Головна | Про нас | Зворотній зв'язок
В теорії вимірювань відомі два основних уявлення про вимірювання:
• вимір розуміється як співвідношення кількості об'єктів, що описуються деякої змінної з безліччю позначок, і виражається теорією співвіднесення, що представляє собою теорію шкал;
• вимір розуміється як співвідношення змінної, безпосередньо ненаблюдаемой (латентної), зі значеннями безпосередньо спостерігається змінної (індикатора). У цьому випадку основна проблема полягає в знаходженні зв'язку індикатора з латентною змінною.
Пошук вимірювача досліджуваної ознаки може проходити в трьох напрямках:
• вибір показника, який може служити індикатором досліджуваної ознаки (латентний);
• визначення функціональної залежності значення досліджуваної ознаки від значень спостережуваних ознак;
• побудова системи ознак, що характеризує досліджуваний ознака.
Які допустимі перетворення на кожній шкалі вимірювання?
Відправною точкою конструювання вимірювача є постулат про об'єктивне існування закономірностей у внутрішніх і зовнішніх зв'язках об'єктів.
Основною базою даних для економетричних досліджень є дані офіційної статистики або дані бухгалтерського обліку. Таким чином, проблеми економічного вимірю- вання - це проблеми статистики та обліку.
У чому полягають помилки специфікації моделей?
До помилок специфікації буде ставитися не тільки неправильний вибір тієї чи іншої математичної функції. але і недооблік в рівнянні регресії якого-небудь істотного
фактора, т. е. використання парної регресії в місце множинної. Так, попит на конкретний товар може визначатися і ціною, і доходом на душу населення.
Поряд з помилками специфікації можуть мати місце помилки вибірки, оскільки дослідник найчастіше працює з вибірковими даними при встановленні закономірного зв'язку
між ознаками. Помилки вибірки мають місце і в силу неоднорідності даних у вихідній статистичної сукупності, що, як правило, буває при вивченні економічних процесів.
Якщо сукупність неоднорідна, то рівняння регресії не має практичного сенсу. Для отримання хорошого результату зазвичай виключають із сукупності одиниці з аномальними
значеннями досліджуваних ознак. І в цьому випадку результати регресії є вибіркові характеристики.
Використання тимчасової інформації також є вибіркою з усього безлічі хронологічних дат. Змінивши часовий інтервал, можна отримати інші результати регресії.
Поясніть сенс коефіцієнта регресії, назвіть способи його оцінювання покажіть, як він використовується для розрахунку мультиплікатора в функції споживання
Проста регресія є модель, де середнє значення залежної (що пояснюється) змінної у розглядається як функція однієї незалежної (пояснює) змінної X, тобто це модель виду
Множинна регресія є модель, де середнє значення залежної (що пояснюється) змінної у розглядається як функція кількох незалежних (об'ясняю-
щих) змінних x1. x2. тобто це модель виду
В першу чергу з усього кола факторів, що впливають на результативну ознаку, необхідно виділити найбільш істотно впливають фактори. Парна регресія достатня, якщо є домінуючий фактор, який і використовується в якості пояснюватиме змінної. Припустимо, висувається гіпотеза про те, що величина попиту у на товар А перебуває в зворотній залежності від ціни x, тобто. # 374; x = a - b * x .B цьому випадку потрібно знати, які інші чинники передбачаються незмінними, можливо, в подальшому їх доведеться врахувати в моделі і від простої регресії перейти до множинної.
Що таке число ступенів свободи і як воно визначається для факторної і залишкової сум квадратів?
При побудові регресійних моделей можуть використовуватися як лінійні (# 374; = а + b1 X1 + b2 X2 + bр Xр) так і нелінійні функції, наприклад # 374; = А * X b 1 + 1 * X b 2 + 2 * X bp p. У більшості стандартних пакетів прикладних програм передбачена процедура перетворення нелінійних функцій в лінійні. В результаті дослідник працює з лінійної моделлю, побудованої за перетвореним даними. Так, якщо модель залежності попиту від ціни представлена ступеневою функцією у = а * x b * # 949 ;. то прологаріфміровав, отримуємо модель лінійного виду: In y = In a + b In x + In # 949 ;. але вже не для вихідних х иу, а для їх логарифмів.
Цим пояснюється те увагу, яку приділяє розгляду саме лінійної регресії як основним видом регресійних моделей. Крім того, варіація змінних х і у може бути вельми обмежена, і реальний ефект нелінійності їх зв'язку може не виявитися. Це ще один аргумент на користь лінійних моделей. Наприклад, ясно, що надмірне внесення добрив може призвести не до зростання, а до зниження врожайності, але фактично подібна ситуація малоймовірна. Так що якщо теоретично ми повинні висловити залежність врожайності від добрив як y = bx + cx 2 + # 949;