Теорема Гаусса-Маркова

Интервалы прогноза по линейному уравнению регрессии.

Качество уравнения регрессии. Коэффициент детерминации.

Анализ точности определения оценок коэффициентов регрессии.

Теорема Гаусса-Маркова.

Оценка качества уравнения регрессии.

Вопросы:

Вернемся к рассмотрению регрессионного уравнения . Сделаем некоторые предположения.

1) - спецификация модели, отражающая наше представление о механизме зависимости.

1) Х_t – детерминированная экзогенная переменная. Случайный член должен быть распределен независимо от объясняющей переменной.

3) М() = 0, то есть случайный член не должен иметь систематического смещения. Это условие всегда можно выполнить, если модель включает свободный член, который будет учитывать любую систематическую тенденцию. Можно считать это условие выполняющимся автоматически.

D() = M(²) – M²() = M(²) = ² = Const для всех наблюдений. Условие независимости дисперсии от номера наблюдений называют гомоскедастичностью. Случай не выполнения условия гомоскедастичности называют гетероскедастичностью – M(²) = ² Const,

4) cov(_i, _j) = M(_{i j}) –M(_i)M(_j) = M(_{i j}) = 0. Предполагается отсутствие систематической связи между значениями для разных наблюдений. Случайные члены должны быть независимыми. В случае, когда это свойство нарушается (временные ряды), говорят об автокорреляции остатков -

M(_{i j}) 0.

Часто добавляется условие ~ N(0, ). В этом случае модель называют нормальной линейной регрессионной моделью. Таки образом, задача состоит в оценке параметров и по данным наблюдений.

Теорема Гаусса-Маркова:

Дата добавления: 2014-01-20