Нелинейные модели парной регрессии и корреляции

Различают 2 класса нелинейных регрессий:

1. Регрессии нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам.

к ним относятся:

парабола у=a+bx+cx²

y=a+b/x – равносторонняя гипербола

у=b*lnx – полулогарифмическая функция

у=ax^b – степенная

у=ab^x-показательная

у=е^а+^bx - экспоненциальная

2. Регрессии, нелинейные по оцениваемым параметрам

Регрессии, нелинейные по включенным переменным приводятся к линейному виду простой заменой переменных, а дальнейшая оценка параметров производится методом НМК.

у=a+bx+cx²

Z=x²

y=a+bx+cz

И неизвестные параметры мы находим методом НМК.

y=a+b/x

z=1/x

y=a+bz

a= -b

у	Х	Z	Z
		0,5	ln2
		0,25	ln4

Мы работаем с z, чтобы найти параметры а и b.

Нелинейные модели 2го класса, в свою очередь, делятся на 2 типа:

1. Нелинейные модели внутренне-линейные (приводятся к линейному виду с помощью соответствующих преобразований, например, логарифмированием). Сюда относятся показательная, степенная, экспоненциальная, логистическая у=а/(1+be^cx), обратная у= 1/(а+bх)

2. Нелинейные модели внутренне нелинейные (не приводятся к линейному виду).

y=а+bx^c

Среди всех нелинейных функция наиболее часто используется степенная функция, которая приводится к линейному виду логарифмированием у=a*x^b

log y = log a*x^b

log y = lna+lnx^b

log y = ln a +b ln x

log y = Y, ln a = A, ln x = X

Y=A+bX.

х	у	Х	Y
		ln 1	ln 3
		ln 2	ln 4

Далее делается операция, обратная логарифмированию – потенцирование:

ln y = A+bln x

ln y = G

y=e^G

i.e. y=e^A+blnx

y=e^A+e^{bln x}

y=e^A+x^b

В нелинейных функциях такую интерпретацию имеет параметр b.

Параметр b в степенной функции является коэф-м эластичности, который показывает, на сколько % в среднем изменится результат при изменении фактора на 1% от его среднего значения.

Коэф-т эластичности для нелинейных функций: Э=f’(x)*

Эср = f’(xcp)*

Таблица расчета средних коэф-в эластичности для наиболее используемых уравнений регрессий:

Вид функции у	f’(x)	Эср
y=a+bx	b	b*
у=a+bx+cx²	b+2cx
у=а+b/x	-b/x²	-
y=a*x^b	ab*x^-1
y=a+bln x	b/x	b/(a+bln x cp)
y=1/(a+bx)	-b/(a+bx)²	-bx/(a+bxcp)

a+bxcp - среднее значение у. Эластичность получается сразу в %.

Бывают случаи, когда для рассматриваемых признаков бессмысленно изменение в %. В этих случаях коэф-т эластичности не рассчитывают.

Для уравнений нелинейной регрессии определяют показатель тесноты связи. В это случае он называется индексом корреляции.

ρ_xy=

σ²_{y(общая)}=

Квадрат индекса корреляции носит название индекса детерминации и характеризует долю дисперсии результативного признака у, объясняемую регрессией в общей дисперсии результативного признака.

ρ_xy²=1-(σ²_ост/σ²_ост)=σ²_{факторная}/σ²_у

σ²_факт=

Индекс детерминации можно сравнивать с коэф-м парной линейной детерминации для обоснования возможностей применения линейной функции. Чем больше кривизна линии регрессии, тем меньше величина парного линейного коэф-та детерминации по сравнению с индексом детерминации.

Индекс детерминации используется для проверки существенности в целом уравнения регрессии по F-критерию Фишера.

F_ф=(ρ_xy²/(1-ρ_xy²))*(n-m-1)/m

n-m-1 = k₁

m=k₂

m- число параметров при х

Сравниваем с табличным значением, если оно больше фактического, то уравнение считается статистически значимым. Fтабл = (α, k₁, k₂)

О качестве нелинейного уравнения можно судить также, используя ошибку аппроксимации, которая вычисляется аналогично линейной функции.

Пример.

Поэтому отбор факторов обычно осуществляется в 2 стадии:

1. Подбираются факторы, исходя из сущности проблемы;

2. На основе матрицы показателей корреляции определяют факторы для параметров регрессии. Корреляция между объясняющими переменными позволяет исключить из модели дублирующие факторы.

Считается, что 2 переменные явно коллинеарны (находятся между собой в линейной зависимости), если парныйкоэф-т корреляции между ними больше 0,7. r_XiXj>0,7.

Если факторы явно коллинеарны, то один из них дублирует другого, а значит, один из них надо исключить из модели. Предпочтение при этом отдаётся не фактору, тесно связанному с результатом, а фактору, который при достаточно тесной связи с результатом имеет наименьшую тесноту связи с другими факторами.

Пример. Пусть матрица коэф-в парной корреляции оказалась следующей:

	У	Х₁	Х₂	Х₃
У
Х₁	0,8
Х₂	0,7	0,6
Х₃	0,8	0,5	0,2

y=f(х₁, х₂, х₃).

Оставляем тот фактор, который менее тесно связан с результатом – х₂. Убираем х₁.

(Excel- анализ данных – корреляция – матрица корреляции).

При наличии мультиколлинеарности факторов, т.е. когда более, чем 2 фактора, связаны между собой линейной связью, имеет место совокупное воздействие факторов друг на друга. Наличие мультиколлинеарности означает, что некоторые факторы будут всегда действовать в унисон, в результате вариация исходных данных не будет являться независимой, а следовательно, нельзя будет оценить воздействие каждого фактора в отдельности. Наличие мультиколлинеарности приводит к следующим последствиям:

1. Затрудняется интерпретация параметров множественной регрессии, они теряют экономический смысл;

2. Оценки параметров ненадёжны, обнаруживаются большие стандартные ошибки, что делает модель непригодной для анализа и прогнозирования.

Для оценки мультиколлинеарности факторов используют определитель матрицы парных коэф-в корреляции между факторами. Если бы факторы не коррелировали между собой, то матрица парных коэф-в была бы единичной, т.к. все диагональные коэф-ты были бы равны 0.

Пусть нам дано уравнение регрессии следующего вида:

y=a+b₁x₁+b₂x₂+b₃x₃

1-матрица

∆_r= = =1

Если наоборот – между факторами существует полная линейная зависимость, то и все коэф-ты корреляции будут равны единице, т.е. (матрица 2)

∆_r= =0

и её определитель будет равен 0. Следовательно, чем ближе к 0 определитель матрицы межфакторной корреляции, тем сильнее мультиколлинеарность факторов и ненадёжнее результаты множественной регрессии (мультиколлинеарность – это плохо =)).

Чем ближе к 1 – тем меньше мультиколлинеарность факторов.

Существует ряд подходов преодоления сильной межфакторной корреляции. Самый простой путь – убрать из модели один или несколько факторов. 2ой подход связан с преобразованием факторов, при котором уменьшается корреляция между ними.Существует много способов отбора факторов в модель. Наибольшее применение получили следующие:

1. Метод исключения – рассматривается полный набор факторов, а потом отсеиваются факторы из полного набора.

2. Метод включения – дополнительное введение факторов.

3. Шаговый регрессионный анализ –исключение ранее введённого фактора.

При отборе факторов рекомендуется пользоваться следующим правилом: число включаемых факторов в 6-7 раз должно быть меньше объёма совокупности, по которой строится регрессия. Если это соотношение нарушается, то число степеней свободы остаточной дисперсии очень мало. Это приводит к тому, что уравнение регрессии оказывается статистически незначимым, т.е. F-критерий меньше табличного значения.