Оценивание линейной прогностической функции на примере эконометрической модели в виде многочлена. Однопараметрическое семейство алгоритмов с мерой близости и и непараметрический подход. Эконометрика классификации: классы и кластеры, параметры регрессии.
Аннотация к работе
РЕФЕРАТ По эконометрике Многомерный статистический анализ В многомерном статистическом анализе выборка состоит из элементов многомерного пространства. Оценивание линейной прогностической функции Начнем с задачи точечного и доверительного оценивания линейной прогностической функции одной переменной. Исходные данные - набор n пар чисел (tk , xk), k = 1,2,…,n, где tk - независимая переменная (например, время), а xk - зависимая (например, индекс инфляции, курс доллара США, объем месячного производства или размер дневной выручки торговой точки). Предполагается, что переменные связаны зависимостью xk = a (tk - tср) b ek , k = 1,2,…,n, где a и b - параметры, неизвестные статистику и подлежащие оцениванию, а ek - погрешности, искажающие зависимость. Обычно оценивают параметры a и b линейной зависимости методом наименьших квадратов. Как известно, метод наименьших квадратов был разработан великим немецким математиком К. Гауссом в 1794 г. Согласно этому методу для расчета наилучшей функции, приближающей линейным образом зависимость x от t, следует рассмотреть функцию двух переменных Оценки метода наименьших квадратов - это такие значения a* и b*, при которых функция f(a,b) достигает минимума по всем значениям аргументов. Однако для того, чтобы изучать погрешности оценок параметров и восстановленной функции, т.е. строить доверительные интервалы для a*, b* и x*(t), подобная модель необходима. В дальнейшем неоднократно будем использовать Центральную Предельную Теорему (ЦПТ) теории вероятностей для величин ek , k = 1,2,…,n (с весами), поэтому для выполнения ее условий необходимо предположить, например, что погрешности ek , k = 1,2,…,n, финитны или имеют конечный третий абсолютный момент.