Hinnangu mõjusus on asümptootiline omadus. Mõjusus iseloomustab koondumist suurte valimite korral. 10. Hinnangu asümptootiline jaotus. Asümptootiline jaotus näitab, millisele klassikalisele jaotusele läheneb hinnangu valimjaotus valimi mahu kasvamisel. Hinnang on asümptootiliselt normaaljaotusega, kui hinnangu valimjaotus läheneb valimi mahu kasvamisel normaaljaotusele. Asümptootilist jaotust kasutatakse parameetrite hinnangute standardvigade leidmisel. 11. Hinnangu asümptootiline efektiivsus. Mõjusat hinnangut nimetatakse asümptootiliselt efektiivseks (asymptotically efficient), kui selle asümptootilise jaotuse dispersioon on väiksem suvalise mõjusa asümptootiliselt normaaljaotusega hinnangu dispersioonist. 12. Hüpoteeside kontrollimine: otsuse vastuvõtmine, kui on antud teststatistiku empiiriline ja kriitiline väärtus
3. Esineb multikollineaarsus. Mitteolulised tunnused eemaldatakse ühekaupa mudelist: viiakse · Mudelisse võetud tunnused on omavahel tugevas korrelatsioonis, läbi uue mudeli hindamine ilma nende tunnusteta. ei ole sõltumatud. 3. Statistiliselt oluliste parameetrite märk (kas vastav tunnus · Parameetrite standardvigade hinnangud tulevad sel juhul suured. mõjutab funktsioontunnust positiivselt või negatiivselt). 4. Vabadusastmete arv n-k liiga väike, st kui tunnuste arv Märk ei tohi olla ebaloogiline! on suur ja valimi maht n väike. · Soovitatav, et parameetrite arv k on oluliselt väiksem valimi mahust n
determinatsioonikordaja sisu on paremini mõistetav, aga ei näita seose suunda. 26. Mudeli korrektne esitamine. Regressioonanalüüsi põhitulemuste esitamisel esitatakse ● parameetrite hinnangud; ● parameetrite standardvead; ● determinatsioonikordaja R2 ; ● valimi maht n (lugeja jaoks vajalik, kui soovib t-testi läbi viia) VARIANT 2: Mõnikord esitatakse parameetrite all sulgudes standardvigade asemel vastavad t-statistiku väärtused. See võimaldab lugejal neid kohe võrrelda vastava kriitilise väärtusega. VARIANT 3: Mõnikord esitatakse sulgudes vastavad olulisuse tõenäosused. Sellisel juhul ei pea lugeja arvutama kriitilist väärtust, võib kohe võrrelda olulisuse nivooga ja hinnata, kui võimsalt on mingi tunnuse mõju tõestatud. Variandid 2 ja 3 on vastuvõetavad vaid siis, kui huvi pakub vaid koefitsientide erinevus nullist. 27. Regressioon läbi nullpunkti.
Mida suurem korrigeeritud determinatsioonikordaja seda täpsem/parem mudel. Mudelite võrdlemiseks tunnuste lisamisel. Kui R suureneb uue tunnuse lisamisel, siis mudel paranes ja on õigustatud 34) Parameetrite mitteolulisuse võimalikud põhjused Tunnus ei sobi mudelisse Teoorias peaks tunnus mõjutama suurust Y ja mudelis olema, aga valimi maht liiga 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
· parameetrite hinnangud; Elektrienergia tarbimine (kWh aastas) Y, elanike sissetulek X (GBP) · parameetrite standardvead; · determinatsioonikordaja R2; · valimi maht n (lugeja jaoks vajalik, kui soovib t-testi läbi viia). y = b^ + a^ x + u R 2 = ... ( se(b)) ( se( a )) n = ... VARIANT 2: Mõnikord esitatakse parameetrite all sulgudes standardvigade asemel vastavad t-statistiku väärtused. See võimaldab lugejal neid kohe võrrelda vastava kriitilise väärtusega. VARIANT 3: Mõnikord esitatakse sulgudes vastavad olulisuse tõenäosused. Sellisel juhul ei pea lugeja arvutama kriitilist väärtust, võib kohe võrrelda olulisuse nivooga ja hinnata, kui võimsalt on mingi tunnuse mõju tõestatud. y = 274 + 1,68 x + ut R 2 = 0,588
. Mittetäieliku multikollineaarsuse korral kui muutujad on omavahelises tugevas korrelatsioonis(mitte täielikus), parameetrite hinnangud omavad suurt varieeruvust (standardhälve suur) ja kovariatsiooni, ning parameetrite hinnangud muutuvad ebastabiilseteks. Parameetri usalduspiirid muutuvad väga laiaks. Kõrge R 2 kuid mitteusaldusväärsed t-statistiku väärtused. Väke andmemahu muutus põhjustab parameetri hinnangute standardvigade olulisi muutusi. MULTIKOLLINEAARSUSE VÄHENDAMISE VÕIMALUSED: tugevalt korreleeruvate sõltumatute muutujate eemaldamine mudelist. Andmete täpsustamine ja teisendamine. Valimi muutmine. Peamiste komponentide meetodi eelnev kasutamine. Kantregressiooni eelnev kasutmine. Uus mudelipüstitus. 12. Oluliste argumentide varieeruvuse mõju regressioonanalüüsi tulemustele (labortöö).
annaabi.ee 
