До сих пор мы умели строить доверительные интервалы для отдельных параметров и их линейных комбинаций. Например, для (beta _1) или суммы (beta _1+5beta _2).
Иногда нужно построить доверительный интервал для нелинейного по параметрам выражения. Например, в полиномиальной модели (y_i=beta _1+beta _2x_i+beta _3x_i^2+varepsilon _i) нам может быть интересен доверительный интервал для вершины параболы, то есть для (frac{-beta _2}{2beta _3}).
Асимптотическая теория позволяет решить эту задачу при помощи так называемого дельта-метода1. Опишем его.
Пусть у нас есть некоторая состоятельная и асимптотически нормальная оценка параметра, то есть:
(sqrt nleft(widehat {beta }-beta right)underset{rightarrow }{d}xi ,) где (xi Nleft(0,mathit{var}left(xi right)right).)
Или, иными словами, величина (widehat {beta }) имеет асимптотически нормальное распределение с математическим ожиданием (beta ) и дисперсией (frac{vmathit{ar}left(xi right)} n).
Какое распределение имеет функция от этой оценки (gleft(widehat {beta }right))?
Чтобы ответить на этот вопрос, вспомним разложение функции в ряд Тейлора в окрестности точки (x_0):
begin{equation*} fleft(xright)=fleft(x_0right)+f’left(x_0right)left(x-x_0right)+oleft(xright),text{ }text{ }xrightarrow x_0 end{equation*}
Применим это разложение к функции от нашей оценки параметра:
begin{equation*} gleft(widehat {beta }right)=gleft(beta right)+g’left(beta right)left(widehat {beta }-beta right)+o(widehat {beta }) end{equation*}
begin{equation*} gleft(widehat {beta }right)-gleft(beta right)=g’left(beta right)left(widehat {beta }-beta right)+o(widehat {beta }) end{equation*}
begin{equation*} sqrt nleft(gleft(widehat {beta }right)-gleft(beta right)right)=g’left(beta right)sqrt nleft(widehat {beta }-beta right)+sqrt nast o(widehat {beta }) end{equation*}
Так как (sqrt nleft(widehat {beta }-beta right)underset{rightarrow }{d}xi ,) где (xi N(0,sigma ^2)), то
begin{equation*} sqrt nleft(gleft(widehat {beta }right)-gleft(beta right)right)underset{rightarrow }{d}g’left(beta right)xi end{equation*}
По свойству дисперсии
begin{equation*} mathit{var}left(g’left(beta right)xi right)=left(g’left(beta right)right)^2ast mathit{var}left(xi right) end{equation*}
Следовательно,
begin{equation*} sqrt nleft(gleft(widehat {beta }right)-gleft(beta right)right)underset{rightarrow }{d}Nleft(0,g’left(beta right)^2ast mathit{var}left(xi right)right) end{equation*}
Поэтому случайная величина (gleft(widehat {beta }right)) будет иметь асимптотически нормальное распределение с математическим ожиданием (gleft(beta right)) и дисперсией (g’left(beta right)^2ast mathit{var}left(xi right)/n).
На практике величина (mathit{var}left(xi right)) неизвестна, но для целей построения асимптотического доверительного интервала можно заменить её оценкой.
Чтобы понять, как работает дельта-метод, рассмотрим модель парной регрессии (y_i=beta _1+beta _2x_i+varepsilon _i), для которой выполнены все предпосылки линейной модели со стохастическим регрессором из параграфа 6.2. Построим доверительный интервал для функции от оценки коэффициента при переменной (gleft(widehat {beta _2}right)).
В параграфе 6.4 мы доказали, что
begin{equation*} sqrt nleft(widehat {beta _2}-beta _2right)underset{rightarrow }{d}Nleft(0,frac{mathit{var}(left(x_i-mu _xright)varepsilon _i)}{left(mathit{var}left(x_iright)right)^2}right) end{equation*}
Следовательно, в обозначениях данного приложения:
begin{equation*} mathit{var}left(xi right)=frac{mathit{var}(left(x_i-mu _xright)varepsilon _i)}{left(mathit{var}left(x_iright)right)^2} end{equation*}
Таким образом, случайная величина (gleft(widehat {beta _2}right)) будет иметь асимптотически нормальное распределение с математическим ожиданием (gleft(beta _2right)) и дисперсией (g’frac{left(beta _2right)^2ast mathit{var}(left(x_i-mu _xright)varepsilon _i)}{left(mathit{var}left(x_iright)right)^2ast n}). Отметим, что дробь в последнем произведении — это просто дисперсия МНК-оценки коэффициента при переменной, так как в конце параграфа 6.4 мы доказали, что:
begin{equation*} mathit{var}left(widehat {beta _2}right)=frac{mathit{var}(left(x_i-mu _xright)varepsilon _i)}{left(mathit{var}left(x_iright)right)^2ast n}. end{equation*}
Поэтому случайная величина (gleft(widehat {beta _2}right)) будет иметь асимптотически нормальное распределение с математическим ожиданием (gleft(beta _2right)) и дисперсией (g’left(beta _2right)^2ast mathit{var}left(widehat {beta _2}right)).
Заменим в последнем выражении неизвестные случайные величины их оценками и получим оценку дисперсии (gleft(widehat {beta _2}right)), которая будет равна: (g’left(widehat {beta _2}right)^2ast mathit{var}left(widehat {beta _2}right)). Если извлечь из этой величины корень, то получим соответствующую стандартную ошибку:
begin{equation*} sqrt{g’left(widehat {beta _2}right)^2ast mathit{var}left(widehat {beta _2}right)}=g’left(widehat {beta _2}right)ast mathit{se}left(widehat {beta _2}right) end{equation*}
95-процентный асимптотический доверительный интервал для величины (gleft(beta _2right)) будет иметь вид:
begin{equation*} left(gleft(widehat {beta _2}right)-1,96ast g’left(widehat {beta _2}right)ast mathit{se}left(widehat {beta _2}right),gleft(widehat {beta _2}right)+1,96ast g’left(widehat {beta _2}right)ast mathit{se}left(widehat {beta _2}right)right). end{equation*}
Аналогичным образом могут быть построены доверительные интервалы и для коэффициентов в модели множественной регрессии.
Пример 6.6. Применение дельта-метода для парной регрессии
Оценка параметров модели при помощи МНК позволила получить следующие результаты:
begin{equation*} widehat y_i=underset{(0,2)}{2,3}+4,underset{(0,1)}{0}x_i end{equation*}
Постройте 95-процентный асимптотический доверительный интервал для величины (left(beta _2right)^3).
Решение:
begin{equation*} left(gleft(widehat {beta _2}right)-1,96ast g’left(widehat {beta _2}right)ast mathit{se}left(widehat {beta _2}right),gleft(widehat {beta _2}right)+1,96ast g’left(widehat {beta _2}right)ast mathit{se}left(widehat {beta _2}right)right) end{equation*}
begin{equation*} left(left(widehat {beta _2}right)^3-1,96ast 3ast left(widehat {beta _2}right)^2ast mathit{se}left(widehat {beta _2}right),left(widehat {beta _2}right)^3+1,96ast 3ast left(widehat {beta _2}right)^2ast mathit{se}left(widehat {beta _2}right)right) end{equation*}
begin{equation*} left(4^3-1,96ast 3ast 4^2ast 0,1,4^3+1,96ast 3ast 4^2ast 0,1right) end{equation*}
begin{equation*} left(54,6,73,4right) end{equation*}
***
Полученный нами результат может быть обобщен и на многомерный случай:
Теорема о дельта-методе.
Если
1. (sqrt nleft(widehat {beta }-beta right)underset{rightarrow }{d}xi ) (где (xi ) — случайный вектор),
2. (gleft(xright)) — вектор непрерывно дифференцируемых функций в окрестности точки (beta ),
то
begin{equation*} sqrt nleft(gleft(widehat {beta }right)-gleft(beta right)right)underset{rightarrow }{d}Gleft(beta right)^Txi , end{equation*}
(Gleft(xright)) — это матрица частных производных функций из вектора (gleft(xright)). Число строк в этой матрице равно длине вектора (widehat {beta }), а число столбцов — вектора (gleft(xright)).
В частности, если (xi Nleft(overrightarrow 0,Vright)), то
begin{equation*} sqrt nleft(gleft(widehat {beta }right)-gleft(beta right)right)underset{rightarrow }{d}Nleft(overrightarrow 0,Gleft(beta right)^Tmathit{VG}left(beta right)right) end{equation*}
Примечание: здесь значок T означает транспонирование.
- В русскоязычной литературе он также иногда называется методом построения доверительного интервала со стабилизацией дисперсии. ↵
Теория по эконометрике
Оценка влияния факторов на зависимую переменную (коэффициенты эластичности, бета–коэффициенты, дельта–коэффициенты)
Для экономического анализа уравнения регрессии используют:
1. Средний коэффициент эластичности
.
Он показывает, на сколько процентов изменяется в среднем Y при увеличении только фактора Xj на один процент.
2. С помощью бета-коэффициентов
можно упорядочить факторы по степени их влияния на Y: больший модуль бета-коэффициента соответствует более сильному влиянию.
3. Дельта–коэффициент
показывает долю влияния фактора Xj на результат Y в суммарном влиянии всех факторов, включенных в модель (где — коэффициент корреляции между Xj и Y).
Продолжение примера 3. По приведенным формулам были рассчитаны коэффициенты эластичности, бета- и дельта–коэффициенты:
Фактор |
j |
j |
j |
X1 |
0,892 |
0,571 |
0,532 |
X2 |
0,242 |
0,243 |
0,082 |
X3 |
— |
0,429 |
0,386 |
Видно, что при увеличении числа легких «грузовиков» на 1 % чистая годовая прибыль возрастает в среднем на 0,892 %, а при увеличении числа тяжелых «грузовиков» на 1 % — в среднем на 0,242 %. Интерпретация коэффициента эластичности фиктивных переменных лишена смысла.
По бета–коэффициентам видно, что изменение числа легких «грузовиков» наиболее сильно влияет на изменение прибыли.
В суммарном влиянии на прибыль доля влияния числа легких «грузовиков» составляет 53,2 %, тяжелых — 8,2 %, формы собственности 38,6 %.
Коэффициент
эластичности модели парной регрессии.
Для многих эконометрических задач
требуется рассчитывать средний
коэффициент эластичности для сравнительной
оценки влияния независимой переменной
на зависимую в разных моделях парной
регрессии. Общая формула для определения
коэффициента эластичности:
где
—
производная от функциональной зависимости,
описывающей регрессию;
— выборочное среднее значение независимой
переменной;
— выборочное среднее значение зависимой
переменной.
Средний
коэффициент эластичности показывает,
на сколько процентов в среднем по
совокупности изменится результат у от
своего среднего значения при изменении
фактора х на 1 % от своего среднего
значения.
Для
сопоставления факторов по степени их
влияния на зависимую переменную
применяются частные коэффициенты
эластичности Δ и
— коэффициенты.
Частный
коэффициент эластичности рассчитывается
по соотношению:
.
Частный
коэффициент эластичности показывает,
на сколько процентов изменится зависимая
переменная y при изменении j-го фактора
на 1 %. Данный коэффициент не учитывает
степень колеблемости факторов. Для
этого рассчитываются
— коэффициенты:
,
где
,
.
—
коэффициент показывает, на какую часть
величины среднего квадратического
отклонения σy
изменится зависимая переменная Y с
изменением соответствующей независимой
переменной xj на величину своего среднего
квадратического отклонения при
фиксированном на постоянном уровне
значении остальных независимых
переменных.
Долю
влияния фактора в суммарном влиянии
всех факторов можно оценить по величине
дельта-коэффициента.
,
Где
— коэфф корреляции, оценивающий тесноту
взаимосвязи j-того
фактора xj
с результатом y.
,
j=1,m
Стандартизованная
форма модели множественной регрессии.
Стандартизованные переменные
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]
- #
- #
- #
- #
- #
13.03.201631.43 Mб31Часть1.pdf
- #
- #
- #
- #
- #
- #
1 / 1 / 0 Регистрация: 14.05.2017 Сообщений: 21 |
|
1 |
|
Дельта-метод14.05.2017, 19:28. Показов 2426. Ответов 4
В зарубежной литературе часто в задачах и доказательствах по статистике и эконометрике применяют дельта-метод, кто-нибудь может объяснить, что это такое или сослаться на какой-нибудь учебник на русском языке, где этот метод хорошо разъяснен, только, пожалуйста, не на википедию.
0 |
23 / 23 / 3 Регистрация: 05.02.2017 Сообщений: 207 |
|
15.05.2017, 02:21 |
2 |
Вторая ссылка в гугле. Судя по всему, литературы полно.
0 |
1 / 1 / 0 Регистрация: 14.05.2017 Сообщений: 21 |
|
08.06.2017, 12:55 [ТС] |
3 |
Литературы то полно, но везде написано слишком сложно для меня (математизировано)
0 |
1944 / 1054 / 160 Регистрация: 06.12.2012 Сообщений: 4,633 |
|
08.06.2017, 14:01 |
4 |
0 |
1 / 1 / 0 Регистрация: 14.05.2017 Сообщений: 21 |
|
08.06.2017, 20:03 [ТС] |
5 |
Спасибо, но к сожалению этот файл не подходит: http://studopedia.ru/13_58568_… dachi.html Дельта-метод — эта метод, который помогает получить асимптотическую нормальность для нелинейных функций.
0 |
IT_Exp Эксперт 87844 / 49110 / 22898 Регистрация: 17.06.2006 Сообщений: 92,604 |
08.06.2017, 20:03 |
Помогаю со студенческими работами здесь Дельта модуляция Получить дельта X Сигма-дельта АЦП Дельта функция Дирака Искать еще темы с ответами Или воспользуйтесь поиском по форуму: 5 |