Максимально правдоподобные оценки регрессионных параметров при стохастических регрессорах Текст научной статьи по специальности «Математика»

Максимально правдоподобные оценки регрессионных параметров при стохастических регрессорах

Е.П. Чураков,

д.т.н., профессор, заведующий кафедрой эконометрики и математического моделирования

Рязанского государственного радиотехнического университета

eimm@rgrta.ryazin.ru

Строятся максимально правдоподобные оценки регрессионных параметров при неточных измерениях объясняющих переменных.

^ *

Введение и постановка задачи

Рассматривается традиционная модель линейной множественной регрессии. Полученные результаты экспериментальных наблюдений задаются соотношениями

где п — объём экспериментальной выборки; т — количество экзогенных переменных; у, Ху — значения эндогенной и у-й экзогенной переменных в г-м наблюдении соответственно; р-Ж(0,52) — гауссовская стохастическая составляющая с присущими методу наименьших квадратов свойствами (центрированность, некоррелированность, гомоскедастичность); а, / = 0,т — подлежащие оцениванию регрессионные параметры.

В матричной форме выражение (1) принимает вид

У = Ха + р, (2)

где Уе Кп — вектор наблюдений;

Хе кпх(т+1)— матрица объясняющих переменных;

"1 *11 *12 ' 2 і

1 *21 Л22 ' . X, 2т

1 *31 *32 ' • *з™

1 *„1 *„2 ■ • хят_

ае Кт+1 — вектор регрессионных параметров; ре К — вектор стохастических составляющих.

Модель (2) определяет объективно сложившиеся результаты наблюдений. Однако на этапе оценивания вектора при формировании матрицы , участвующей в образовании наблюдений (2), допущены ошибки, и вместо матрицы X используется матрица

где е — матрица ошибок.

С учётом X = X*—е это приводит к трансформации выражения (2) к виду

У = Х'а + (р-еа). (3)

Далее, исходя из представления (3), находят обычную МНК-оценку Еа вектора параметров а

и доказывают [1], что оценка (4) не является ни состоятельной, ни несмещённой. Однако в условиях представления (3), когда приведённая стохастическая составляющая явно не соответствует теореме Маркова, использование метода наименьших квадратов для оценивания регрессионных параметров оказывается не совсем оправданным и целесообразно применение альтернативных подходов, например, метода максимального правдоподобия

(5)

где 1пЬ (У/а) — соответствующая модели (3) функция правдоподобия.

Основные теоретические результаты

Пусть матрица є такова, что первый её столбец оказывается нулевым, а последующие элементы равны ____ ___

т.е.

П с с о

\т 2т

в 0 в-2, в -10 ... в Зд

Построим ковариационную матрицу К приведённой стохастической составляющей р - Е«

К = м|(/?-£«)(/;-£ я )Г|= а 2£ + йй7£ 7

где М — символ усреднения;

Е — единичная и-матрица и матрицы £, р принимаются независимыми.

Тогда несложно получить

0 єн Є12 ■ .. Є

0 Є 21 є22 .. Є

0 Є31 £ ,2 • .. £

0 Є„1 Є п2 .. £

гааТе ■

^ і: .у. ..«,(1.

а,а.

1Х£ аа

Xе *• ::а.а: ■ •• Еє $

'.7=1 1,1=1

т ЕЄ 2р ЛаР} • .. £

1.1=1 1.1=1

т :аи ■ 11=і т •• Xе # ',і=і

I

і

І.М

£ .. V. ,(1(1.

I

'■.>1

/Ла,

е є а а.

ПГ уи / у

Пусть ошибки измерений различных экзогенных переменных некоррелированы между собой, а дисперсии ошибок образуют гетероскедастичную последовательность в том смысле, что

где — дисперсия ошибки измерения г-й экзоген-

ной переменой в 5-м эксперименте.

В этом случае матрица К оказывается диагональной

К = сіісщ

°2+£°;«,2

и при гауссовской приведённой стохастической составляющей получаем

(6)

Решение задачи (5) при выполнении (6) приводит к нелинейной оценке &а, поиск и исследование свойств которой в аналитической форме не являются тривиальными процедурами. Чтобы получить определённые представления о целесообразности перехода от (4) к (5), рассмотрим случай парной регрессии (т = 1), при котором функция (6) существенно упрощается. Обозначив о| = О2, х* = х*, для парной регрессии получим

7)

Точность максимально правдоподобных оценок ограничена неравенством Рао-Крамера, в соответствии с которым для ковариационной матрицы Ка несмещённых оценок имеем

Кя>р-\ Р=-М^ЫЬ(Г/а0,а1)\.

Подставив функцию (7) и выполнив необходимые операции дифференцирования и усреднения, получим информационную матрицу Фишера

(8)

Таким образом информационная матрица зависит только от одного регрессионного параметра а1, непосредственно участвующего в формировании дополнительных ошибок измерений. Если в (8) принять 0^ = 0,5 = 1,и, получим хорошо известный для обычной парной регрессии результат

(9)

Результаты вычислительного эксперимента

Для решения нелинейной системы уравнений (11) можно воспользоваться соответствующими встроенными функциями, предусмотренными в большинстве современных пакетов прикладных программ. Так как рассматриваемая задача — стохастическая, целесообразно провести её обширное машинное моделирование, содержащее в себе и процедуру решения системы (11). Приведём соответствующие результаты, полученные в вычислительной среде Mathcad, позволяющей легко решать самые разнообразные эконометрические задачи (например, [2],[3]).

При проведении вычислительного эксперимента использована я-мерная выборка значений экзогенной переменной, формирующих наблюдения (2),

x1 := (66 85 88 139 88 129 142 65 92 112 97 120 109 130 125)T, x2 := (45 68 90 39 123 154 67 145 169 152 97 175 98 100 190)T, x3 := (165 189 105 168 206 230 179 160 201 246 194 165 240 238 180)T, x := stack (x1, x2, x3), z := x, n := 45.

Далее формируется аналог матрицы X из (2), но в машинных обозначениях

1 := 1...п, шНц := 1, шН12 := х;.

Моделирование ошибок при измерении «забытых» значений экзогенных переменных осуществляется следующим образом. Предполагается, что измерение производится с точностью 5, так что результат измерения величины т принадлежит отрезку [-5т, 5т]. Полагая ошибку измерения гауссовской и используя распространённое правило 3о, получаем выражение для дисперсии ошибки измерения

52

а: = —т2.

Величина 5 варьируется в процессе проведения вычислений. В машинных обозначениях вектор дисперсий

Задавшись дисперсией с2 (обозначено как D) компонентов вектора р из (2) и вектором регрессионных параметров а, формируем вектор наблюдений (2):

D:=0.5, а:=

О

.5)

, р :=morm(n,0,D), y:=mH-a + p.

Для моделирования матрицы X используется гауссовский вектор £ с компонентами

Матрица X * образуется из матрицы X добавлением ко второму столбцу матрицы X вектора £

Теперь можно вычислить МНК-оценку (4):

а1 := (тН1Т-тН1^ тН1Ту.

Для сопоставления этой оценки с максимально правдоподобной оценкой составляется и решается система уравнений (11)

VI

Given

Q;

+ D

і=і (ьіН

П (уі-Ь,-Ь2Л)|'Ь2Сі(уі-Ь1)+Р-^ в

i = l

-b,S

X.

1

X

і -1 +D ' і -' bfQi *D n

I

і = 1 (Ь2І«І + D cl :=Find^brb2^ .

В качестве начальной точки при решении уравнений используется МНК-оценка (4). Приведём результаты обработки одной из реализаций при 5 = 0.1:

а=

1а-а1

а1=

^183.554Л

V

с1=

747 ^ 182.559, |а-с 11=3.189.

/-3.189Л

5.076

Для этой реализации на рисунке представлены в функции экзогенной переменной наблюдения у и регрессионные прямые, соответствующие максимально правдоподобным оценкам и МНК-оценкам для той же реализации.

2000

1500

Уі

ООО

(тН1 • с1) і юоо

(тН1 ■ а1)

500

о о /г А/ О

О

<3>

100

200

300

400

Для проведения более обширного сопоставления обоих подходов к оцениванию регрессионных параметров уравнения (11) переписываются в удобной для последующего моделирования форме

П у П

——ь-Е

1 = 1 (Ь) -0- + Э ; = 1 Ь(Ь,у,х,д) :=-----------------

П

Х-п 1

X,

1

(Ь)

і = 1

(ЬГ^+Б

и проводятся вычисления в соответствии с программой эксперимента. Общее количество реализаций, используемых при усреднении результатов эксперимента, составило Л=103. Символ и использован для обозначения оценки (4). Максимально правдоподобная оценка (5), т.е. решение системы (11), обозначена как с. Сопоставление оценок проводится по значениям среднеквадратических ошибок

N 1 N

' -с\\

где ||...||г — норма ошибки при обработке г-й реализации.

При моделировании эти величины находятся рекуррентным образом и после обработки всех N

реализаций выводятся на печать. Через N1 обозначено число реализаций из N использованных при проведении эксперимента, в которых МНК-оценка (4) оказывалась хуже максимально правдоподобной оценки из (11) в том смысле, что в этих реализациях наблюдалось ||а-и||>||а-с||. Отношение #/г принимается за основной показатель анализа. Символы ^ и 52 использованы для рекуррентного подсчёта усреднённых по множеству реализаций оценок вектора а, найденных методами максимального правдоподобия и наименьших квадратов соответственно. Обозначения шах(м’) и шт(м’) использованы для регистрации реализаций с наибольшей и наименьшей среднеквадратической ошибкой при применении метода максимального правдоподобия; аналогичную роль играют обозначения шах(у), шт(у), но применительно к методу наименьших квадратов. Результаты вычислительного эксперимента систематизированы в табл. 1.

Таблица 1

5 = 0.01 5 = 0.03 5 = 0.05 5 = 0.1

г 0.296 1.642 4.311 17.013

Я 0.508 4.843 15.656 150.757

2?11 1.029 1.329 1.719 2.317

512 5 4.997 4.992 4.987

521 1.043 2.933 12.918 151.753

522 5 4.986 4.913 3.908

тах(й) 1.066 6.514 18.529 68.802

тіп(№) 6.567*10-4 8.742*10-3 9.283*10-3 0.028

тах(і/) 2.42 19.366 63.065 279.341

тїп(^) 4.667*10-4 6.383*10-3 0.06 16.428

N1 740 868 867 993

ц/г 1.717 2.95 3.632 8.861

Анализ результатов вычислительного эксперимента показывает, что в подавляющем числе реализаций среднеквадратичная ошибка максимально правдоподобных оценок меньше аналогичной ошибки метода наименьших квадратов. С ростом дисперсии ошибок в измерении объясняющей переменной, регулируемой изменением параметра 5, это преимущество возрастает. Аналогичная закономерность обнаруживается и при сопоставлении величин среднеквадратичных ошибок обоих методов: величина г с ростом параметра 5 возрастает медленнее по

сравнению с q, так что отношение среднеквадратических ошибок q/r изменяется от 1.717 при 5 = 10-2 до 8.861 при 5 = 0.1. Сравнение экстремальных значений среднеквадратичных ошибок, выявленных на множестве реализаций, демонстрирует преимущество метода максимального правдоподобия. Смещение максимально правдоподобных оценок существенно меньше аналогичной величины в методе наименьших квадратов. Однако следует отметить, что выявленные преимущества снижаются, если дисперсии ошибок в измерении экзогенной переменной оказываются соизмеримыми с дисперсией

О2 стохастической составляющей в (2). Например, при 5 =0.03 и О2 =10 элементы третьего столбца предыдущей таблицы принимают значения

5.28; 5.62; 0.4; 5; 2.41; 4.99; 23.15; 7.6*10-3; 25.93; 0.019; 528; 1.06.

Несложно найти (табл. 2) нижние границы дисперсий ошибок максимально правдоподобных оценок регрессионных параметров, регламентируемые неравенством Рао-Крамера при информационной матрице (11):

Таблица 2

5 0.01 0.03 0.05 0.1

0,47 —3.87Х10"3 -3.87Х10"3 3.9Х10-5 2.95 -0.026 -0.026 2.8Х10-4 7.84 -0.069 -0.069 7.58Х10-4 30.59 -0.269 -0.269 2.97Х10-3

Ковариационная матрица (10) линейной оценки (4) при прежних значениях параметра 5 оказывается равной:

Таблица 3

5 0.01 0.03 0.05 0.1

Кш 0,912 -7.37Х10-3 -7.37Х10-3 6.67Х10-5 7.479 -0.062 -0.062 5.69Х10-4 20.22 -0.168 -0.168 1.56Х10-3 67.62 -0.561 -0.561 5.4Х10-3

В случае (9), т.е. при идеальной регистрации экзогенной переменной, получаем

Заключение

При измерении объясняющих переменных с ошибками, показано, традиционный метод наимень-

ших квадратов может сопровождаться недопустимо большими погрешностями оценивания регрессионных параметров. В подобных ситуациях предпочтение следует отдавать методу максимального правдоподобия, поиск оценок в соответствии с которым легко организуется средствами современных пакетов прикладных программ. ■

Литература

1. Айвазян С.А. Основы эконометрики, т.2. М.: Юнити, 2001.

2. Чураков Е.П. Математические методы обработки экспериментальных данных в экономике. М.: Финансы и статистика, 2004.

3. Чураков Е.П. Прогнозирование эконометрических временных рядов. М.: Финансы и статистика, 2008.