3.5. нелинейные регрессии
3.5. нелинейные регрессии
Нелинейность регрессии проявляется как по переменным, так и по параметрам.
Нелинейность по переменным устраняется путем замены переменной. Например, нелинейное уравнение у = а + pVx + є после замены переменной z = л/х становится линейным: у = ос + pz + є, и для оценки его параметров используется МНК.
Пример 3.8. Имеются данные о зависимости между ежегодным потреблением бананов у и годовым доходом х 10 американских семей (усл. ед.):
X | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
У | 2 | 7 | 9 | 12 | 10 | 12 | 11 | 12 | 13 | 12 |
Рассмотрим различные варианты уравнения регрессии. 1. Оценка линейного уравнения ^ = а + рх + епо выборочным наблюдениям (х, у) приводит к уравнению
у = 5,13 + 0,88х, R2 = 0,64, 5 = 2,10.
Если рассмотрим нелинейное уравнение у = а + pVx + є и определим z = yfx, то уравнение примет линейный вид у а + + е.
Оценив регрессию между у и z, получим
у = 0,774 + 4,106z, Л2 = 0,762, S = 1,72.
Подставив z = у[х, имеем у 0,774 + 4,106\%/х.
Если рассмотрим нелинейное уравнение у = а + р/х + є и определим z = то уравнение примет линейный вид у = а + Pz + є.
Оценив регрессию между у и г, получим
j) = 13,42-11,67г, і?2 = 0,942, 5 = 0,85.
Подставив z = l/х, имеем у = 13,42 -—-.
х
Качество оценивания последнего варианта уравнения выше, чем у других.
В таблице представлены исходные данные для построения рассмотренных уравнений регрессии с помощью пакета анализа Excel (программа «Регрессия»):
У | X | Z = fx | Z=l/x |
2 | 1 | 1 | 1 |
7 | 2 | 1,414 | 0,5 |
9 | 3 | 1,732 | 0,333 |
12 | 4 | 2 | 0,25 |
10 | 5 | 2,236 | 0,2 |
12 | 6 | 2,449 | 0,166 |
11 | 7 | 2.645 | 0,142 |
12 | 8 | 2,828 | 0,125 |
13 | 9 | 3 | 0,111 |
12 | 10 | 3.162 | 0,1 |
Нелинейность по параметру часто устраняется путем логарифмического преобразования уравнения. Например, следующие нелинейные уравнения после логарифмирования сводятся к линейнымстепенная функция у ах^е ~ Ыу = In а + (iln.x + In є;
экспоненциальная функция у ае^хе~ пу = lna-ь flx + Ine. Использование МНК для нахождения оценок параметров этих
уравнений требует, чтобы Ine имел нормальное распределение.
Однако уравнение у ах$ + є, в котором случайный член є является аддитивным, уже никакими преобразованиями не приводится к линейному. В этом случае используют специальные итерационные методы оценивания нелинейной регрессии.
В экономике применяются функции вида:
у ах^е при моделировании кривых спроса;
у = осе^'е при моделировании временных трендов, при этом вместо х используется время ґ, а вместо р — постоянный темп прироста г, т.е. у = ае"е.
Пример 3.9. По данным примера 2.5 построим зависимость расходов на питание от доходов в виде степенной функции и экспоненциальный временной тренд.
В таблице представлены исходные данные (усл. ед.) для построения указанных уравнений с помощью пакета анализа Excel (программа «Регрессия»).
t | X | У | lnx | пу |
1 | 2 | 1 | 0,693147 | 0 |
2 | 6 | 2 | 1,791759 | 0,693147 |
3 | 10 | 4 | 2,302585 | 1,386294 |
4 | 14 | 11 | 2,639057 | 2,397895 |
5 | 18 | 12 | 2,890372 | 2,484907 |
Уравнение у ссс^е после логарифмирования приводится к линейному виду 1пу = ІПСС + (ЗІПХ + ІПЄ.
Оценив регрессию между пу и lnx, получим преобразованное выражение
пу = -1,049+ 1Д83ІПХ.
Выполнив обратные преобразования, получим j) = e-1'O4V-183 = 0,350x1'183.
Уравнение у = ае"є после логарифмирования приводится к линейному виду пу -па +rt + Іпє.
Оценив регрессию между пу и /, получим преобразованное выражение
lnj> = -0,61 + 0,667/.
Выполнив обратные преобразования, получим
у = е-0'61е0'667' = 0,543е0'667'.
В экономическом анализе часто используется эластичность функции. Эластичность функции у = /(х) рассчитывается как относительное изменение у к относительному изменению х, т.е.
э =
rdy) У j
Щ=-л*).
х J у
Эластичность показывает, на сколько процентов изменяется функция у = /(х) при изменении независимой переменной на 1\%.
Для степенной функции у = ахь эластичность представляет собой постоянную величину, равную Ъ.
Например, для зависимости расходов на питание от дохода у = 0,350х''183 эластичность спроса на продукты питания по доходу
составляет 1,183. Это означает, что увеличение личного дохода на 1\% приведет к увеличению расходов на питание на 1,183\%.
Коэффициент 0,350 не имеет экономического смысла. Он помогает прогнозировать значение у при заданных значениях х, приводя их к единому масштабу.
Для экспоненциального временного тренда у 0,543е0'667' постоянный темп роста г 0,667. Это означает, что расходы на продукты питания в течение выборочного периода росли с темпом 66,7\% в год.
Постоянный множитель 0,543 показывает, что в момент / = 0 общие расходы на питание составили 0,543 усл. ед.
В силу того что эластичность линейной функции у = а + Ьх не является постоянной величиной, а зависит отх, т.е.
Э = Ь-, У
обычно вычисляется средний показатель эластичности по формуле
Э = Ь=, У
где х, у — средние значения переменных х, у в выборке.
Например, для зависимости расходов на питание от доходов у = -1,75 + 0,775х (х = 10, у = 6) средний показатель эластичности равен 1,29 и показывает, что с увеличением дохода на 1\% расходы на питание возрастут в среднем на 1,29\%.
КОНТРОЛЬНЫЕ ВОПРОСЫ
Каковы предпосылки регрессионного анализа?
Что является мерой разброса зависимой переменной вокруг линии регрессии?
Какие существуют критерии проверки гипотез, относящихся к коэффициентам регрессии?
В чем отличие стандартной ошибки положения линии регрессии от средней ошибки прогнозирования индивидуального результативного признака при заданном значении фактора?
Какие существуют виды моделей, нелинейных относительно включаемых переменных и оцениваемых параметров?
Как определяются коэффициенты эластичности по разным видам регрессионных моделей?
Какова взаимозависимость различных критериев в парном регрессионном анализе?
Обобщением линейной регрессионной модели с одной объясняющей переменной является линейная регрессионная модель с к объясняющими переменными (модель множественной регрессии):
>' = Ро + Рі*і + ... + Рал* + є, где ро, Pi,... Pi — параметры модели, а є — случайный член.
Как и в модели с парной регрессией, случайный член є удовлетворяет условиям Гаусса — Маркова:
Математическое ожидание случайного члена в любом наблюдении должно быть равно нулю, т.е.
Л/(є/) = 0 (і = йп).
Дисперсия случайного члена должна быть постоянной для всех наблюдений, т.е.
D(e,) = M(ej) = с2 (і = їп).
Случайные члены должны быть статистически независимы (некоррелированы) между собой, т.е.
М(е,с;) = 0 (/*/).
Случайные члены в любом наблюдении должны быть статистически независимы от объясняющих переменных.
При выполнении условий Гаусса — Маркова модель называется классической нормальной линейной регрессионной моделью.
Предполагается, что объясняющие переменные некоррелированы друг с другом.
На основе п наблюдений оценивается выборочное уравнение регрессии
где b(), b, bk — оценки параметров Р0, Pi, P,t.
Обсуждение Эконометрика
Комментарии, рецензии и отзывы