- •Тема 1. Природа эконометрики
- •1.1. Общие понятия эконометрических моделей
- •1. 2. Типы эконометрических моделей
- •1. 3. Типы данных
- •Тема 2. Корреляционный анализ в эконометрических исследованиях
- •2.1. Функциональная, статистическая и корреляционная зависимости
- •2.2. Понятие о двумерном корреляционном анализе
- •2.3. Понятие о многомерном корреляционном анализе
- •2.4. Ранговая корреляция
- •Тема 3. Регрессионный анализ в эконометрических исследованиях
- •3.1. Задача регрессионного анализа
- •3.2. Идентификация модели регрессии
- •3.3. Линейная парная регрессия и оценка параметров
- •3.4. Проверка значимости параметров линейной парной регрессии
- •3.5. Интервалы прогноза по линейному уравнению регрессии
- •3.6. Нелинейная регрессия
- •3.7. Корреляционное отношение и индекс корреляции
- •3.8. Множественный регрессионный анализ
- •4.9. Ковариационная матрица и ее выборочная оценка
- •4.10. Определение доверительных интервалов для коэффициентов и функции множественной регрессии
- •4.11. Мультиколлинеарность
- •Тема 5. Методы и модели анализа динамики экономических процессов
- •5.1. Понятия экономических рядов динамики
- •5.2. Предварительный анализ динамических рядов экономических показателей
- •5.3. Сглаживание динамических рядов
- •4.3. Расчет показателей динамики развития эконометрических процессов
- •4.4. Тренд-сезонные экономические процессы и их анализ
- •Тема 5. Модели прогнозирования экономических процессов
- •5.7. Трендовые модели на основе кривых роста
- •5.2. Оценка адекватности и точности трендовых моделей
- •5.3. Прогнозирование экономической динамики на основе трендовых моделей
- •5.4. Адаптивные модели прогнозирования
- •Лучшая модель ар(1,1)
- •Характеристика остатков
- •Тема 8. Системы взаимозависимых эконометрических моделей
- •8.1. Особенности систем взаимозависимьех моделей
- •8.2. Формы представления систем взаимозависимых эконометрических моделей
- •8.3. Косвенный метод оценки коэффициентов структурной формы систем взаимозависимых эконометрических моделей
- •8.4. Оценивание параметров структурной формы на основе двухшагового мнк с использованием инструментальных переменных
- •1. На первом шаге конструируются новые значения зависимых
- •2. На втором шаге значения используются вместо значений
- •8.5. Оценки параметров системы взаимозависимых эконометрических моделей с использованием трехшагового мнк
3.6. Нелинейная регрессия
Соотношения между социально-экономическими явлениями и процессами далеко не всегда можно выразить линейными функциями, так как при этом могут возникать неоправданно большие ошибки. В таких случаях используют нелинейную регрессию. Таким образом, если между экономическими явлениями существуют нелинейные соотношения, то они выражаются с помощью соответствующих нелинейных функций: например, равносторонней гиперболы , параболы второй степени и др.
Различают два класса нелинейных регрессий:
• регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам;
• регрессии, нелинейные по оцениваемым параметрам. Примером нелинейной регрессии по включаемым в нее объясняющим переменным могут служить следующие функции:
полином второй степеней,
полином третьей - ;
равносторонняя гипербола .
К нелинейным регрессиям по оцениваемым параметрам относятся функции:
степенная ;
показательная ;
экспоненциальная .
Нелинейная регрессия по включенным переменным не таит каких-либо сложностей в оценке ее параметров. Она определяется, как и в линейной регрессии, методом наименьших квадратов (МНК), ибо эти функции линейны по параметрам. Так. в параболе второй степени
.
заменяя переменные , , получим двухфакторное уравнение линейной регрессии:
.
для оценки параметров которого, как будет показано в гл. 3, используется МНК.
Соответственно для полинома третьего порядка
,
при замене , получим трехфакторную модель линейной регрессии:
,
а для полинома го порядка
,
получим линейную модель множественной регрессии с k объясняющими переменными:
.
Следовательно, полином любого порядка сводится к линейной регрессии с ее методами оценивания параметров и проверки гипотез. Как показывает опыт большинства исследователей, среди нелинейной полиномиальной регрессии чаще всего используется парабола второй степени; в отдельных случаях — полином третьего порядка. Ограничения в использовании полиномов более высоких степеней связаны с требованием однородности исследуемой совокупности: чем выше порядок полинома, тем больше изгибов имеет кривая и соответственно менее однородна совокупность по результативному признаку.
Парабола второй степени целесообразна к применению, если для определенного интервала значений фактора меняется характер связи рассматриваемых признаков: прямая связь меняется на обратную или обратная на прямую. В этом случае определяется значение фактора, при котором достигается максимальное (или минимальное) значение результативного признака: приравниваем к нулю первую производную параболы второй степени:
, т. е. и
Если же исходные данные не обнаруживают изменения направленности связи, то параметры параболы второго порядка становятся трудно интерпретируемыми, а форма связи часто заменяется другими нелинейными моделями.
Применение МНК для оценки параметров параболы второй степени приводит к следующей системе нормальных уравнений:
(3.33)
Решают эту систему тем или другим способами получают числовые значения неизвестных параметров .
Пример 3.3. По данным табл. 13.4 исследовать зависимость урожайности зерновых культур Y (ц/га) от количества осадков Х (см), выпавших в вегетационный период.
№ п/п |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
13 |
14 |
15 |
Количество осадков (см) |
25 |
27 |
30 |
35 |
36 |
38 |
39 |
41 |
42 |
45 |
46 |
47 |
50 |
52 |
53 |
Урожайность (ц/га) |
23 |
24 |
27 |
27 |
32 |
31 |
33 |
35 |
34 |
32 |
29 |
28 |
25 |
24 |
25 |
Решение. Из качественных соображений можно предположить, что увеличение количества выпавших осадков приводит к увеличению урожайности до некоторого предела, после чего урожайность будет снижаться. Поэтому можно предположить, что наиболее подходящим уравнением регрессии будет уравнение параболы
.
При и кривая симметрична относительно высшей точки т. е. точки перелома кривой, изменяющей направление а именно рост на падение. Такого рода функцию можно наблюдать в экономике труда при изучении зависимости заработной платы работников физического труда от возраста — с увеличением возраста повышается заработная плата ввиду одновременного увеличения опыта и повышения квалификации работника. Однако с определенного возраста ввиду старения организма и снижения производительности труда дальнейшее повышение возраста может приводить к снижению заработной платы работника. Если параболическая форма связи демонстрирует сначала рост, а затем снижение уровня значений результативного признака, то определяется значение фактора, при котором достигается максимум. Так, предполагая, что потребление товара А (единиц) в зависимости от уровня дохода семьи (тыс. руб.) характеризуется уравнением вида . Приравнивая к нулю первую производную
, найдем величину дохода, при которой потребление максимально, т. е. при тыс. руб.
При и парабола второго порядка симметрична относительно своей низшей точки, что позволяет определять минимум функции в точке, меняющей направление связи, т. е. снижение на рост. Так, если в зависимости от объема выпуска продукции затраты на производство характеризуются уравнением , то наименьшие затраты достигаются при выпуске продукции ед., т. е..
В этом можно убедиться, подставляя в уравнение значения х.
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 | |
800 |
782 |
768 |
758 |
752 |
750 |
752 |
758 |
Ввиду симметричности кривой парабола второй степени далеко не всегда пригодна в конкретных исследованиях. Чаще исследователь имеет дело лишь с отдельными сегментами параболы, а не с полной параболической формой. Кроме того, параметры параболической связи не всегда могут быть логически истолкованы. Поэтому если график зависимости не демонстрирует четко выраженной параболы второго порядка (нет смены направленности связи признаков), то она может быть заменена другой нелинейной функцией, например степенной. В частности, в литературе часто рассматривается парабола второй степени для характеристики зависимости урожайности от количества внесенных удобрений. Данная форма связи мотивируется тем, что с увеличением количества внесенных удобрений урожайность растет лишь до достижения оптимальной дозы вносимых удобрений. Дальнейший же рост их дозы оказывается вредным для растения, и урожайность снижается. Несмотря на несомненную справедливость данного утверждения, следует отметить, что внесение в почву минеральных удобрений производится на основе учета достижений агробиологической науки. Поэтому на практике часто данная зависимость представлена лишь сегментом параболы, что и позволяет использовать другие нелинейные функции. В качестве примера рассмотрим табл. 3.3.
Таблица 3.3
Зависимость урожайности озимой пшеницы от количества внесенных удобрений
№ п\п |
Внесено удобрений, ц на 1 га, |
Урожайность, ц с1 га, | ||||||
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
1 2 3 4 5 |
1 2 3 4 5 |
6 9 10 12 13 |
1 4 9 16 25 |
1 8 27 64 125 |
1 16 81 256 625 |
6 18 30 48 65 |
6 36 90 192 325 |
6,2 8,5 10,4 11,9 13,0 |
15 |
50 |
55 |
225 |
979 |
167 |
649 |
50,0 |
Поданным табл. 3.3 система нормальных уравнений составит:
Решая ее методом определителей, получим: . Откуда параметры искомого уравнения составят: == 3,4; =2,986; 0,214, а уравнение параболы второй степени примет вид
.
Подставляя в это уравнение последовательно значения х, найдем теоретические значения (см. табл. 3.3, гр. 9).
Как видно из табл. 3.3, уравнение параболы второго порядка хорошо описывает рассматриваемую зависимость. Сумма квадратов отклонений остаточных величин . Ввиду того, что данные табл. 3.3 демонстрируют лишь сегмент параболы второго порядка, то рассматриваемая зависимость может бытьохарактеризована и другой функцией. Используя, в частности, степенную функцию , было получено уравнение регрессии . Для него, что означает еще лучшую сходимость фактических и расчетных значенийy.
Среди класса нелинейных функций, параметры которых без особых затруднений оцениваются МНК, следует назвать хорошо известную в эконометрике равностороннюю гиперболу: .
Она может быть использована не только, как уже указывалось в параграфе (3.2), для характеристики связи удельных расходов сырья, материалов, топлива с объемом выпускаемой продукции, времени обращения товаров от величины товарооборота, т.е. на микроуровне, но и на макроуровне. Классическим ее примером является кривая Филлипса, характеризующая нелинейное соотношение между нормой безработицы x и процентом прироста заработной платы у:
.
Английский экономист А. В. Филлипс, анализируя данные более чем за 100-летний период, в конце 50-х гг. XX в. установил обратную зависимость процента прироста заработной платы от уровня безработицы.
Для равносторонней гиперболы вида №№, заменив , заменив на z, получим линейное уравнение регрессии оценка параметров которого может быть дана МНК. Система нормальных уравнений составит:
. (3.34)
При > 0 имеем обратную зависимость, которая при характеризуется нижней асимптотой, т. е. минимальным предельным значением у, оценкой которого служит параметр a. Так, для кривой Филипса
величина параметра a, равная 0,00679, означает, что с ростом уровня безработицы темп прироста заработной платы в пределе стремится к нулю. Соответственно можно определить тот уровень безработицы, при котором заработная плата оказывается стабильной и темп ее прироста равен нулю.
При < 0 имеем медленно повышающуюся функцию с верхней асимптотой при , т. е. с максимальным предельным
уровнем у, оценку которого в уравнении дает пара метр .
Примером может служить взаимосвязь доли расходов на товары длительного пользования и общих сумм расходов (или доходов). Математическое описание подобного рода взаимосвязей получило название кривых Энгеля. В 1857 г. немецкий статистик Э. Энгель на основе исследования семейных расходов сформулировал закономерность — с ростом дохода доля доходов, расходуемых на продовольствие, уменьшается. Соответственно с увеличением дохода доля доходов, расходуемых на непродовольственные товары, будет возрастать. Однако это увеличение не беспредельно, ибо на все товары сумма долей не может быть больше единицы, или 100%, а на отдельные непродовольственные товары этот предел может характеризоваться величиной параметра а для уравнения вида
,
где у — доля расходов на непродовольственные товары;
х — доходы (или общая сумма расходов как индикатор дохода).
Правомерность использования равномерной гиперболы для кривой Энгеля довольно легко доказывается.
Соответственно можно определить границу величины дохода, дальнейшее увеличение которого не приводит с росту доли расходов на отдельные непродовольственные товары.
Вместе с тем равносторонняя гипербола не является единственно возможной функцией для описания кривой Энгеля. В 1943 г. Уоркинг и в 1964 г. Лизер для этих целей использовали полулогарифмическую кривую .
Заменив наz, опять получим линейное уравнение: . Данная функция, как и предыдущая, линейна по параметрам и нелинейна по объясняющей переменной х. Оценка параметров и может быть найдена МНК. Система нормальных уравнений при этом окажется следующей:
(3.35)
Применим полулогарифмическую функцию зависимости доли расходов на товары длительного пользование в общих расходах семьи от дохода семьи
(табл. 3.4).
Таблица 3.4
Доля расходов на товары длительного пол в зависимости от дохода семьи
Среднемесячный доход семьи, тыс. долл. США, x |
1 |
2 |
3 |
4 |
5 |
6 |
Процент расходов на товары длительного пользования, y |
10 |
13,4 |
15,4 |
16,5 |
18,6 |
19,1 |
Суммы, необходимые для расчета, составили:
.
Решая систему нормальных уравнений
мы получили уравнение регрессии , которое достаточно хорошо описывает исходные соотношения дохода семьи и доли расходов на товары длительного пользования, что видно из сравнения фактических и теоретических значений у:
|
9,9 |
13,4 |
15,5 |
17,0 |
18,1 |
19,1 |
Сумма |
y |
0,1 |
0,0 |
-0,1 |
-0,5 |
0,5 |
0,0 |
0,0 |
|
0,01 |
0,0 |
0,01 |
0,25 |
0,25 |
0,0 |
0,52* |
*При более точном подсчете эта величина составит 0,4864. |
Возможны и иные модели, нелинейные по объясняющим переменным. Например, . Соответственно система нормальных уравнений для оценки параметров составит:
. (3.36)
Уравнения с квадратными корнями использовались в исследованиях урожайности, трудоемкости сельскохозяйственного производства. В работе Н. Дрейпера и Г. Смита справедливо отмечено, что если нет каких-либо теоретических обоснований в использовании данного вида кривых, то основная цель подобных преобразований состоит в том, чтобы для преобразованных переменных получить более простую модель регрессии, чем для исходных данных.
Иначе обстоит дело с регрессией, нелинейной по оцениваемым параметрам. Данный класс нелинейных моделей подразделяется на два типа: нелинейные модели внутренне линейные и нелинейные модели внутренне нелинейные. Если нелинейная модель внутренне линейна, то она с помощью соответствующих преобразований может быть приведена к линейному виду. Если же нелинейная модель внутренне нелинейна, то она не может быть сведена к линейной функции. Например, в эконометрических исследованиях при изучении эластичности спроса от цен широко используется степенная функция:
где спрашиваемое количество;
цена;
случайная ошибка.
Данная модель нелинейна относительно оцениваемых параметров, ибо включает параметры а и b не аддитивно. Однако ее можно считать внутренне линейной, ибо логарифмирование данного уравнения по основанию е приводит его к л шейному виду:
.
Соответственно оценки параметров a и b пут быть найдены МНК. В рассматриваемой степенной функции предполагается, что случайная ошибка е мультипликативно связана с объясняющей переменной х. Если же модель представить в виде то она становится внутренне нелинейной, ибо ее невозможно превратить в линейный вид.
Внутренне нелинейной будет и модель вила
или модель
,
ибо эти уравнения не могут быть преобразованы в уравнения, линейные по коэффициентам.
В специальных исследованиях по регрессионному анализу часто к нелинейным относят модели, только внутренне нелинейные по оцениваемым параметрам, а все другие модели, которые внешне нелинейные, но путем преобразований параметров могут быть приведены к линейному виду, относятся к классу линейных моделей. В этом плане к линейным относят, например, экспоненциальную модель , ибо логарифмируя ее по натуральному основанию, получим линейную форму модели
.
Если модель внутренне нелинейна по параметрам, то для оценки параметров используются итеративные процедуры, успешность которых зависит от вида уравнений и особенностей применяемого итеративного подхода. Модели внутренне нелинейные по параметрам могут иметь место в эконометрических исследованиях. Однако гораздо большее распространение получили модели, приводимые к линейному виду. Решение такого типа моделей реализовано в стандартных пакетах прикладных программ. Среди них, в частности, можно назвать и обратную модель вида
Обращая обе части равенства, получим линейную форму модели для переменной :
Среди
нелинейных функций, которые могут быть
приведены к
линейному виду, в эконометрических
исследованиях очень широко
используется степенная функция
.
Связано
это с тем, что параметр
в
ней имеет четкое экономическое
истолкование,
т. е. он является коэффициентом
эластичности.
Это значит, что
величина коэффициента
показывает,
на сколько процентов изменится в среднем
результат, если фактор изменится на 1
%. Так,
если зависимость спроса от цен
характеризуется уравнением вида
,
то, следовательно, с увеличением цен на
1 % спрос снижается в среднем на 1,12 %. О
правомерности подобного истолкования
параметра
для
степенной функцииможно судить, если рассмотреть формулу
расчета коэффициента
эластичности
где первая производная, характеризующая соотношение приростов результата и фактора для соответствующей формы связи.
Для степенной функции она составит: . Соответственно коэффициент эластичности окажется равным:
Коэффициент эластичности, естественно, можно определять и при наличии других форм связи, но только для степенной функции он представляет собой постоянную величину, равную параметру . В других функциях коэффициент эластичности зависит от значений фактора х. Так, для линейной регрессии функция и эластичность следующие:
и
В силу того что коэффициент эластичности для линейной функции не является величиной постоянной, а зависит от соответствующего значения х, то обычно рассчитывается средний показатель эластичности по формуле
Для оценки параметров степенной функции применяется метод наименьших квадратов к линеаризованному уравнению, т.е. решается система нормальных уравнений:
Параметр определяется непосредственно из системы, а параметр — косвенным путем после потенцирования величины . Так, решая систему нормальных уравнений зависимости спроса от цен, было получено уравнениеЕсли потенцировать его, получим:
Поскольку параметр экономически не интерпретируется, то нередко зависимость записывается в виде логарифмически линейной. В виде степенной функции изучается не только эластичность спроса, но и предложения. При этом обычно эластичность спроса характеризуется параметром < 0, а эластичность предложения: > 0.
Поскольку коэффициенты эластичности представляют экономический интерес, а виды моделей не ограничиваются только степенной функцией, приведем формулы расчета коэффициентов эластичности для наиболее распространенных типов уравнений регрессии (табл. 3.5).
Таблица 3.5
Коэффициенты эластичности для ряда математических функций
Вид функции, |
Первая производная, |
Коэффициенты эластичности, |
Линейная | ||
Парабола второго порядка |
|
|
Гипербола |
|
|
Показательная |
|
|
Степенная |
|
|
Полулогарифмическая |
|
|
Логарифмическая
|
|
|
Обратная
|
|
|
Несмотря на широкое использование в эконометрике коэффициентов эластичности, возможны случаи, когда их расчет экономического смысла не имеет. Это происходит тогда, когда для рассматриваемых признаков бессмысленно определение изменения значений в процентах. Например, вряд ли кто будет определять, на сколько процентов может измениться заработная плата с ростом стажа работы на 1 %. Или, например, на сколько процентов изменится урожайность пшеницы, если качество почвы, измеряемое в баллах, изменится на 1 %. В такой ситуации степенная функция, даже если она оказывается наилучшей по формальным соображениям (исходя из наименьшего значения остаточной вариации), не может быть экономически интерпретирована. Например, изучая соотношение ставок межбанковского кредита у (в процентах годовых) и срока его предоставления х (в днях), было получено уравнение регрессии с очень высоким показателем корреляции (0,9895). Коэффициент эластичности 0,352% лишен смысла, ибо срок предоставления кредитане измеряется в процентах. Значительно больший интерес для этой зависимости может представить линейная функция , имеющая более низкий показатель корреляции 0,85. Коэффициент регрессии 0,403 показывает в процентных пунктах изменение ставок кредита с увеличением срока их предоставления на один день.
В моделях, нелинейных по оцениваемым параметрам, но приводимых к линейному виду, МНК применяется к преобразованным уравнениям. Если в линейной модели и моделях, нелинейных по переменным, при оценке параметров исходят из критерия , то в моделях, нелинейных по оцениваемымпараметрам, требование МНК применяется не к исходным данным результативного признака, а к их преобразованным величинам, т. е. . Так, в степенной функции МНК применяется к преобразованному уравнению.
Это значит, что оценка параметров основывается на минимизации суммы квадратов отклонений в логарифмах.
.
Соответственно если в линейных моделях (включая нелинейные по переменным) , то в моделях, нелинейных пооцениваемым параметрам,
.
Вследствие этого оценка параметров для линеаризуемых функций МНК оказываются несколько смещенной.
Возьмем, например, показательную кривую: или равносильную ей экспоненту . Прологарифмировав, имеем:
.
Применяя МНК, минимизируем . Система нормальных уравнений составит:
Из первого уравнения видно, что
Предположим, что фактические данные сложились так, что . Тогда или , т. е. параметр представляет собой среднюю геометрическую из значений переменной у. Между тем в линейной зависимости при параметр
т. е. средней арифметической. Поскольку средняя геометрическая всегда меньше средней арифметической, то и оценки параметров, полученные из минимизации , будут несколько смещены (занижены).
Практическое применение экспоненты возможно, если результативный признак не имеет отрицательных значений. Поэтому если исследуется, например, финансовый результат деятельности предприятий, среди которых наряду с прибыльными есть и убыточные, то данная функция не может быть использована. Если экспонента строится как функция выравнивания по динамическому ряду для характеристики тенденции с постоянным темпом, то , где у — уровни динамического ряда; t - хронологические даты, параметр b означает средний за период коэффициент роста. В уравнении этот смысл приобретает величина антилогарифма параметра .
При исследовании взаимосвязей среди функций, использующих , в эконометрике преобладают степенные зависимости — это и кривые спроса и предложения, и кривые Энгеля, и производственные функции, и кривые освоения для характеристики связи между трудоемкостью продукции и масштабами производства в период освоения выпуска нового вида изделий, и зависимость валового национального дохода от уровня занятости.
В отдельных случаях может использоваться и нелинейная модель вида
так называемая обратная модель, являющаяся разновидностью гиперболы. Но если в равносторонней гиперболе преобразованию подвергается объясняющая переменная и. то для по. В результате обратная модель оказывается внутренне нелинейной и требование МНК выполняется не для фактических значений признака у, а для их обратных величин , а именно:
Соответственно
.
Проанализируем зависимость рентабельности продукции от ее трудоемкости по данным семи предприятий (табл. 3.6).
Таблица 3.6
Зависимость рентабельности продукции y (%) от ее
трудоемкости x ()
x |
y |
|
|
|
|
|
|
|
1,0 |
32 |
0,0312 |
0,0312 |
1,00 |
0,0285 |
35,1 |
0,0027 |
-3,1 |
1,2 |
28 |
0,0357 |
0,0428 |
1,44 |
0,0341 |
29,3 |
0,0016 |
-1,3 |
1,5 |
22 |
0,0455 |
0,0682 |
2,25 |
0,0424 |
23,6 |
0,0031 |
-1,6 |
2,0 |
20 |
0,0500 |
0,1000 |
4,00 |
0,0563 |
17,7 |
-0,0063 |
2,3 |
2,5 |
16 |
0,0625 |
0,1563 |
6,25 |
0,0703 |
14,2 |
-0,0078 |
1,8 |
2,7 |
15 |
0,0667 |
0,1800 |
7,29 |
0,0758 |
13,2 |
-0,0091 |
1,8 |
3,0 |
10 |
0,1000 |
0,3000 |
9,00 |
0,0842 |
11,9 |
0,0158 |
-1,9 |
13,9 |
143 |
0,3916 |
0,8785 |
31,23 |
0,3936 |
145,0 |
0,0000 |
-2,0 |
Для оценки параметров исследуемой функции по МНК система нормальных уравнений примет вид:
Исходя из данных табл. 2.6, имеем:
Решая эту систему уравнений, получим оценки параметров искомой функции: = 0,0007; = 0,0278. Соответственно уравнение регрессии составит:
Сравним последние две графы табл. 2.6. Получим , тогда как для обратных значений эта величина равна нулю. Кроме того, заметим, что положительные отклонения фактических и теоретических обратных значений сменяются на отрицательные значения для аналогичных показателей по исходным данным. Уравнение отражает обратную связь рассматриваемых признаков: чем выше трудоемкость, тем ниже рентабельность. Поскольку данное уравнение линейно относительно величин , то если обратные значенияимеют экономический смысл, коэффициент регрессии интерпретируется, так же как в линейном уравнении регрессии. Если, например, под y подразумеваются затраты на 1 руб. продукции, а под х — производительность труда (выработка продукции на одного работника), то обратная величина характеризует затратоотдачу и параметр имеет экономическое содержание — средний прирост продукции в стоимостном измерении на 1 руб. затрат с ростом производительности труда на единицу своего измерения.
Уравнение вида характеризует прямую зависимостьрезультативного признака от фактора. Оно целесообразно при очень медленном повышении уровней результативного признака с ростом значений фактора.
Возможно и одновременное использование логарифмирования, и преобразование в обратные величины: Прологарифмировав, получим: . Далее заменимнаz, и тогда для оценки параметров к линейному уравнению может быть применен МНК.
При всех положительных значениях х функция возрастает; при кривая имеет точку перегиба — ускоренный рост при сменяется на замедленный рост при . Подобного типа функции используются при анализе статистических данных о бюджетах потребителей, где выдвигается гипотеза о существовании асимптотического уровня расходов, об изменении предельной склонности к потреблению товара, о существовании «порогового уровня дохода». В этом случае при .
При использовании линеаризуемых функций, затрагивающих преобразования зависимой переменной у, следует особенно проверять наличие предпосылок
МНК (они будут рассмотрены в п. 3, 10), чтобы они не нарушались при преобразовании. При не линейных соотношениях рассматриваемых признаков, приводимых к линейному виду, возможно интервальное оценивание параметров нелинейной функции. Так, для показательной кривой сначала строятся доверительные интервалы для параметров нового преобразованного уравнения , т. е. для и. Далее с помощью обратного преобразования определяются доверительные интервалы для параметров в исходном соотношении. В степенной функции доверительный интервал для параметра b строится так же. как в линейной функции, т. е. . Отличие состоит лишь в том. что при определении стандартной ошибки параметра b, используются не исходные данные, а их логарифмы:
(2.28)