Нелинейные модели регрессии

Если между экономическими явлениями существуют нелинейные соотношения, то они выражаются с помощью соответствующих нелинейных функций. В общем случае линейное уравнение выглядит так, что каждый объясняющий элемент, за исключением постоянной величины, записан в виде произведения переменной и коэффициента у = a + b₁х₁ + b₂х₂ +...

Уравнения вида у = a + и у=a х ^b являются нелинейными.

Отсюда различают два класса нелинейных регрессий:

1) регрессии, нелинейные относительно включенных в анализ объясняющих переменных, но линейные по оцениваемым параметрам. Примером этого класса моделей могут служить полиномы разных степеней у = а + вх + сх²; у = а + вх + сх²+ dх³, а также равносторонняя гипербола у = в + а/х.

2) нелинейные регрессии по оцениваемым параметрам:

- степенная у = а х^в

- показательная у = а в^х

- экспоненциальная у = е ^{а+ вх}.

Первый класс моделей (нелинейных по 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 у = а + вх + сх², заменяя переменные х₁=х, а х₂=х², получаем двухфакторное уравнение линейной регрессии у = а + вх₁ + сх₂. Полином любого порядка сводится к линейной регрессии с ее методами оценивания параметров.Для равносторонней гиперболы мы можем заменить 1/х на z и получим линейное уравнение регрессии, оценка параметров которого может быть дана МНК.

Иначе обстоит дело со вторым классом моделей, то есть с регрессией, нелинейной по оцениваемым параметрам. Данный класс нелинейных моделей можно разделить на два типа:

а) нелинейные модели внутренне линейные,

б) нелинейные модели внутренне нелинейные.

Если модель внутренне линейна, то она с помощью соответствующих преобразований может быть приведена к линейному виду. Пример – степенная функция у = а х^в. Данная модель нелинейна относительно оцениваемых параметров, так как включает параметры а и в не аддитивно. Однако ее можно считать внутренне линейной, ибо логарифмирование данного уравнения приводит его к линейному виду.

Соответственно оценки параметров а и в могут быть найдены МНК.

Внутренне нелинейной будет модель вида у = а + вх^с, так как ее невозможно превратить в линейный вид никакими преобразованиями переменных.

Например, если у=a х ^b, то log y = log a + logx ^b и = log a + b log x.

Если обозначить у¹ = log (y), z = log x и a ¹ = log a, то уравнение можно переписать в следующем виде: у ¹ = a¹ + b z

Коэффициент эластичности

Степенная функция используется в эконометрических исследованиях очень широко. Связано это с тем, что параметр b в ней имеет четкое экономическое истолкование, то есть он является коэффициентом эластичности. Это значит, что величина коэффициента b показывает, на сколько процентов изменится в среднем результат, если фактор изменится на 1%.

Формула расчета коэффициента эластичности (не знаю, надо или нет, на всякий случай): Э= .

где - первая производная, характеризующая соотношение приростов результата и фактора для соответствующей формы связи.

В силу того, что для линейной функции коэффициент эластичности не является величиной постоянной, а зависит от соответствующего значения х, то обычно рассчитывается средний показатель эластичности по формуле: .

Корреляция для нелинейной регрессии.

Уравнение нелинейной регрессии, так же как и в линейной зависимости, дополняется показателем тесноты связи, а именно – индексом корреляции: , где -общая дисперсия результативного признака; - остаточная дисперсия.

Величина данного показателя находится в пределах от нуля до единицы. Чем он ближе к единице, тем теснее связь рассматриваемых признаков, тем более надежно найденное уравнение регрессии.

Парабола второй степени, как и полином более высокого порядка, при линеаризации принимает вид уравнения множественной регрессии. Если же нелинейное относительно объясняющей переменной уравнение регрессии при линеаризации принимает форму линейного уравнения парной регрессии, то для оценки тесноты связи может быть использован линейный коэффициент корреляции, величина которого совпадет с индексом корреляции.

Иначе обстоит дело, когда преобразование уравнения в линейную форму связаны с зависимой переменной. В этом случае линейный коэффициент корреляции по преобразованным значениям признаков дает лишь приближенную оценку тесноты связи и численно не совпадает с индексом корреляции.