услуг во Францию вычисленное (наблюдаемое) значение статистики равно, в то время как критическое значение Соответственно, значение крайне мало — в распечатке результатов приведено значение. Значит, здесь нет практически никаких оснований принимать составную гипотезу, хотя каждая из частных гипотез и, рассматриваемая сама по себе, в отрыве от второй, не отвергается.

Подобное положение встречается не так уж и редко и связано с проблемой мультиколлинеарности данных. Далее мы уделим этой проблеме определенное внимание.

Что касается рассмотренных до этого примеров, то для них результаты использования статистики таковы.

Пример. Анализ данных об уровнях безработицы среди белого и цветного населения США приводит к следующим результатам:

,, значение =, так что при выборе гипотеза не отвергается, а при выборе отвергается.

Пример. Анализ зависимости спроса на куриные яйца от цены приводит к значениям,, значение =, так что гипотеза отвергается, а регрессия признается статистически значимой.

Пример. Зависимость производства электроэнергии в США от мирового рекорда по прыжкам в высоту с шестом:

,, значение =, регрессия признается статистически значимой.

Пример. Потребление свинины в США в зависимости от оптовых цен:

,, значение =, так что гипотеза не отвергается даже при выборе.

Отметим, наконец, еще одно обстоятельство. Во всех четырех рассмотренных примерах регрессионного анализа модели простой (парной) линейной регрессии (p=2) вычисленные значения статистик совпадают с значениями статистик, используемых для проверки гипотезы. Факт такого совпадения отнюдь не случаен и может быть доказан с использованием преобразований, приведенных, например, в книге Доугерти (параграф 3.11).

Применение критериев, основанных на статистиках, имеющих при нулевой гипотезе распределение Фишера (Fкритерии), отнюдь не ограничивается только что рассмотренным анализом статистической значимости регрессии. Такие критерии широко применяются в процессе подбора модели.

Пусть мы находимся в рамках множественной линейной модели регрессии c объясняющими переменными, и гипотеза состоит в том, что в модели последние коэффициентов равны нулю, т. е.

Тогда при гипотезе (т. е. в случае, когда она верна) мы имеем редуцированную модель уже с объясняющими переменными.

Пусть остаточная сумма квадратов в полной модели, а — остаточная сумма квадратов в редуцированной модели. Если гипотеза верна и выполнены стандартные предположения о модели (в частности, ~ i. i. d. ), то тогда Fстатистика рассматриваемая как случайная величина, имеет при гипотезе H0 (т. е. когда действительно q p = q p1 = ј= q pq+1= 0) Fраспределение Фишера F (q, np) с q и (np) степенями свободы.

В рассмотренном ранее случае проверки значимости регрессии в целом мы имели, и при этом там имело равенство которое не выполняется в общем случае.

Пусть — сумма квадратов, объясняемая полной моделью, — сумма квадратов, объясняемая редуцированной моделью.

Тогда так что статистику можно записать в виде из которого следует,что Fстатистика измеряет, в соответствующем масштабе, возрастание объясненной суммы квадратов вследствие включения в модель дополнительного количества объясняющих переменных.

Естественно считать, что включение дополнительных переменных существенно, если указанное возрастание объясненной суммы квадратов достаточно велико. Это приводит нас к критерию проверки гипотезы основанному на Fстатистике и отвергающему гипотезу, когда наблюдаемое значение этой статистики удовлетворяет неравенству где — выбранный уровень значимости критерия (вероятность ошибки 1го рода).

Пример. В следующей таблице приведены данные по США о следующих макроэкономических показателях:





— годовой совокупный располагаемый личный доход;

— годовые совокупные потребительские расходы;

— финансовые активы населения на начало календарного года (все показатели указаны в млрд. долларов, в ценах 1982 г.).

obs C DPI A 1540. 1730. 1902. 1300. 1433. 1641. 1622. 1797. 2011. 1339. 1494. 1675. 1687. 1914. 2190. 1405. 1551. 1772. 1672. 1894. 2301. 1458. 1601. 1854. 1710. 1930. 2279. 1491. 1668. 1862. 1804. 2001. 2308. Рассмотрим модель наблюдений где индексу соответствует год. Это модель с 4 объясняющими переменными:

символ обозначает переменную, значения которой запаздывают на одну единицу времени относительно значений переменной,. Оценивание этой модели дает следующие результаты:

— статистика критерия проверки значимости регрессии в целом Регрессия имеет очень высокую статистическую значимость. Вместе с тем, каждый из коэффициентов при двух последних переменных статистически незначим, так что, в частности, не следует придавать особого значения отрицательности оценок этих коэффициентов.

Используя — критерий, мы могли бы попробовать удалить из модели какуюнибудь одну из двух последних переменных, и если оставшиеся переменные окажутся значимыми, то остановиться на модели с 3 объясняющими переменными; если же и в новой модели окажутся статистически незначимые переменные, то произвести еще одну редукцию модели.

Рассмотрим, в этой связи, модель с удаленной переменной. Для нее получаем:

Fстатистика критерия проверки значимости регрессии в этой модели Поскольку эдесь остается статистически незначимым коэффициент при переменной, можно произвести дальнейшую редукцию, переходя к модели Для этой модели статистика критерия проверки значимости регрессии в этой модели и эту модель в данном контексте можно принять за окончательную.

С другой стороны, обнаружив при анализе модели (посредством применения tкритериев) статистическую незначимость коэффициентов при двух последних переменных, мы можем попробовать выяснить возможность одновременного исключения из этой модели указанных объясняющих переменных, опираясь на использование соответствующего Fкритерия.

Исключение двух последних переменных из модели соответствует гипотезе при которой модель редуцируется сразу к модели. Критерий проверки гипотезы основывается на статистике где — остаточная сумма квадратов в модели, — остаточная сумма квадратов в модели, — количество зануляемых параметров,.

Для наших данных получаем значение которое следует сравнить с критическим значением Поскольку, мы не отвергаем гипотезу и можем сразу перейти от модели к модели.

Замечание. В рассмотренном примере мы действовали двумя способами:

Дважды использовали критерии, сначала приняв (не отвергнув) гипотезу в рамках модели, а затем приняв гипотезу в рамках модели.

Однократно использовали Fкритерий, приняв гипотезу в рамках модели.

Выводы при этих двух альтернативных подходах оказались одинаковыми. Однако, из выбора модели в подобной последовательной процедуре, вообще говоря, не следует что такой же выбор будет обязательно сделан и при применении критерия, сравнивающего первую и последнюю модели.

2.9. ПРОВЕРКА ЗНАЧИМОСТИ И ПОДБОР МОДЕЛИ С ИСПОЛЬЗОВАНИЕМ КОЭФФИЦИЕНТОВ ДЕТЕРМИНАЦИИ. ИНФОРМАЦИОННЫЕ КРИТЕРИИ Ранее мы неоднократно задавались вопросом о том, как следует интерпретировать значения коэффициента детерминации с точки зрения их близости к нулю или, напротив, их близости к единице.

Естественным было бы построение статистической процедуры проверки значимости линейной связи между переменными, основанной на значениях коэффициента детерминации — ведь является статистикой, поскольку значения этой случайной величины вычисляются по данным наблюдений. Теперь мы в состоянии построить такую статистическую процедуру.

Представим статистику критерия проверки значимости регрессии в целом в виде Отсюда находим:

Большим значениям статистики соответствуют и большие значения статистики, так что гипотеза, отвергаемая при =, должна отвергаться при выполнении неравенства, где При этом, вероятность ошибочного отклонения гипотезы попрежнему равна.

Интересно вычислить критические значения при для различного количества наблюдений.

Pages:     | 1 |   ...   | 8 | 9 || 11 | 12 |   ...   | 18 |










© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.