· standardvead võivad olla nihkega. 1. eeldus: mudel on lineaarne parameetrite suhtes Lineaarsus regressorite suhtes Lineaarne regressorite suhtes: regressorid X esinevad mudelis vaid Eristada tuleb · lineaarsus regressorite suhtes; astmes 1. Ei ole liikmeid, kus x 2 , x , ln x . Graafikuks sirge. · lineaarsus parameetrite suhtes. Näiteks yi b1 b2 x2i b3 x3i ui Kui mudel ei ole lineaarne regressorite suhtes, aga on lineaarne
väike (standardviga liiga suur) Multikollineaarsus (parameetrite standardvigade hinnangud tulevad suured) Vabadusastmete arv n-k liiga väike. Tunnuste arv liiga suur ja valimi maht väike (valimi maht vähemalt 2 korda suurem kui tunnuste summa) 35) Klassikalise lineaarse mudeli eeldused (loeng 3) mudel on lineaarne parameetrite suhtes, vaatluste arv ei tohi olla väiksem kui hinnatavate parameetrite arv (n>=k), regressori väärtused valimis ei tohi olla ühesugused, regressorid ei tohi olla lineaarselt sõltuvad, Regressorid X on eksogeensed: regressorite X väärtused on fikseeritud või sõltumatud juhuslikest liikmetest, eeldus: juhuslike liikmete keskväärtus peab olema 0, Homoskedastiivsus, Cov(ui , uj )=0, jääkliikmete autokorrelatsiooni puudumine, juhuslike liikmed peavad alluma normaaljaotusele, Aegread peavad olema statsionaarsed. 36) Regressorite suhtes lineaarne mudel Regressorid X esinevad mudelis vaid astmes 1
väike. • Soovitatav, et parameetrite arv k on oluliselt väiksem valimi mahust n. 35. Klassikalise lineaarse mudeli eeldused. 1. Eeldus: mudel on lineaarne parameetrite suhtes Eristada tuleb: • lineaarsus regressorite suhtes; • lineaarsus parameetrite suhtes. 2. Eeldus: vaatluste arv ei tohi olla väiksem kui hinnatavate parameetrite arv 3. Eeldus: regressori väärtused valimis ei tohi olla ühesugused 4. Eeldus: regressorid ei tohi olla lineaarselt sõltuvad 5. Eeldus: regressorid X on eksogeensed 6. Eeldus: juhuslike liikmete keskväärtus peab olema 0 7. Eeldus: Homoskedastiivsus 8. Eeldus Cov(ui , uj )=0, jääkliikmete autokorrelatsiooni puudumine 9. eeldus: juhuslike liikmed peavad alluma normaaljaotusele 10. Aegread peavad olema statsionaarsed! 36. Regressorite suhtes lineaarne mudel Kui mudel ei ole lineaarne regressorite suhtes, aga on lineaarne parameetrite suhtes, saab seda lineariseerida ning parameetrite hindamiseks kasutada harilikku
annaabi.ee 
