Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Введение в регрессионный анализ и планирование регрессионных экспериментов в экономике

Покупка
Основная коллекция
Артикул: 117800.06.01
Доступ онлайн
от 260 ₽
В корзину
Частному лицу
Бумажная книга
1 318 ₽
Купить
Купить в составе основной коллекции от 1 490 ₽
Книга посвящена нормальному регрессионному анализу, включая классическую регрессионную модель и ее обобщения на случай коррелированных измерений, моделей неполного ранга, ортогональных и т.д. Рассмотрены такие статистические задачи, как оценка параметрических функций, построение доверительных интервалов и проверка гипотез. Изложены также алгоритмы построения оптимальных и рациональных планов измерений в различных ситуациях и по различным критериям. Для студентов, аспирантов и научных работников экономических и экономико-математических специальностей.

Регрессионный анализ в экономике: от основ к планированию эксперимента

Введение в регрессионный анализ и планирование регрессионных экспериментов в экономике представляет собой учебное пособие, предназначенное для студентов экономических специальностей. Книга охватывает широкий спектр вопросов, начиная с классической регрессионной модели и заканчивая методами планирования эксперимента.

Классическая регрессионная модель и ее обобщения

Основное внимание уделяется нормальному регрессионному анализу. Рассматривается классическая регрессионная модель, включающая оценку параметров и параметрических функций, построение доверительных интервалов и проверку гипотез. Особое внимание уделяется свойствам оценок, таким как состоятельность, несмещенность, оптимальность и нормальность. Рассматриваются обобщения классической модели, включая модели с коррелированными измерениями, моделями неполного ранга и ортогональными моделями.

Доверительные множества и критерии проверки гипотез

В книге подробно рассматриваются задачи построения доверительных интервалов и областей для одномерных и многомерных параметрических функций, а также для скалярных и векторных параметров. Особое внимание уделяется взаимосвязи между доверительными множествами и критериями проверки гипотез. Рассматриваются критерии проверки гипотез для одной регрессионной модели и для двух регрессионных моделей, что позволяет анализировать и сравнивать различные экономические процессы.

Методы планирования эксперимента

В заключительной части книги рассматриваются вопросы планирования регрессионных экспериментов. Обсуждаются различные критерии оптимальности планов, включая D-оптимальные, A-оптимальные, G-оптимальные и другие. Рассматриваются методы построения оптимальных планов, такие как метод Бокса и метод Федорова. Особое внимание уделяется применению ортогональных полиномов Чебышева для упрощения анализа и планирования экспериментов. Рассматриваются различные типы факторных планов, включая полные и дробные факторные планы, а также двухуровневые планы.

Примеры и задачи

Книга содержит большое количество примеров и задач, иллюстрирующих теоретические положения и демонстрирующих практическое применение регрессионного анализа в экономике. Рассмотрены примеры, охватывающие различные аспекты регрессионного анализа, от простейших моделей до более сложных случаев. Примеры сопровождаются подробными решениями, что позволяет читателям лучше понять материал и научиться применять полученные знания на практике.

Текст подготовлен языковой моделью и может содержать неточности.

117
177
Соколов, Г. А. Введение в регрессионный анализ и планирование регрессионных экспериментов в экономике : учебное пособие / Г. А. Соколов, Р. В. Сагитов. — Москва : ИНФРА-М, 2022. — 202 с. — (Высшее образование: Магистратура). - ISBN 978-5-16-003646-5. - Текст : электронный. - URL: https://znanium.ru/catalog/product/1836638 (дата обращения: 19.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
ВВЕДЕНИЕ 
В РЕГРЕССИОННЫЙ АНАЛИЗ 
И ПЛАНИРОВАНИЕ 
РЕГРЕССИОННЫХ ЭКСПЕРИМЕНТОВ 
В ЭКОНОМИКЕ
Рекомендовано Учебно-методическим объединением 
по образованию в области экономики и экономической теории 
в качестве учебного пособия для студентов 
высших учебных заведений, обучающихся по направлению 
38.03.01 «Экономика« и экономическим специальностям
Москва
ИНФРА-М 
2022
УЧЕБНОЕ ПОСОБИЕ
Г.А. СОКОЛОВ 
Р.В. САГИТОВ


УДК  519(075.8)
ББК  22.172я73
 
С59
Соколов Г.А.
Введение в регрессионный анализ и планирование 
регрессионных экспериментов в экономике : учебное пособие / Г.А. Соколов, Р.В. Сагитов. — Москва : ИНФРА-М, 
2022. — 202 с. — (Высшее образование: Магистратура).
ISBN 978-5-16-003646-5
Книга посвящена нормальному регрессионному анализу, включая классическую регрессионную модель и ее обобщения на случай коррелированных измерений, моделей неполного ранга, ортогональных и т.д. 
Рассмотрены такие статистические задачи, как оценка параметрических 
функций, построение доверительных интервалов и проверка гипотез.
Изложены также алгоритмы построения оптимальных и рациональных 
планов измерений в различных ситуациях и по различным критериям.
Для студентов, аспирантов и научных работников экономических и 
экономико-математических специальностей.
УДК 519(075.8)
ББК 22.172я73
ISBN 978-5-16-003646-5 
© Г.А. Соколов, Р.В. Сагитов, 2010
С59
ФЗ 
№ 436-ФЗ
Издание не подлежит маркировке 
в соответствии с п. 1 ч. 4 ст. 11


ПРЕДИСЛОВИЕ
Данное учебное пособие представляет значительное расширение курса теории вероятностей и математической статистики в части регрессионного анализа, который читается студентам 
экономико-математического факультета РЭА им. Г.В. Плеханова 
с 1988 г. В этом смысле оно является продолжением учебников 
[21], [22].
При чтении лекций, проведении семинаров и написании книги широко использовались материалы пособий и монографий, 
указанные в списке литературы, более того, заимствованы некоторые схемы рассуждений, доказательства, примеры и задачи.
Книга включает пять глав. Первые четыре посвящены регрессионному анализу и его приложению в основном к экономическим процессам. В пятой кратко рассматриваются вопросы 
планирования регрессионных экспериментов. В целом объем 
книги соответствует чтению данного курса в течение семестра 
при четырех часах в неделю.
В первой главе рассматривается  k-факторная регрессионная 
модель в предположении, что:
а)  n  измерений независимы и нормально распределены с неизвестной априори дисперсией;
б)  план измерений является детерминированным и формируется исследователем.
Методом максимального правдоподобия вычисляются 
оценки всех параметров и параметрической функции, дается 
обоснование таких свойств, как состоятельность, (асимптотические) несмещенность, оптимальность и нормальность. 
В заключение кратко излагаются некоторые вычислительные 
процедуры.
Во второй главе результаты, полученные в первой, используются для решения таких задач математической статистики, как 
построение доверительных интервалов (областей) и двойственных им критериев проверки параметрических гипотез. При этом 
дается анализ одной регрессионной модели, а также совместный 
анализ двух регрессионных моделей.


Третья глава посвящена ряду обобщений классической регрессионной модели, в частности, рассматриваются особенности 
построения оценок в случае зависимых и повторных измерений. 
Значительное внимание уделяется регрессионным моделям, 
построенным на базе ортогональных полиномов Чебышева.
Первые пять параграфов четвертой главы содержат примеры, 
каждый из которых обладает своими специфическими особенностями, наиболее часто встречающимися в практике экономических исследований. Задачи, приведенныe в шестом параграфе, 
дополняют перечень задач в § 8.7 [21].
Первые четыре главы содержат также необходимые сведения 
для изучения вопросов планирования регрессионных экспериментов, которым посвящена последняя глава. В этой главе планирование подчинено трем целям: построению оптимальных 
оценок параметров и параметрических функций регрессионных 
моделей; оптимальному прогнозу функций регрессии, наконец, 
поиску значений факторов, максимизирующих функцию регрессии, искаженную помехами.
Все вспомогательные сведения из теории вероятностей, математической статистики, линейной алгебры вынесены в приложения.


СПИСОК СОКРАЩЕНИЙ 
И ОСНОВНЫХ ОБОЗНАЧЕНИЙ
а, А 
— стандартные обозначения произвольных 
 
 
величин (a^ — вектор, A^ — матрицa)
ГС  
—  генерирующее соотношение
ДИ  
—  доверительный интервал
ДНП 
— дискретный нормированный план
ДО 
— доверительная область
ДР 
— дробная реплика
ДУП 
— двухуровневый план
ДФП 
— дробный факторный план
ЛМИ 
— линейная модель измерений
МП-оценка  
—  оценка, полученная методом максимального 
 
 
правдоподобия
МПИ 
— матрица плана измерений
МПФ 
— матрица переменных функции регрессии
НД 
— нормированная дисперсия функции регрессии
НК(МНК)-оценка  —  оценка, полученная методом наименьших 
 
 
квадратов
ННП 
— непрерывный нормированный план
ОС 
— определяющее соотношение
ПФП 
— полный факторный план
РМ 
— регрессионная модель
РМИ 
— регрессионная модель измерений
СВ 
— случайная величина
ФРег 
— функция регрессии


ВВЕДЕНИЕ
Рассмотрим две случайные величины  ξ  и  η,  связанные соотношением
η = m(xˆ|aˆ) + ξ, 
(В.1)
где xˆ = (x1, x2, …, xs)′ — вектор основных факторов (регрессо 
ров, независимых переменных), влияющих на слу 
чайную величину η;
 
m(xˆ|aˆ) — условное математическое ожидание, или функция
 
регрессии (ФРег), которая предполагается известной
 
с точностью до параметров  aˆ = (a1, a2, …, ak);
 
ξ —  случайная величина (СВ) с  Mξ = 0  и  Dξ > 0,  кото 
рая может интерпретироваться или как суммарное
 
влияние на  η  множества малосущественных по срав 
нению с  xˆ  факторов, или как ошибка измерения
 
случайной величины  η.
Соотношение (В.1) называется регрессионной моделью (РМ). 
В настоящей книге предполагается, что  ξ  подчиняется нормальному закону распределения. В экономических исследованиях 
РМ используется в тех случаях, когда эффективность экономической операции (η) зависит от неслучайных факторов (х), например размер урожая — от количества вносимых удобрений и 
числа солнечных дней, производительность труда — от параметров технологического процесса, количество выплавленного за 
год чугуна — от «номера» года и т.п.
В общем случае функция регрессии  m(xˆ|aˆ)  нелинейна как 
по факторам, так и по параметрам, например:
m x a
a x
a
x
x
a x
(ˆ | ˆ)
.
=
+
+
1
1 1
3
3
4
2
2
e
Частными случаями ФРег общего вида являются:
• ФРег, нелинейные по факторам и линейные по параметрам
m
x a
m
x a
j
j
j
k
η(ˆ | ˆ)
(ˆ)
,
=
=∑
1
где, например,  m1(xˆ) = x1,  m2(xˆ) = x2,  m3(xˆ) = x1
2,  m4(xˆ) = x2
2, 
m5(xˆ) = x1x2,  m6(xˆ) = x1
2x2
2   или  mj(xˆ) = x j ,   j = 1, …, k;


• ФРег, линейные как по факторам, так и по параметрам
m
x a
a x
j
j
j
k
η(ˆ | ˆ)
.
=
=∑
1
 
(B.2)
Заметим, что в некоторых случаях более удобна нумерация 
индекса  j  от 0  до  k.  При этом полагают обычно  m0(xˆ) ≡ 1  или 
x0 ≡ 1.
Задача регрессионного анализа состоит в определении оценок параметров регрессионной модели, Dξ, параметрических 
функций π(cˆ) = cˆ′aˆ, где  cˆ = (с1, с2, …, сk)′ — вектор заданных 
констант, с последующим решением ряда задач математической статистики (построение доверительных интервалов и доверительных областей, проверка статистических параметрических 
гипотез и т.п.). Решение этих задач осуществляется по измерениям случайной величины  η:  η1, η2, …, ηn,  проведенным в 
точках  x1, x2, …, xn,  заданных исследователем. В результате получаем так называемую регрессионную модель измерений (РМИ)
η i = m(xˆi|aˆ) + ξi,     i = 1, 2, ..., n,      n > k, 
(В.3)
в частности,
η
ξ
i
j
j
j
i
j
k
m
x
a
=
+
=∑
(ˆ )
,
1
 
(В.4)
η
ξ
i
ij
j
i
j
k
x a
=
+
=∑
1
,  
(В.5)
где вектор ошибок измерений  ξˆ = (ξ1, ξ2, …, ξn)′  с некоррелированными компонентами подчинен нормальному закону распределения:
ξˆ = (ξ1, ξ2, …, ξn)′ ∈ N(0, σ2In),  
(В.6)
где In =
⎛
⎝
⎜
⎜
⎜
⎜
⎞
⎠
⎟
⎟
⎟
⎟
1
1
1

 — единичная (n × n)-матрица;
 
σ2 — остаточная дисперсия.


В этом случае  n-вектор  измерений также нормален:
(
, ...,
)
(ˆ | ˆ),
(ˆ | ˆ), ...,
(
η
η
η
1
2
1
2
n
N m x a
m x
a
m
′ ∈
ˆ | ˆ),
,
x
a
I
n
n
σ2
(
)  (B.7)
где xˆi = (xi1, xi2, …, xis),   i = 1, 2, …, n.
Регрессионная модель измерений (В.5), (В.6) называется 
классической.
В качестве обобщений РМИ (В.3)–(В.5) рассматриваются 
варианты:
• с многомерной функцией регрессии;
• с коррелированными ошибками измерений (ξ1, ξ2, …, ξn)′ ∈
∈ Nn(0, Kˆ), где ковариационная матрица  Kˆ = σ2Wˆ  (Wˆ – заданная положительно определенная симметричная матрица);
• с ограничениями на вектор  aˆ,  например:  Aˆaˆ ≤ bˆ,  где  Aˆ  —
(m × k)-матрица,  bˆ — m-вектор;
• с повторными измерениями в каждой точке xˆi,  i = 1, 2, …, n;
• неполного ранга, когда так называемый план измерений  Xˆ 
имеет ранг  r  меньше  s: 
ˆX
x
x
x
x
x
x
x
x
x
s
s
n
n
ns
=
⎛
⎝
⎜
⎜
⎜
⎜
11
12
1
21
22
2
1
2
 
 
 
 
 
 
 
⎞
⎠
⎟
⎟
⎟
⎟
;
• с ортогональной матрицей  Xˆ  и т.д.
Большинство из перечисленных обобщений сводится к 
к л а с с и ч е с к о й  РМ, поэтому именно она требует детального 
изучения.
 
„
Пример В.1
Пусть известны данные, характеризующие деловую активность акционерных обществ закрытого типа — прибыль  η  и 
затраты на 1 руб. произведенной продукции  x  (табл. В.1).
Т а б л и ц а   В.1
Прибыль η
1070
1001
789
779
606
221
Затраты на 1 руб. x
77
79
81
82
89
96
На рис. В.1 представлены результаты измерений и график 
оценки функции регрессии  mη
*(x|aˆ).


79      81      83       85      87      89      91       93      95       97      99
900
800
700
600
500
400
300
200
х
m(х|a^)
Рис. В.1
Если  m(x|aˆ) = a0 + a1x1,  то оценка  mη
* (x|aˆ) ≅ 415,4 − 41x 
(см. задачу 4.22).  ƒ
Вопросы вводного характера, относящиеся к планированию 
регрессионных экспериментов, рассмотрены в § 5.1.


Глава 1. КЛАССИЧЕСКАЯ 
РЕГРЕССИОННАЯ МОДЕЛЬ
§ 1.1. ПОСТРОЕНИЕ ОЦЕНОК 
ПАРАМЕТРИЧЕСКОЙ ФУНКЦИИ И ПАРАМЕТРОВ
Рассмотрим регрессионную модель измерений
η i = m(xˆi|aˆ) + ξi,     i = 1, 2, ..., n, 
(1.1.1)
где aˆ = (a1, a2, …, ak)′ — вектор параметров функции регрессии;
 
ˆX
x
x
x
x
x
x
x
x
x
s
s
n
n
ns
=
⎛
⎝
⎜
⎜
⎜
⎜
11
12
1
21
22
2
1
2
 
 
 
 
 
 
 
⎞
⎠
⎟
⎟
⎟
⎟
 — план измерений;
 
xˆi = (xi1, xi2, …, xis) — i-я строка плана измерений;
 
ξˆ = (ξ1, ξ2, …, ξn)′ ∈ N(0, σ2In) — вектор ошибок измерений.
Так как  ηi ∈ N(m(xˆi|aˆ), σ2), т.е. плотность распределения равна
p
a
i
i
i
i
m x a
η
η
σ
η
σ
σ
π
(
| ˆ,
)
( ˆ | ˆ)
2
2
1
2
2
2
=
−
−
(
)
e
 
(1.1.2)
и измерения некоррелированны, то функция правдоподобия случайного вектора  ηˆ = (η1, η2, …, ηn)′ и ее логарифм имеют вид
L
a
m x a
n
i
i
(ˆ | ˆ,
)
(
)
exp
(ˆ | ˆ)
η
σ
πσ
σ
η
2
2 2
2
1
2
1
2
=
−
−
(
)
2
1
2
2
2
2
i
n
L
a
n
n
=∑
⎧
⎨⎪
⎩⎪
⎫
⎬⎪
⎭⎪
= −
−
,
ln
(ˆ | ˆ,
)
ln
l
η
σ
π
n
(ˆ),
σ
σ
2
2
1
2
−
Q a
 
(1.1.3)
где
Q a
m x a
i
i
i
n
(ˆ)
(ˆ | ˆ)
=
−
(
)
=∑η
2
1
 
есть функция невязок (остатков), т.е. сумма квадратов отклонений измеренных значений  ηi  от истинных, но неизвестных 
m(xˆi|aˆ).


Доступ онлайн
от 260 ₽
В корзину
Частному лицу
Бумажная книга
1 318 ₽
Купить
Купить в составе основной коллекции от 1 490 ₽