K čemu slouží regrese?

Transkript

1 REGRESE

2 K čemu slouží regrese? C = Ca + c. Y C = ,6. Y + e Budeme zjišťovat jak jeda proměá (ezávislá) Ovlivňuje jiou proměou (závislou) C Y C Pozor a aplikaci regrese!!! Striktí podmík Růzé metod Y Např. problém kauzalit vztahů Y = C + I + G + NX

3 Úvod Pokoušíme se zjistit příčié/kauzalí souvislosti Spotřebu ovlivňuje velikost důchodu C = Ca + c. Y Ivestice ovlivňuje velikost úrokové mír I = Ia bi Eport ovlivňuje reálý měový kurz a zahraičí HDP Nejsou vztah vcucaé z prstů Chceme zjistit zda-li mezi proměými eistují kokrétí vztah Například jak proměá/proměé (i, Y, R..) Ovlivňuje jiou proměou (C,I,EX) Detailě pochopit vztah mezi ezávislou/mi a závislou proměou A pokud možo vše popsat matematickou fukcí Q =0-0,54P +0,1P +0,Y Jsme schopi dobře určit ěkteré proměé (příjem, hodota majetku atd.) Jak ale určit zda-li půjčit/epůjčit peíze? A které proměé ejvíce ovliví bakrot klieta?

4 Determiistický model Jedozačě eistující vztah Pravděpodobost =1 Spořeí (fií sazba, poplatk) Kč = β 0 + β závislá proměá (vsvětlovaá proměá) - ezávislá proměá (vsvětlující proměá) β- parametr (β 0 absolutí čle, β 1 sklo) čas Stochastický model Do modelu vstupuje ejistota (další euvažovaé vliv) Například i chb v měřeí = β 0 + β ε ε- áhodá chba (áhodá veličia proto má pravděpodobostí rozděleí) Jedostraá závislost regresí aalýz Vzájemá závislost (lieárí) korelačí aalýza C = Ca + c. Y

5 Cíl saha pozat a popsat příčié vztah mezi proměými Výos pole a možství hojiva Uvažujeme eisteci lieárího vztahu (úvaha zemědělců) více hojiva větší výos Jak ověřit teto vztah? = β 0 + β 1. 1 Dotážeme se všech zemědělců v ČR? Získáme statistický soubor Pozorováím () statistických jedotek (sledujeme 100 zemědělců) saha ab dat bla prostorově, časově a věcě vmezea Pozorováím určité statistické jedotk (HDP) v () časových itervalech Saha se co ejvíce přiblížit(aproimovat) empirickou regresí fukci A hpotetickou regresí fukci Co ejlépe b měla vjadřovat charakter závislosti (lieárí, logaritmická atd.) Hledáme průběh závislosti (lieárí, elieárí) Itezitu závislosti (silá/těsá)

6 Saha se co ejvíce přiblížit(aproimovat) empirickou regresí fukci A hpotetickou regresí fukci Co ejlépe b měla vjadřovat charakter závislosti (lieárí, logaritmická atd.) Hledáme průběh závislosti (lieárí, elieárí) Itezitu závislosti (silá/těsá) Nelieárí Závislost a její itezita Nelieárí závislost silá Lieárí závislost slabá Lieárí závislost silá

7 Příklad Máme pole a chceme zjistit co ovlivňuje výos z pole Mšleka možství hojiva výos = β 0 + β 1.hojivo +ε = β 0 + β ε = β 0 + β 1. 1 výos- závislá proměá hojivo možství hojiva ezávislá proměá ε- ostatí faktor Provedeme () áhodých výběrů oslovíme zemědělců A zjistíme kolik hojili a jaký měli výos výos = 5 + 1,5.hojivo + e Sklo 1,5 Kdž ebudeme hojit výos=5 Kdž se změí možství hojiva o 1 Zvýší se výos o 1,5.1=1,5 Změa hojiva o výos=.1,5=3 e- bod eleží a čárkovaé přímce Eistují další faktor kromě hojiva Ovlivňující výos výos 5 hojivo

8 Jedoduchý lieárí regresí model Máme pouze jedu ezávisle proměou Vztah mezi závisle proměou () a ezávisle proměou () je lieárí M získáme ějaká data a (empirické/výběrové hodot) co se aměřilo Cílem je ajít případý vztah mezi a a popsat jej Výos pole a možství hojiva M víme, že zde eistuje lieárí vztah čím více hojiva tím větší výos Ale evíme, jak přesě má daý vztah vpadat Teoretická (hpotetická) regresí fukce epozorovatelá (η) ideálí regresí fukce Teoretický vztah většiou ezáme = β 0 + β 1. 1 Empirická regresí fukce je Odhad teoretické regresí fukce výos hojivo

9 Teoretická a empirická regresí fukce Pro každé pozorováí (i), i = η i + ε i η i = β 0 + β 1. i i = β 0 + β 1. i + ε i Při eeisteci chb (ε) Model determiistický (pevá závislost) η- předpis kd je přiřazeo přesě =. i - i-tá empirická hodota vsvětlovaé proměé (výos pole) η i - i-tá hodota teoretické regresí fukce (ezám) ε i - odchlka (áhodá chba) i od η i Odchlka e i -reziduum rozdíl mezi empirickou regresí fukcí a empirickou hodotou Na působí další áhodé proměé ež pouze () Na pozorováí působí áhodé chb (epřesé váh) i Empirická regresí fukce ε i e i Reziduum je odhadem áhodé chb (dopustili jsme se dalších chb) ε i Teoretická regresí fukce e i

10 Hledáí kokrétího tvaru regresí fukce Červeé bod začí empirické (apozorovaé) hodot Musíme ajít vhodou přímku i = η i + ε i i = β 0 + β 1. i + ε i Každou empirickou hodotu i ahradíme Y i = b 0 + b 1. i určitou vrovaou hodotou Y i Která bude ležet a zvoleé empirické (výběrové) regresí přímce 5 Y Y =Y 4 Y Y 3 Y 1

11 Problém je, že takových přímek může eistovat ekoečě moho Musíme ajít kritérium ejlépe vstihe daou závislost Zeleé šipk představují odchlku skutečé hodot od vrovaé hodot Kdž už musí eistovat odchlk ideálí b blo jejich vzájemé vkompezováí i Y i = e i = 0 Kladé a záporé odchlk Se požerou 5 Y 6 Y 7 e i -reziduum Rozdíl mezi empirickou regresí fukcí a empirickou hodotou 1 Y 3 Y =Y 4 Y Y 1

12 Součet čtverců odchlek empirických hodot i od hodot teoretických η i bl miimálí Metoda ejmeších čtverců (MNČ, OLS) i = η i + ε i e i = 0 Q = ε i = ( i η i ) mi 5 Y 6 Y 7 Reziduum e je odhadem ε A Y je odhadem η Musí platit, že: Q = e i = ( i Y i ) mi 1 Y 3 Y 3 4 Y 5 4 =Y Y 1

13 Přímková regrese i = η i + ε i η = β 0 + β 1. Q = ε i = ( i η i ) mi Y = b 0 + b 1. b 0 je odhad β 0 Q = ( i β 0 β 1 i ) Q mi b 1 je odhad β 1 Q β 0 = 0 Q β 1 = 0 Q = ( i b 0 b 1 i ) = ( 1 b 0 b 1 1 ) +( b 0 b 1 ) Q b 0 =. 1 b 0 b b 0 b 1. 1 = 0 Q b 0 =. i b 0 b 1 i. ( 1) = 0 Q b 1 =. 1 b 0 b b 0 b 1. = 0 Q b 1 =. i b 0 b 1 i. ( i ) = 0

14 Q = Q b 0 =. Q b 1 =. ε i = ( i η i ) mi Q = i b 0 b 1 i. ( 1) = 0 i b 0 b 1 i. ( i ) = 0 ( i β 0 β 1 i ) Q b 0 =. 1 b 0 b b 0 b 1. 1 = 0 Q b 1 =. 1 b 0 b b 0 b 1. = 0 Normálí rovice i =. b 0 +b 1 i b 0 = i i i i i i i i i. i = b 0 i i + b 1 i i b 1 = i i i i i i i i i i i

15 E Y X = +. b ( ) Y = + b. ( ) Y = b 0 + b 1. Regresí koeficiet (výběrový regresí koeficiet) Směrice (sklo) regresí přímk Průměrá změa závisle proměé Při jedotkové změě ezávisle proměé b = s s b = cov(, ) Var() Může abýt libovolých hodot!!! Jedodušší postup pro přímkovou regresi!!!! b 0 = b 1 Přímková regrese je lieárí regresí fukce (lieárí v parametrech) Obráceě emusí platit!!! cov(, ) > 0 cov(, ) < 0 cov, = 0 Lieárí ezávislost

16 Liearizace modelu Liearita v parametrech l = lb 0 + b 1 l OK = b 0 b 1 Neí OK ) Vzpomeňte a matice Lieárí algebra pro praktičost je výhodější mít lieárí model Některé elieárí model se dají liearizovat Liearizující trasformace Q = 5 lp lq = 100 0,04P lq = 7 0,01lP = b 0 b 1 l = lb 0 + b 1 l = b 0 b 1 l = lb 0 b 1 l

17 Další tp regresích fukcí Parabolická regrese η = β 0 + β 1. + β. Neí víceásobá regrese!!! Aplikujeme MNČ Iterpretace výsledků ei = i b0 b1i

18 Polomická regrese Lieárí v parametrech Nelieárí v η = β 0 + β 1. + β. + + β p. p Hperbolická regrese Logaritmická regrese η = β 0 + β 1 Lieárí v parametrech Nelieárí v η = β 0 + β 1 log Iterpretace výsledků

19 Epoeciálí regrese Nelieárí v parametrech Nelze použít MNČ η = β 0. β 1 Logaritmická trasformace zlogaritmujeme (liearizujeme) Iterpretace výsledků log η = log β 0 +. log β 1

20 Zdálivá regrese (spurious regressio) Někd astae situace, že regresí model vkazuje vsoké R Přesto se jedá o esmslý vztah Váha dětí a zalost gramatik Čím jsou děti těžší, tím mají lepší gramatiku Zapomíáme a stáří dětí!!! Vzájemý vztah přes třetí proměou Možost eistece krátkodobého vztahu apř. stochastický tred atd. Dávat si a zdálivou regresi VELKÝ pozor Zájemci si mohou vhledat termí koitegrace časových řad

21 Iterpolačí a etrapolačí odhad Vziklý model musíme testovat Iterpolačí odhad Do vziklého modelu dosazujeme vsvětlující proměé z oblasti měřeí výos = 5 + 1,5.hojivo + u Etrapolačí odhad Do vziklého modelu dosazujeme hodot mimo iterval měřeí Máme hodot z itervalu (0;1000) A chceme predikovat chováí pro hodot z itervalu (1000;1500)

22 Kvalita regresí fukce a itezita závislosti Zjistíme případý vztah lieárí/elieárí Přímková regrese, parabolická atd. Je však daý model kvalití? Regresí model bude tím lepší čím více budou empirické hodot vsvětlovaé proměé soustředě (alepa) kolem odhaduté regresí fukce Cílem kapitol je objasit si ástroje a měřeí kvalit regresího modelu

23 Ide korelace Empirický rozptl (ER) Teoretický rozptl (TR) Residuálí rozptl (RR) s ( Y) s = 1. s Y = 1. = 1. ( i ) (Y i ) ( i Y i ) Při použití MNČ platí mezi rozptl vztah: Y 6 s = s Y + s ( Y) 6

24 Empirický rozptl (ER) Teoretický rozptl (TR) Residuálí rozptl (RR) s = 1. ( i ) s Y = 1. (Y i ) s ( Y) = 1. ( i Y i ) s = s Y + s ( Y) Fukčí závislost s = s Y Všech empirické hodot ( i ) jsou zároveň vrovaými hodotami (Y i ) čím lepší závislosti, tím více se ER a TR blíží Úplá ezávislost s = s ( Y) Y 6 Empirický rozptl shodý s reziduálím čím horší závislost, tím se ER a RR blíží 6 Hodoceí stochastického modelu Zvoleý model bude tím kvalitější Čím bude podíl teoretického rozptlu Na celkovém rozptlu větší!!! s Y s Tím silější bude závislost a

25 s = 1. ( i ) s Y = 1. (Y i ) Ide determiace R I = s Y s s = s Y + s ( Y) Ide abývá hodot 0-1 R =1 představuje fukčí závislost R =0 představuje ezávislost Vásobeo 100 udává v % tu část rozptlu kterou se podařilo vsvětlit regresí fukcí R = "vsvětleý rozptl" celkový rozptl 0 1,,4 3,6 4,8 5 3,5,75 Y i = + 0,3. i s Y s = 1 s ( Y) s Relativí část, která se epodařila vsvětlit modelem I = s Y s Ide korelace

26 Ide determiace <0,1> Fukčí závislost R=1 Nezávislost R=0 I = s Y s Převedeím a % - vjadřuje tu část rozptlu vsvětlovaé proměé () kterou se podařilo vsvětlit pomocí regresí fukce R=0, ,8=80% 80% hodot se ám podařilo vsvětlit pomocí kokrétího tpu reg. fce Ide korelace I = s Y s

27 Koeficiet korelace Zvláští případ ideu korelace Měří těsost závislosti daé LINEÁRNÍ regresí fukce I = s Y r - koeficiet korelace s - kovariace s (, )- rozptl s Koeficiet korelace <-1,1> r =-1 Nepřímá lieárí závislost r =1 Přímá lieárí závislost r =0 lieárí ezávislost r = r = s s. s ,9 57, 3 65,3 4 75,6 5 87, , ,7 8 16, , , , , , , , , , , ,9-46,8 0, r = 0,0 r =0 Nemusí zameat ezávislost Může se jedat o silou závislost Ale NELINEÁRNÍ!!!

28 l 6 = 5 l = l5 l r = Prom Prom ,5 3 0, , , 6 0, , , , , , , , , ,0 16 0, , , , , r = 0, l