OLS Regression Coefficients और Assumptions
Least-squares objective, conditional coefficient interpretation, residuals, exogeneity, multicollinearity, homoskedasticity और responsible financial regression analysis समझें
सीधा जवाब
Ordinary least squares observed outcomes और linear fitted values के बीच squared differences का sum minimize करने वाले coefficients चुनता है। Coefficient, बाकी included regressors को fixed रखते हुए अपने regressor में one-unit difference से outcome में average linear difference बताता है। Descriptive projection को causal effect बनाने के लिए zero conditional mean error जैसी अतिरिक्त assumptions चाहिए; high R² या छोटे residuals उन्हें establish नहीं करते
OLS squared residuals minimize करता है
Model y=Xβ+u में OLS β चुनता है ताकि observations और fitted values Xβ के बीच squared differences का sum जितना संभव हो छोटा हो
जब design matrix के columns full rank हों, तो solution सामान्यतः β̂=(X′X)⁻¹X′y लिखा जाता है
Squaring tractable objective बनाता है और बड़े misses को heavily penalize करता है, इसलिए data errors और influential outliers substantial leverage दे सकते हैं
Coefficient conditional linear comparison है
Coefficient βj, xj में one-unit difference पर y का fitted difference है, जब बाकी included variables समान values पर हों
Frisch–Waugh–Lovell result में बाकी controls का linear contribution y और xj से अलग हटाकर दोनों remainders को regress करने पर वही coefficient मिलता है
इसका अर्थ controls, functional form, units और sample पर निर्भर है; यह दो raw variables की simple correlation नहीं है
Linearity parameters से संबंधित है
Linear regression coefficients में linear होना चाहिए, लेकिन regressors में logarithms, squares, splines, indicators और interactions हो सकते हैं
Interaction में एक variable का marginal relationship दूसरे variable की value के साथ बदलता है, इसलिए main coefficient को अकेले नहीं पढ़ना चाहिए
Extrapolation observed support से बाहर chosen functional form को बढ़ाती है और sample को अच्छी तरह fit करने से कहीं stronger claim है
अलग assumptions अलग guarantees देती हैं
Zero conditional mean कहता है कि outcome के omitted components included regressors से systematically predictable नहीं हैं; consistency या structural interpretation में यह central है
Homoskedasticity का अर्थ है regressor values पर conditional error variance समान हो; यह coefficient unbiasedness से अधिक classical variance formula और efficiency से संबंधित है
Normal errors OLS calculate करने के लिए आवश्यक नहीं, हालांकि classical model में exact small-sample t और F inference को support कर सकते हैं
Residual unseen population error नहीं है
Residual e=y−Xβ̂, उसी sample पर estimated fitted value से observed gap है, जबकि population disturbance u unobserved रहती है
Intercept होने पर OLS residuals sample regressors के orthogonal बनाए जाते हैं, इसलिए zero sample correlation exogeneity का independent evidence नहीं है
Residual plots nonlinearity, changing variance, clustering, serial dependence और outliers दिखा सकते हैं, लेकिन सही model certify नहीं करते
Financial data textbook assumptions पर दबाव डालते हैं
Returns volatility clustering और tail events दिखाते हैं, जबकि overlapping holding-period returns construction के कारण serial correlation बनाते हैं
Corporate panels में हर firm के भीतर persistence और same date पर firms के across common shocks simple observation independence को तोड़ सकते हैं
Level series के trends, survivorship, simultaneous price discovery और measurement error significant coefficient को उससे अधिक structural दिखा सकते हैं
Estimate और uncertainty साथ report करें
Number interpret करने से पहले estimand, sample, units, transformations, controls, fixed effects, missing-data rules और covariance estimator state करें
Coefficients को standard errors या intervals के साथ दें, realistic changes में translate करें और influential observations तथा defensible specifications की sensitivity test करें
Identification और stability को time या out of sample अलग assess करें; R², sign और statistical significance अकेले पर्याप्त नहीं हैं
आम सवाल
OLS regression coefficient का क्या अर्थ है?
यह बाकी included regressors fixed रखते हुए regressor में one unit difference से outcome में average fitted linear difference है
क्या linear regression curved relationship represent कर सकती है?
हाँ। जब तक model coefficients में linear रहे, logarithms, powers, splines और interactions उपयोग किए जा सकते हैं
क्या multicollinearity coefficients को bias करती है?
Imperfect multicollinearity अपने आप bias नहीं बनाती, लेकिन standard errors बढ़ा सकती है और coefficients को sample-sensitive बना सकती है
क्या robust standard errors violated OLS assumptions ठीक कर देती हैं?
नहीं। वे selected covariance assumptions relax करती हैं, endogeneity, गलत functional form या selection bias ठीक नहीं करतीं