Eredu Lineal Sinplea: Oinarriak, Hipotesiak eta Doikuntza Neurriak

Tecnología Industrial3,19 KB

Eredu lineal sinplea: β̂₂ = (E(YX) − T·X̄·Ȳ) / (E(X²) − T·X̄²). β̂₁ = Ȳ − β̂₂·X̄. β̂_OLS = (XᵗX)⁻¹XᵗY. R² = KAB/KTB.

Oinarrizko hipotesiak

a) Perturbazioari buruzkoak

  1. Perturbazioaren batez bestekoa zero da.
  2. Homoszedastizitatea, Var(uₜ) = E(uₜ²) − (E(uₜ))² = E(uₜ²) = σ²_u, eta ez-autokorrelazioa, Cov(uₜ, uₛ) = E(uₜuₛ) − E(uₜ)E(uₛ) = E(uₜuₛ) = 0.
    Var-Cov(U) = σ²_u · I.
  3. Perturbazioek banaketa normala jarraitzen dute: uₜ ~ N(0, σ_u), U ~ N(0, σ²_u · I).

b) Aldagai exogenoei buruzkoak

  1. Aldagai exogenoak finkoak dira laginketan.
  2. limT→∞ (XᵗX / T) = Q.
  3. Rangoa(X) = k < T, hau da, h(X) = k eta k < T.

c) Hipotesi orokorrak

  1. Ez dago egitura-aldaketarik.
  2. Eredu lineala edo linealizagarria da.
  3. Eredua ondo zehaztuta dago.

Laginaren erregresio funtzioaren propietateak

  1. Erregresio zuzena batez besteko puntutik pasatzen da.
  2. Hondarren batura zero da (Σû = 0).
  3. Batez bestekoen berdintasuna: Ȳ = Ŷ̄.
  4. Aldagai exogenoen eta hondarren arteko kobariantza zero da: Cov(X, û) = E(Xû) − T·X̄·ū / T = E(Xû) / T = 0.
  5. Aldagai endogenoaren estimazioaren eta hondarren arteko kobariantza zero da: Cov(Ŷ, û) = (E(Ŷû) − T·Ŷ̄·ū) / T = 0.

Doikuntzaren egokitasun neurriak

  • KTB (Karratu Totalen Batura): Σ(Y − Ȳ)² = Y aldagaiaren aldakuntza osoa.
  • KAB (Karratu Azaldutako Batura): Σ(Ŷ − Ȳ)² = Y aldagaiaren aldakuntza eredu bidez azaldua.
  • HKB (Hondar Karratuen Batura): Σû² = erregresioaren ondoren azaldu gabe geratzen dena.

Deskonposaketa: KTB = KAB + HKB.

Mugatze koefizientea: R² = KAB/KTB = 1 − HKB/KTB. X₂-ren eta X₃-ren aldakuntzek Y-ren aldakuntzaren ehuneko jakin bat azaltzen dute; beraz, eredua ... da.

Mugatze koefiziente zuzendua: R̄² = 1 − ((T − 1)/(T − k))(1 − R²).

  1. Ereduak parametro bakarra duenean: R̄² = R².
  2. Ereduak parametro bat baino gehiago duenean: R̄² ≤ R².
  3. R² < (k − 1)/(T − 1) denean, R̄² < 0.

Aldagai aleatorioen banaketak

  • U ~ N(0, σ²_u · I)
  • β̂_OLS ~ N(β, σ²_u (XᵗX)⁻¹)
  • Y ~ N(Xβ, σ²_u · I)
  • Ŷ ~ N(Xβ, σ²_u · X(XᵗX)⁻¹Xᵗ)
  • û ~ N(0, σ²_u · M)

Oinarrizko definizioak: Var(x) = E(x²) − (E(x))². Bektore kasurako: Var-Cov(β̂) = E[(β̂ − E(β̂))(β̂ − E(β̂))ᵗ]. E(u) = 0, E(u²) = σ²_u, E(uuᵗ) = σ²_u · I.

Gauss-Markov-en teorema: Var-Cov(β̂) = σ²_u (XᵗX)⁻¹. Cov(β̂, U) = σ²_u (XᵗX)⁻¹Xᵗ. Var(û) = HKB / (T − k).

Propietate gehigarriak: Var(k) edo Cov(k) = 0 (k konstantea bada). Var(x + y) = Var(x) + Var(y) + 2Cov(x, y). Cov(x, x) = Var(x). Cov(x, y + z) = Cov(x, y) + Cov(x, z). EstimatzailearenErrore Karratu Medio (EKM): EKM(β̂) = [E(β̂) − β]² + Var(β̂).

Descargar

PDF Word HTML