Таблиця 2 Зведена таблиця значень, отриманих вибраними методами
МетодКоеффіціент детермінацііСтандартная помилка Статистика Дарбіна-Уотсона Метод найменших квадратов0, 712,421,42 Узагальнений метод моментов0, 373,540,51 авторегресійного модель умовної гетероскедастічності0, 463,63 0,64
Найвищий коефіцієнт детермінації при застосуванні методу найменших квадратів, що говорить нам про те, що частка впливу незалежних змінних на залежну значна. Найменшу стандартну помилку дає так само метод найменших квадратів. Статистика Дарбіна-Уотсона показує, що в інтервал 1,5 Таким чином, найбільш прийнятним є метод найменших квадратів. Необхідно перевірити ряд передумов, невиконання яких може призвести до значних помилок. Досліджуємо залишки і оцінимо ступінь адекватності моделі. br/>
5. Аналіз адекватності обраної моделі прогнозування
При оцінці параметрів рівняння регресії застосовується метод найменших квадратів. Після того як з його допомогою проведено оцінку параметрів моделі, розрахувавши різниці фактичних і теоретичних значень результативної ознаки y, можна визначити оцінки випадкової складової y-? x . Їх можна вважати певною вибіркової реалізацією невідомого залишку заданого рівняння.
При зміні специфікації моделі, додаванні в неї нових спостережень вибіркові оцінки залишків можуть змінюватися. Тому в завдання регресійного аналізу входить не тільки побудова самої моделі, а й дослідження залишкових величин (випадкових відхилень). p align="justify"> Статистичні перевірки параметрів регресії, показників кореляції засновані на непроверяемих передумовах розподілу залишків. Вони носять лише попередній характер. Після побудови рівняння регресії проводиться перевірка наявності у випадкових залишків тих властивостей, які передбачалися. Пов'язано це з тим, що оцінки параметрів регресії повинні відповідати певним критеріям: бути незміщеними, заможними та ефективними. Ці властивості оцінок, отриманих за МНК, мають надзвичайно важливе практичне значення у використанні результатів регресії і кореляції. p align="justify"> Умови, необхідні для отримання незміщених, заможних і ефективних оцінок, являють собою передумови МНК, дотримання яких бажано для отримання достовірних результатів регресії.
Якщо розподіл випадкових залишків не відповідає деяким передумовам МНК, то слід коригувати модель, змінюючи її специфікацію, додавати (виключати) деякі фактори, перетворювати вихідні дані для того, щоб и отримати оцінки коефіцієнтів регресії, які мають властивість незсуненості, мають менше значення дисперсії залишків і забезпечують у зв'язку з цим більш ефективну статистичну перевірку значущості параметрів регресії. p align="justify"> Дослідження залишків...
