КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Выведение системы нормальных уравнений
Одношаговая оценка методом наименьших квадратов коэффициентов регрессии, регрессанда, вектора и дисперсии возмущений. (МНК-1) Основные гипотезы Гипотезы, лежащие в основе многомерной регрессионной модели является естественным обобщением двумерной модели 1. - спецификация модели (или ). 2. - детерминированные величины, линейно независимые. 3. не зависит от и. 4. (некоррелированность ошибок для разных наблюдений) 5. - нормальная линейная классическая модель регрессии. Эти гипотезы, лежащие в основе множественной регрессии, удобно записать в матричной форме, которая и будет использоваться в дальнейшем. 1) - спецификация модели 2) - детерминированная матрица, имеет максимальный ранг k+1 – число параметров . 3-4) M(U)=0, 5) . Важным является то, что линейная регрессия, представленная в форме так называемой системы нормальных уравнений, имеет аналитическое решение. Поэтому выведение системы нормальных уравнений не приводится при каждом ее приложении. Пользователь лишь должен уметь подставлять в систему нормальных уравнений числовые величины, взятые из рядов данных. Потом эта система решается в матричном (или другому) виде относительно вектора оценивания коэффициентов регрессии. Для выведения системы нормальных уравнений необходимо прежде всего сформировать целевую функцию, а затем минимизировать ее. Как целевая функция как и в случае регрессионного уравнения с одной переменной, используем сумму квадратов остатков, которая должна минимизироваться для получения оценок параметров . В матричном виде вектор ошибок (остатков, возмущений) запишет , (1) Тогда сумма квадратов остатков может быть записана в виде
поскольку Следовательно целевая функция (2) Функция в выражении (2) дифференцируется по k+1=l элементам вектора, следовательно по . При этом частную производную обозначим . Необходимым условием существования минимума является равенство нулю градиентного векторам то есть или Система нормальных уравнений (3) Или в развернутом виде (4) Умножив уравнение (3) слева на решим его относительно (5) Вектор в выражении (5) минимизирует сумму квадратов ошибок, где, это можно показать вычислением вторых частных производных функции по . Результатом будет матрица будет иметь минимум, если позитивная определена, что имеет место в случае выполнения предпосылки о том, что регрессоры свободны от существенной колинеарности (Х имеет полный столбцевой ранг) и независимы. Эта предпосылка является также необходимым условием той, которая вращается матрице .
Дата добавления: 2015-05-26; Просмотров: 707; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |