Основные теоретические сведения. Линейные модели обычно применяются для анализа простых взаимосвязей между экономическими показателями

Линейные модели обычно применяются для анализа простых взаимосвязей между экономическими показателями. Однако в ряде случаев экономические соотношения имеют более сложный характер и их представление в виде линейной зависимости не всегда возможно, а часто и не корректно.

Однако часто нелинейные связи между объясняющими и объясняемой переменной можно с помощью определенных преобразований свести к линейным.

К таким нелинейным связям в частности относятся:

1. Нелинейные регрессии относительно объясняющих переменных Х_i, но линейные по оцениваемым параметрам _i :

а) Y = ₀ + ₁ Х + ₂ Х² + …+ _m Х^m + - степенной полином;

б) Y = ₀ + ₁ + - равносторонняя гипербола.

2. Регрессии нелинейные по оцениваемым параметрам _i :

а) Y = А - показательная функция;

б) Y = A - степенная функция;

в) Y = - экспоненциальная функция.

Нелинейности первого вида приводятся к линейным регрессиям с помощью преобразования объясняющих переменных (введением новых переменных).

Пример

Y = ₀ + ₁ Х + ₂ Х² + … Y = ₀ + ₁ Х₁^* + ₂ Х₂^* + …+ _m Х^m + , (3.1)

где Х₁^* = Х; Х₂^* = Х², …, Х_m^* = Х^m.

Y = ₀ + ₁ + Y = ₀ + ₁ Х^* + , (3.2)

где Х^* = .

Оценка коэффициентов осуществляется по уравнению (3.1) с использованием метода МНК оценки для множественной линейной регрессии.

Выражение (3.2) соответствует парной линейной регрессии.

Нелинейности второго вида приводятся к линейным с помощью операции логарифмирования.

Пример

В качестве примера рассмотрим производственную функцию Кобба –Дугласа

Y = A , (3.3)

где Y – объем производства; К – затраты капитала; L – затраты труда; - случайное возмущение; ₁, ₂ – коэффициенты частной эластичности объема производства Y по затратам капитала К и труда L; A – постоянный коэффициент.

Логарифмируя обе части уравнения (3.3) для i – го наблюдения, получим

ln y_i = ln A + ₁ ln K_i + ₂ ln L_i + ln _i . (3.4)

Переобозначив переменные в (3.4)

y_i^* = ln y_i ; Х_1i = ln K_i ; Х_2i = ln L_i ; ₀ = ln A; = ln _i ,

получим

y_i^* = ₀ + ₁ Х_1i + ₂ Х_2i + (3.5)

Для выборки объема n в матричной форме уравнение (3.5) запишется в виде

, (3.6)

где = (y₁^* , y₂^* ,…, y_n^* )^T ; В = ( ₀ , ₁ , ₂ )^Т ;

.

Таким образом, алгоритм оценки параметров нелинейной регрессии состоит из предварительного преобразования нелинейной модели к линейной и оценки ее параметров обычным образом с использованием МНК. После чего осуществляются обратные преобразования и возврат к исходному нелинейному уравнению. Для нелинейной регрессии значимость уравнения в целом характеризуется также, как и в линейной регрессии с помощью коэффициента детерминации

= 1 – (1 – R²) , (3.7)

где . (3.8)

В (3.8) определяется по исходному нелинейному уравнению регрессии.

Примечание. Значимость коэффициентов регрессии осуществляется по линеаризованному уравнению. Поэтому, если в линеаризованном уравнении присутствует не b_i , а ln b_i , тогда Т-статистика этого параметра будет:

Т_bi = ,

и характеризует значимость не самого коэффициента b_i , а его логарифма.

При описании статистической зависимости между экономическими переменными различными функциональными соотношениями выбор наилучшей модели осуществляется следующим образом. Выбираются уравнения с наибольшими значениями . Если таких уравнений несколько (примерно с одинаковыми значениями ), то выбирается модель, у которой наименьшая или наименьшая остаточная дисперсия