Koefisien dan Asumsi Regresi OLS
Fahami tujuan kuadrat terkecil, interpretasi koefisien bersyarat, residual, eksogenitas, multikolinearitas, homoskedastisitas, dan analisis regresi kewangan yang bertanggung jawab
Jawapan terus
Kuasa dua terkecil biasa memilih pekali yang meminimumkan jumlah perbezaan kuasa dua antara hasil yang diperhatikan dengan nilai yang dipadankan secara linear. Pekali menerangkan perbezaan linear purata dalam hasil yang dikaitkan dengan perbezaan satu unit dalam regresornya, sambil mengekalkan regresor lain yang dimasukkan pada nilai tetap. Menukar unjuran deskriptif itu kepada kesan sebab-musabab memerlukan andaian tambahan seperti ralat min bersyarat sifar; R² tinggi atau baki kecil tidak dapat menetapkannya
OLS meminimumkan baki kuasa dua
Dalam model y=Xβ+u, OLS memilih β supaya jumlah perbezaan kuasa dua antara pemerhatian dengan nilai padanan Xβ sekecil mungkin
Apabila lajur matriks reka bentuk mempunyai rank penuh, penyelesaian lazimnya ditulis β̂=(X′X)⁻¹X′y
Pengkuasaan dua menghasilkan objektif yang boleh diurus dan menghukum kesilapan besar dengan berat, jadi ralat data serta pencilan berpengaruh boleh mempunyai leverage yang besar
Pekali ialah perbandingan linear bersyarat
Pekali βj ialah perbezaan padanan dalam y bagi perbezaan satu unit dalam xj apabila pemboleh ubah lain yang dimasukkan dikekalkan pada nilai yang sama
Keputusan Frisch–Waugh–Lovell memberikan pekali yang sama selepas sumbangan linear kawalan lain kepada y dan xj dibuang secara berasingan, kemudian kedua-dua baki diregresikan
Maksudnya bergantung pada kawalan, bentuk fungsi, unit dan sampel; ia bukan sekadar korelasi antara dua pemboleh ubah mentah
Kelinearan menyentuh parameter
Regresi linear mesti linear dalam pekalinya, tetapi regresornya boleh merangkumi logaritma, kuasa dua, spline, penunjuk dan interaksi
Dengan interaksi, hubungan marginal bagi satu pemboleh ubah berubah mengikut nilai pemboleh ubah lain, jadi pekali utama tidak boleh dibaca secara bersendirian
Ekstrapolasi memanjangkan bentuk fungsi yang dipilih melampaui sokongan yang diperhatikan dan merupakan dakwaan yang jauh lebih kuat daripada memadankan sampel dengan baik
Andaian berbeza memberikan jaminan berbeza
Min bersyarat sifar bermaksud komponen hasil yang tertinggal tidak dapat diramal secara sistematik daripada regresor yang dimasukkan dan ia penting untuk konsistensi atau tafsiran struktur
Homoskedastik memerlukan varians ralat bersyarat yang sama merentas nilai regresor; ia lebih berkaitan dengan formula varians klasik dan kecekapan berbanding ketidakbiasan pekali
Ralat normal tidak diperlukan untuk mengira OLS, walaupun kenormalan boleh menyokong inferens-t dan F sampel kecil yang tepat di bawah model klasik
Baki bukan ralat populasi yang tidak kelihatan
Baki e=y−Xβ̂ ialah jurang diperhatikan daripada nilai padanan yang dianggar pada sampel yang sama, manakala gangguan populasi u kekal tidak diperhatikan
Dengan pintasan, OLS membina baki yang ortogonal kepada regresor sampel, jadi korelasi sampel sifar antara kedua-duanya bukan bukti bebas tentang eksogeniti
Plot baki boleh mendedahkan ketidaklinearan, varians berubah, pengelompokan, kebergantungan bersiri dan pencilan, tetapi tidak boleh mengesahkan model yang betul
Data kewangan menekan andaian buku teks
Pulangan menunjukkan pengelompokan volatiliti dan peristiwa ekor, manakala pulangan tempoh pegangan bertindih mencipta korelasi bersiri melalui pembinaan
Panel korporat boleh mengandungi ketekalan dalam setiap firma dan kejutan bersama merentas firma pada tarikh yang sama, lalu melanggar kebebasan pemerhatian mudah
Trend dalam siri paras, survivorship, penemuan harga serentak dan ralat pengukuran boleh menjadikan pekali signifikan kelihatan lebih berstruktur daripada keadaan sebenar
Laporkan anggaran dan ketidakpastiannya bersama
Nyatakan estimand, sampel, unit, transformasi, kawalan, kesan tetap, peraturan data hilang dan penganggar kovarians sebelum mentafsir nombor
Padankan pekali dengan ralat piawai atau selang, tukarkannya kepada perubahan yang realistik dan uji sensitiviti terhadap pemerhatian berpengaruh serta spesifikasi yang boleh dipertahankan
Nilai pengenalpastian dan kestabilan dari masa ke masa atau di luar sampel secara berasingan daripada R², tanda dan keertian statistik
Soalan lazim
Apakah maksud pekali regresi OLS?
Ia ialah perbezaan linear padanan purata dalam hasil yang dikaitkan dengan satu unit regresor, sambil mengekalkan regresor lain yang dimasukkan pada nilai tetap
Bolehkah regresi linear mewakili hubungan melengkung?
Ya. Ia boleh menggunakan logaritma, kuasa, spline dan interaksi selagi model kekal linear dalam pekali
Adakah multikolineariti memesongkan pekali?
Multikolineariti tidak sempurna dengan sendirinya tidak mencipta bias, tetapi boleh membesarkan ralat piawai dan menjadikan pekali sangat sensitif kepada sampel
Adakah ralat piawai teguh menyelesaikan andaian OLS yang dilanggar?
Tidak. Ia melonggarkan andaian kovarians terpilih tetapi tidak membaiki endogeniti, bentuk fungsi yang salah atau bias pemilihan dalam pekali
Sumber dan bacaan lanjut
Semakan pantas
Sudah membaca panduan? Uji diri dengan 3 soalan
Soalan 01
Pernyataan manakah yang paling sepadan dengan panduan ini — OLS meminimumkan baki kuasa dua?
Pilih jawapan untuk melihat penjelasan
Glosari opsyen
A call or put whose strike is near the underlying price; it has little intrinsic value and often substantial sensitivity to time and volatility.
Baca panduan terperinciCall optionA contract that gives its holder the right, but not the obligation, to buy the underlying at the strike before or at expiration under the contract terms.
Baca panduan terperinciPut optionA contract that gives its holder the right, but not the obligation, to sell the underlying at the strike before or at expiration under the contract terms.
Baca panduan terperinci