caietul de sarcini model - studopediya

Tema 2. Regresia liniară simplă

înțelegere a organizațiilor de afaceri, inclusiv activitățile sale

Standard 315, „Înțelegerea organizației de afaceri, mediul său activ-și evaluarea STI a riscului de denaturare semnificativă“ include următoarele paragrafe: introducere, dobândirea de cunoștințe despre afacerea clientului, despre mediul

În funcție de numărul de factori incluși în ecuația de regresie pentru a distinge între simplu (baie de aburi) și regresie multiplă.

Modelul de regresie simplă este în cazul în care valoarea medie a dependentă (explicată) al variabilei y este considerată ca o funcție a unei singure (explicative) x variabilă independentă. și anume Acest tip de model

Modelul de regresie multiplă este în cazul în care valoarea medie a dependentă (explicată) a variabilei y este considerată o funcție de mai multe x1 independente (explicative) variabile. x2. ..., și anume, Acest tip de model

Orice studiu econometric începe cu specificarea modelului. și anume cu formularea din modelul de vedere, pe baza teoriei comunicării relevante între variabilele. În primul rând, din cauza întreaga gamă de factori care influențează semnul efectivă a celor mai importanți factori care influențează ar trebui să fie alocate. regresie cu abur suficient dacă există un factor dominant, care este utilizat ca variabilă explicativă.

Ecuația de regresie simplă caracterizează relația dintre două variabile, care se manifestă ca un anumit model de doar o medie a unui set de observații. Astfel, în cazul în care dependența ratelor cererii y x este caracterizată, de exemplu, prin ecuația y = 5000 - 2 x x. aceasta înseamnă că o creștere a prețului de 1 CU Cererea medie este redusă cu 2 CU Corelarea ecuație de regresie se leagă în esență atributele reprezentate ca o relație funcțională exprimată prin funcția matematică corespunzătoare.

În aproape fiecare caz, valoarea y compusă din două componente:

în cazul în care yj - valoarea reală efectivă a caracteristicii; -Theoretical valoare variabilă rezultată, obținută din ecuația de regresie; ej - variabilă aleatoare, care caracterizează abaterea valorii efective reală a caracteristicii teoretice.

Aleatoare EJ variabilă. sau indignare. Acesta include efectul factorilor care nu a reprezentat în model, eroarea aleatorie și măsurători caracteristici. Prezența ei în modelul din cauza trei surse: specificarea modelului, natura selectivă a datelor sursă, caracteristici de măsurare variabilă.

Pe specificarea corectă a modelului depinde de amploarea erorilor aleatoare - acestea sunt mai mici, cu atât mai mult valorile teoretice ale variabilei fit rezultate în datele reale.

Erori caietul de sarcini se va aplica nu numai la alegerea greșită a unei funcții matematice, dar, de asemenea, în subestimarea regresiei unui factor substanțial, și anume utilizați abur în loc de regresie multiplă. Deci, cererea pentru un anumit produs poate fi determinată, și prețul și venitul pe cap de locuitor.

Împreună cu erori de specificație pot să apară erori de eșantionare. pentru că cercetătorul lucrează adesea cu mostre de date în stabilirea unei conexiuni legitime între semnele. Erorile de eșantionare apar și din cauza eterogenitatea în populația statistică inițială, ceea ce se întâmplă de obicei în studiul proceselor economice. În cazul în care un set de uniforme, ecuația de regresie nu este practic. de obicei, expulzat din setul de unități cu valori anormale ale caracterelor studiate pentru un rezultat bun. În acest caz, rezultatele de regresie reprezintă Caracteristici opționale. Folosind informațiile de sincronizare reprezintă, de asemenea, o mostră din toate multitudinea de data cronologică. Prin schimbarea intervalul de timp, este posibil pentru a obține rezultate diferite ale regresiei.

Cel mai mare pericol în metode practice de utilizare de regresie sunt erori de măsurare. În cazul în care erorile de specificație pot fi reduse prin schimbarea formei modelului (tipul de formule matematice) și eroarea de eșantionare - creșterea volumului datelor originale, eroarea de măsurare anulează substanțial toate eforturile pentru a cuantifica relația dintre caracteristici. Mai ales mare rol de eroare de măsurare în studiu la nivel macro. Astfel, în studiile de aprovizionare și a cererii sunt utilizate pe scară largă, „venitul pe cap de locuitor“. Cu toate acestea, o măsurare statistică a veniturilor asociate cu o serie de dificultăți și nu sunt lipsite de erori posibile, de exemplu, ca urmare a existenței veniturilor ascunse.

Presupunând că erorile de măsurare sunt reduse la minimum, obiectul unor studii econometrice date erori de specificație model.

Specificația pereche model de regresie se referă la alegerea formei funcției matematice. și multiple - de asemenea, cu factorii de selecție. incluse în model.

Atunci când construirea de modele de regresie poate fi utilizată atât funcțiile de bază non-liniare și neliniare. In cele mai multe pachete de software standard prevăd o procedură de transformare neliniară funcții liniare. Ca urmare, cercetătorul lucrează cu modelul liniar construit pe datele transformate. Acest lucru explică atenția pe care este acordată regresia liniară exact ca principalul tip de modele de regresie. În plus, variația variabilelor pot fi foarte limitate, iar efectul real al neliniarității lor de conectare nu poate fi afișată. Acesta este un alt argument în favoarea modelelor liniare. De exemplu, este clar că supra-fertilizarea poate duce nu la o creștere, dar la randamente mai mici, dar, de fapt, o astfel de situație este puțin probabilă. Deci, dacă, teoretic, trebuie să ne exprimăm dependența randamentului de îngrășăminte cum ar fi y = a + b + c x x x x 2 + e. Este posibil să fie destul de suficientă pentru ca y expresie = a + b x x + e.

În cele din urmă, erorile de măsurare în variabile pot anula eforturile noastre de a complica model. Și trebuie să recunoaștem că mai eficientă o descriere simplă a relațiilor cu dimensiunile grosiere. Acesta este un alt motiv pentru care explică preferința pentru modelele liniare.