stify">, що визначається статистикою
w i = (d ii -1) (N-1)/(n-1), має розподіл Фішера з v 1 = Nn і
v 2 = n-1 ступенями свободи.
Існує ще ряд способів визначення мультіколленіарності. З метою усунення або зменшення її можна переходити до різницям для вихідної інформації, використовувати метод факторного аналізу або метод головних компонент. p align="justify"> Отримання прогнозів за допомогою багатофакторних регресійних моделей припускає незмінність значень коефіцієнтів цих моделей в часі. Проте, в процесі дослідження об'єкта можлива поява нової інформації, що дозволяє за допомогою рекурентного оцінювання коригувати значення оцінок коефіцієнтів моделей. У той же час вихідна інформація може містити в собі різні динаміки зміни незалежних змінних, які виникають в результаті різних В«режимівВ» функціонування досліджуваного об'єкта. У цьому випадку важливим є як сам факт встановлення відмінності динамік процесів на різних часових інтервалах, так і вибір такого інтервалу для побудови на ньому моделі прогнозування, який був би найбільш адекватним майбутньому поведінці об'єкта. Якщо виявляється, що для одного інтервалу часу побудована багатофакторна модель
В
а для іншого інтервалу - модель
В
де ? i1? ? < span align = "justify"> i2 , то прогноз буде зміщений, а отже, різко зростає дисперсія прогнозу.
Метод найменших квадратів
Непрямий і двокроковий метод найменших квадратів (КМНК) розглядаються як традиційні методи оцінки коефіцієнтів структурної моделі.
КМНК застосовується для ідентифікованої системи одночасних рівнянь, а ДМНК використовується для оцінки коефіцієнтів сверхідентіфіціруемой моделі.
Метод максимальної правдоподібності розглядається як найбільш загальний метод оцінювання, результати якого при нормальному розподілі ознак збігаються з МНК, але при великому числі рівнянь системи цей метод призводить до досить складних процедур обчислень.
Подальшим розвитком ДМНК є ТМНК < span align = "justify">. Цей метод придатний для оцінки параметрів всіх видів рівнянь структурної ...
