Визуально убедиться о гетероскедастичности

Линейная регрессия. Часть 1.

Скрипт в R для этого примера. Данные для этого примера.

5.4. Выявление гетероскедастичности

Методы обнаружения гетероскедастичности: тест ранговой корреляции Спирмена, тест Глейзера, тест Голдфелда — Квандта. Имеется информация о поступлении доходов в консолидированный бюджет Санкт-Петербурга млрд. Известны данные в у. Выдвигается предположение, что средняя заработная плата наемных рабочих пропорциональна их стажу. Для анализа данного утверждения обследуется по 20 рабочих восьми категорий стажа. Получены следующие статистические данные табл.

Часть II. Модель множественной регрессии
Часть II. Модель множественной регрессии
Последствия гетероскедастичности.
Пять предположений множественной линейной регрессии
Тема 3.4. Гетероскедастичность (1 занятие)

Прежде чем обратиться к теме множественной линейной регрессии, давайте вспомним, что было сделано до сих пор. Возможно, будет полезно посмотреть эти уроки, чтобы освежить знания. В рамках сегодняшнего занятия мы с нуля построим несколько алгоритмов множественной линейной регрессии. Прежде чем обратиться к практике, обсудим некоторые теоретические вопросы регрессионного анализа. Как мы уже знаем , множество всех имеющихся наблюдений принято считать генеральной совокупностью population. И эти наблюдения, если в них есть взаимосвязи, можно теоретически аппроксимировать, например, линией регрессии.

Множественная линейная регрессия. Часть 1. | Оптимизация
Часть II. Модель множественной регрессии
Часть II. Модель множественной регрессии
Выявление гетероскедастичности
Последствия гетероскедастичности.

При невыполнимости предпосылки постоянства дисперсий отклонений гомоскедастичность последствия применения МНК будут следующими. Оценки не будут эффективными то есть они не будут иметь наименьшую дисперсию по сравнению с другими оценками данного параметра. Они не будут даже асимптотически эффективными. Увеличение дисперсии оценок снижает вероятность получения максимально точных оценок.

Похожие статьи