(7.1)
DESCRIPTION
(7.1). Наилучшая линейная процедура получения оценок параметров уравнения (7.1) и условия, при которых эта процедура дает несмещенные и эффективные оценки, сформулирована в теореме Гаусса-Маркова. Карл Фридрих Гаусс Время жизни 30.04.1777 - 23.02.1855 - PowerPoint PPT PresentationTRANSCRIPT
uxauxa...xaxaay tit
n
0i
itntnt22t110t
(7.1)
Наилучшая линейная процедура получения оценок параметров уравнения (7.1) и условия, при которых эта процедура дает несмещенные и эффективные оценки, сформулирована в теореме Гаусса-Маркова
Карл Фридрих ГауссВремя жизни 30.04.1777 - 23.02.1855Научная сфера – математика, физика, астрономия
Андрей Андреевич МарковВремя жизни 14.06.1856 - 20.07.1922Научная сфера - математика
Постановка задачи:Имеем случайную выборку наблюдений за поведением экономического объекта объемом n
x...xxy...............x...xxyx...xxy
knn2n1n
2k22122
1k21111 Выборка наблюдений за переменными модели (7.1)Первый индекс – номер регрессораВторой индекс – номер наблюдения
uxa...xaxaay..................................................
uxa...xaxaayuxa...xaxaay
nknnn22n1101
22kn22212102
11kn21211101
(7.2) - Система уравнений наблюдений, связывающая наблюдения в выборке
(7.2)
Сформируем вектора и матрицу коэффициентов на основе системы (7.2)
u...uu
U
y...yy
Y
a...aa
A
n
2
1
n
2
1
k
1
0
x...xx............x...xxx...xx
1...11
knn2n1
2k2212
1k2111
X
Y – вектор выборочных значений эндогенной переменной
U – вектор выборочных значений случайного возмущения
A - вектор неизвестных параметров модели
х – вектор регрессоров
X – матрица коэффициентов при неизвестных параметрах
UxAY
По данным выборки найти: Ã, Cov(ÃÃ), σu, σ(ỹ(z))
Теорема (Гаусса – Маркова)
Если матрица Х неколлинеарна и вектор случайных возмущений удовлетворяет следующим требованиям:
0uM.1 i Математическое ожидание всех случайных возмущений равно нулю
2ui
2 u.2 Дисперсия случайных возмущений постоянна во всех наблюдениях (условие ГОМОСКЕДАСТИЧНОСТИ)
jiпри
0u,uCov.3 ji
0u,xCov.4 ii
Случайные возмущения в разных наблюдениях не зависимы
Случайные возмущения и регрессоры не зависимы
Тогда наилучшей линейной процедурой оценки параметров модели (7.1) является:
YXXXA~ T1T
(7.3)
которая удовлетворяет методу наименьших квадратов
При этом:
zXXzq
q1~)z(y~za~...za~a~zY
~
ukn
1y~y
kn
1~
XX~)A~
,A~
(Cov
1TT0
02u
2
kk110
2i
2
ii
2u
1T2u
Доказательство
Воспользуемся методом наименьших квадратов
minuuuS Tn
1i
2i
где
a~XYY~
Yu
(7.4)
(7.5)
Подставив (7.5) в (7.4) получим
a~XYa~XYuuST
T a~XYXa~Y TTT
a~XXa~YXa~2YYTTTTT
(7.6)
Для получения необходимого условия экстремума дифференцируем (7.6) по вектору параметров
0a~XX2YX2a~S TT
YXa~XX TT
Откуда система нормальных уравнений для определения искомых параметров получает вид
(7.7)
Решение системы (7.7) в матричном виде есть
YXXXA~ T1T
Выражение (7.3) доказано
Докажем несмещенность оценок (7.3)
YXXXMa~M T1T
uaXXXXM TT1
uaXXXXM T1T
a
Несмещенность оценки (7.3) доказана
Вычислим ковариационную матрицу оценок (7.3)
1T2u
T1TT1T XXYXXX,YXXXCova~,a~Cov
В результате получено выражение (7.4)
Пример 1. Пусть имеем выборку из n наблюдений за случайной величиной Y
Найти наилучшие оценки среднего значения и дисперсии этой переменной
В терминах теоремы Гаусса –Маркова задача формулируется так: необходимо построить модель типа Y = a0 +u, при этом имеем:
1...11...
1
...
1
1
2
1
X
y
yy
T
n
YX
Решение
n
1XXn
1...11
1...11XX1TT
1. Вычисляем (XTX)-1
y
y...yy
1...11YX i
n
2
1
T
2. Вычисляем (XTY)
3. Вычисляем оценку параметра а0
n
1ii
T1T0 y
n
1YXXXa~
4. Находим дисперсию среднего
1n
XXa~2u1T2
u02
Пример 2. Уравнение парной регрессии
Построить модель типа Y=a0+a1x +u, по данным вы-борки наблюдений за переменными Y и x объемом n
В схеме Гаусса-Маркова имеем:
u...
uU
aaA
y...yy
Yx...xx1...11
X
x1......x1x1
X
n
u2
1
1
0
n
2
1
n21
T
n
2
1
xx
xn
x1......x1x1
x...xx1...11
XX 2ii
i
n
2
1
n21
T
1. Вычисляем матрицы (XTX) и (XTX)-1
nxxx
xxxn
1XX
i
i2i
ii2i
1T
2. Вычисляем XTY
yx
y
y...yy
x...xx1...11
YXii
i
n
2
1
n21
T
3. Вычисляем оценку вектора параметров а
yxyxnyxxyx
xxxn
1aaa~
yx
ynx
xx
xxxn
1a~
iiii
iiii2i
ii2i1
0
ii
i
i
i2i
ii2i
Вычислим дисперсии (ковариационную матрицу) параметров модели
nxxx
xxxn
1XXA
~,A
~ Cov
i
i2i
ii2i
2u
1T2u
Следовательно:
xxxnx
a~,a~Cov
xxxn
na~
xxxnx
a~
ii2i
i2u10
ii2i
2u1
2
ii2i
2i2
u02
Расчет дисперсии прогнозирования
Прогноз осуществляется в точке Z={1,z}Т
2
i
22
u
2
ii
2
i
22
i
2
i2
2
i
ii
2
i
2
i
2
i
i
i
2
i
ii
2
i
i
i
2
i
ii
2
i
1TT
0
0
2
u
2
xxn
xz
n
11)z(Y
n
xz1
n
nz2
z1
nz
z
n
1
z1
nn
1z1
1)z(Y
xxx
xxn
x
xxxzxx
xxx
xxx
xxx
xxxZXXZq
q
Процедура «ЛИНЕЙН» в приложении EXCEL
Алгоритм использования процедуры:
1. Подготовка таблицы исходных данных
2. Вызов процедуры «ЛИНЕЙН»
3. Ввод исходных данных в процедуру
4. Анализ результата
Рассмотрим алгоритм на примере
Выводы:1. Теорема Гаусса-Маркова формулирует
наилучшую линейную процедуру расчета оценок параметров линейной модели множественной регрессии
2. Линейная процедура соответствует методу наименьших квадратов
3. Предпосылки теоремы обеспечивают получение оценок, обладающих свойствами несмещенности и эффективности
4. При выполнении предпосылок свойства эффективности и несмещенности достигаются при любом законе распределения случайного возмущения