Mi multikollinearitás

kiszámítja a OLS becslés

β = (X T X) - 1 X T Y. Sőt, akkor továbbra is hatékonyak és lineáris torzítatlan becslése regressziós paraméterek. A probléma az, hogy ha a változók közel lineárisan függ, det (X T X) → 0. elemek rendre

mátrix (X T X) - 1 hajlamosak a végtelenségig, az azonos fordulnak elő az elemek a kovariancia mátrix COV (β) = (X T X) - 1 σ 2. Nagy diszperzió

azt jelenti, hogy a pontossága a becsült együtthatók alacsony, és ők jelentéktelen lesz. Ez azért van, mert ha a tényezők kapcsolódó, nehéz külön felméri az mindegyikre.

Anyagok során ökonometria-1. Előkészített Vydumkin Plato

Közgazdasági elmélet szerint a függőség a fogyasztói kiadások származó vagyon és jövedelem. 4.1 táblázat mutatja a kapott eredményeket az E regresszió logaritmikus formában (adatokat lásd 1. melléklet). Amint látjuk, az együtthatók a magyarázó változók nem jelentős. Ugyanakkor regressziós megfelelő, és bármilyen szintű jelentősége. És a determinációs együttható elég nagy. Ez azért történik, mert a jövedelem és a vagyon a korreláció (korrelációs együttható = 0,99), és a megfigyelések van jó néhány.

Ismét fordítsuk a figyelmünket, rendben vagyunk szempontjából elmélet. Becslések nem előfeszítve. Mit jelent a tulajdon a gyakorlatban? Ez azt jelenti, hogy ha van egy csomó mintát, és mindegyikük, becsüljük a regressziós paraméterek, majd kiszámítja az átlagos értékelés, amely egybeesik az igazi érték. De mi ez nem segít, akkor csak egy minta, és a szegény kapott eredmények azt.

A teljesítmény értékelése, ott a legkisebb a szórás között torzítatlan becsléseinek. De megint azt, hogy nem segít, mivel ez a legkisebb szórást elég nagy ebben az esetben, hogy elfogadhatatlan pontossággal becsléseket.

Sőt, az értékelés is gazdag. Ez nem említi GaussaMarkova tétel, de ez az igazság. Ez azt jelenti, hogy ha a minta mérete tart végtelenbe, akkor a becslések hajlamosak az igazi értékeket a paraméterek, hogy értékeljük. Ez jó, de még adott a minta mérete, és változtatni, nem tudjuk.

Függő változó: LOG (CONSUMP) Módszer: Legkisebb négyzetek

Dátum: 02/27/07 Időpont: 16:42 Minta: január 10

Megfigyelések száma: 10

Tehát a szempontból az elmélet rendben, de abból a szempontból gyakorlatban nem tudjuk megoldani a problémát, mielőtt hozzánk. Ez a probléma a multikollinearitás nagyon hasonló a helyzet, amikor már néhány észrevételt a mintában. Nem véletlen, hogy bizonyos módszerekkel foglalkozó multikollinearitás alkalmazni abban az esetben, kis minta.

Mivel a probléma nem elméleti, hanem gyakorlati módszereit a döntések lesznek kézműves karaktert. Nem véletlen, a legtöbb modern tankönyvek a fejlett ökonometriai témák multikollinearitás nincs ott.

Jelek multikollinearitás.

Kezdjük az elején. Jellemző tünetek, azaz általában a gyanú, hogy a multikollinearitás vannak

1) szignifikáns koefficiensek és ahol R2 és a nagy megfelelő regressziós

2) Az érzékenységi együtthatók diszperziók együttható becslések és a becslések az addíciós és eliminációs minta megfigyelés.

A letöltés folytatásához össze kell rakni egy képet: