Модел спецификация - studopediya

Тема 2. Проста линейна регресия

разбиране на бизнес организации, включително и нейните дейности

Standard 315, "Разбиране на бизнес организацията, нейната среда активно-STI и оценка на риска от съществени неточности" включва следните параграфи: въвеждане, придобиване на знания за бизнеса на клиента, за околната среда

В зависимост от броя на факторите, включени в уравнението на регресия да се прави разлика между прост (парна баня) и множествена регресия.

Обикновено регресионен модел е мястото, където средната стойност на зависими (обясни) на променлива у се разглежда като функция на един независим (обяснителен) вариабилен х. т.е. Този тип модел

Множествена регресионен модел е мястото, където средната стойност на зависими (обясни) на променлива у се разглежда като функция от множество независими (обяснителни) променливи х1. x2. ..., т.е. Този тип модел

Всеки иконометрично изследване започва със спецификацията на модела. т.е. с формулирането на изгледа на модел въз основа на съответната комуникация между теорията променливите. Главно поради пълната гама от фактори, които влияят на ефективното знака на най-значимите фактори, които влияят трябва да бъдат разпределени. Парна регресия достатъчно, ако има доминиращ фактор, който се използва като обяснителния променлива.

Обикновено регресия уравнение характеризира отношенията между две променливи, което се проявява като определен режим на само средно набор от наблюдения. Така, ако зависимостта на процента на търсенето у х се характеризира, например, от уравнението у = 5000 - 2 х х. това означава, че увеличението на цената на 1 CU Средната търсенето се намалява с 2 CU Съотношението на регресия уравнение същество връзка атрибути представени като функционална връзка изразява чрез съответната математическа функция.

В почти всички случаи у стойност състои от два компонента:

където YJ - ефективното действителната стойност на характеристиката; -Theoretical Получената променлива стойност, получена от уравнението на регресия; ей - случайна величина, която характеризира отклонението на реалния ефективен стойността на характеристиката на теоретичното.

В случайна променлива EJ. или възмущение. Тя включва ефекта от фактори, които не отчитат в модела, случайната грешка и измерване функции. Присъствието й в модел поради три източника: спецификацията на модела, селективният характер на изходните данни, разполага променлива измерване.

На правилната спецификация на модела зависи от големината на случайни грешки - те са по-малката, толкова повече теоретичните стойности на получената променлива форма на актуалните данни.

спецификация грешки ще се прилага не само на неправилния избор на математическа функция, но и в подценяването на регресията на съществен фактор, т.е. използва пара вместо множествена регресия. Така че, на търсенето на даден продукт може да се определи и цената и дохода на глава от населението.

Заедно с грешки спецификация може да се появи грешка за вземане на проби. защото изследователят често работят с примерни данни в създаването на законна връзка между знаците. Грешки на извадката се появят и поради хетерогенност в оригиналната статистическа население, което обикновено се случва в изследването на икономическите процеси. Ако набор от универсални, регресионното уравнение не е практично. обикновено изгонени от снимачната площадка на единици с аномални стойности на изследваните черти за добър резултат. В този случай, резултатите от регресивни представляват допълнителни функции. Използване на времето информация също представлява образец на всички множеството хронологичен дата. Чрез промяна на интервала от време, е възможно да се получи различен резултат за регресия.

Най-голямата опасност в практическите методи използват регресионни са измервателни грешки. Ако грешките на спецификацията може да бъде намалена чрез промяна на форма на модела (вид математически формули) и вземане на проби за грешка - увеличаване на обема на първоначалните данни, грешката при измерване по същество обезсилва всички усилия за остойностяване на връзката между функции. Особено голяма роля на грешка при измерване в изследването на макро равнище. По този начин, в проучванията на търсенето и предлагането са широко използвани ", на дохода на глава". Въпреки това, статистическо измерване на доход, свързан с редица трудности и не са лишени от възможни грешки, например, в резултат на наличието на скрити доходи.

Ако приемем, че грешките при измерване са сведени до минимум, във фокуса на иконометрични изследвания, дадени модел спецификация грешки.

Спецификацията на чифт регресионен модел се отнася до избора на формата на математическа функция. и многократно - и с факторите за избор. включени в модела.

При изграждането на регресионни модели могат да се използват и двата линейни и нелинейни функции. В повечето стандартни софтуерни пакети за създаване на процедура за нелинейно преобразуване на линейни функции. В резултат на това изследователят работи с линейния модел, изграден на преобразуваните данни. Това обяснява и вниманието, което се обръща на точно линейната регресия като основна форма за регресионни модели. В допълнение, изменението на променливите могат да бъдат много ограничени, и реалното въздействие на тяхната връзка нелинейност не може да бъде показана. Това е още един аргумент в полза на линейни модели. Например, ясно е, че с течение на оплождане не може да доведе до увеличение, но до по-ниски добиви, но в действителност е малко вероятно в такава ситуация. Така че, ако теоретично трябва да изразят зависимостта на добива на торове като у = а + б х х + х в х 2 + напр. Това е вероятно да бъде напълно достатъчно, тъй като експресията Y = а + б х х + напр.

И накрая, за измерване на грешките при променливи могат да неутрализират нашите усилия да усложняват модела. И ние трябва да признаем, че колкото по-ефективно просто описание на отношенията с едри размери. Това е още една причина, която обяснява предпочитанието за линейни модели.