Phương pháp ols là gì

Trong bài viết này, tôi sẽ nói về một cách thức hồi quy rất truyền thống mà số đông những ai học kinh tế tài chính lượng đều đã từng có lần nghe và sử dụng. Đây là OLS – phương thức hồi quy bình phương nhỏ nhất thông thường. Bạn có thể dịch câu này thành một phương pháp hồi quy bình phương bé dại nhất. Đây là cách thức hồi quy được sử dụng thịnh hành nhất vào nghiên cứu. Tuy nhiên trong một vài trường hợp, các cách thức hồi quy khác được ưu tiên hơn, nhưng tác dụng hồi quy OLS luôn được xem như là kết quả chuẩn. Vậy thực chất của cách thức này là gì?

Y với X được sử dụng để thay mặt đại diện cho toàn bộ các quan liền kề trong một tập thích hợp (dân số), cùng y với x đại diện thay mặt cho những quan liền kề trong chủng loại (mẫu) vẫn chọn. Chú ý rằng vì cửa hàng chúng tôi không có đủ nguồn lực / giá thành để thu thập tất cả các tài liệu dân số, nên shop chúng tôi chỉ có thể thu thập 1 phần nhỏ của chính nó (dữ liệu mẫu) và thực hiện ước tính dân số hồi quy trên mẫu mà thôi. Hiện thời các thông số alpha cùng beta được biểu thị bằng dấu mũ, cho biết rằng bọn chúng là các ước tính.

Bạn đang xem: Phương pháp ols là gì

Bạn xem: Ols là gì

Phương pháp OLS sẽ chọn thông số hồi quy alpha cùng beta làm thế nào cho bình phương không đúng số quy mô ước lượng là nhỏ tuổi nhất.

Do đó, mục tiêu của phương pháp hồi quy OLS trở nên ước tính alpha với beta làm thế nào cho S đạt giá chỉ trị nhỏ tuổi nhất.

Đến đây, bọn họ quay lại với câu hỏi giải việc tìm giá trị nhỏ dại nhất của hàm số S. Chúng ta có nhớ phương pháp giải việc này chúng ta đã học tập ở trường đa dạng không?

Bước 1: bọn họ sẽ lấy đạo hàm số 1 của S tương xứng với hàm mũ alpha cùng beta hàm mũ.

Bước 2: họ lấy đạo hàm bằng 0 và tính hàm nón alpha cùng beta so với x và y.

Cách tính này khá phức hợp nên tôi sẽ không trình diễn ở đây. Nếu như khách hàng quan tâm, bạn có thể tìm thêm thông tin trên google. Search kiếm theo những thuật ngữ như: đo lường và tính toán của các công vậy ước lượng bình phương nhỏ tuổi nhất hoặc giám sát của những hệ số OLS.

Kết quả của bước 2 vẫn giúp chúng ta tính toán alpha lũy thừa với beta lũy thừa như sau:

Chiều ngang x với y là cực hiếm trung bình của x với y trong mẫu, với n là toàn bô quan sát trong mẫu.

Hệ số alpha và beta cầu tính mà bạn nhận được lúc chạy hồi quy OLS vào STATA sẽ được tính như vậy này.

Làm cầm cố nào nhằm chạy mô hình hồi quy OLS trong STATA?

Chạy mô hình OLS trong STATA rất solo giản, sử dụng lệnh REGRESS (hoặc REG).

Trước lúc chạy lệnh hồi quy, họ cần tùy chỉnh thiết lập dữ liệu trước, tức là bọn họ cần cho STATA biết tài liệu mà bọn họ đang sử dụng là dữ liệu chuỗi thời gian, tài liệu cắt ngang đến 1 thời điểm như thế nào đó. Dữ liệu. Bạn cũng có thể đọc nội dung bài viết về các loại tài liệu trong phân tích tại đây. Shop chúng tôi sẽ không cần tiến hành bước này nếu dữ liệu đã được cắt ngang.

Nếu đấy là dữ liệu chuỗi thời gian, họ cần áp dụng lệnh TSSET như sau:

tsset time_var

time_var là 1 trong những biến tế bào tả thời gian trong bộ tuple.

Nếu đây là dữ liệu bảng, họ cần sử dụng lệnh XTSET như sau:

xtset id_var time_var

var_id là biến cho thấy thêm các đối tượng có thể quan gần cạnh được trong tập dữ liệu

Lưu ý: trở nên id_var phải là một trong biến số.

Nếu tài liệu mẫu không tồn tại biến ID bắt buộc (với biến đổi ID hình trạng chuỗi), bạn cũng có thể sử dụng lệnh EGEN để chế tác ID số.

egen id = group (ID_stringvar)

ID_stringvar là 1 biến thành viên chứa thương hiệu công ty, thương hiệu quốc gia, tên thành phố, v.v.

Sau cách khai báo dữ liệu, chúng ta cũng có thể chạy hồi quy bằng lệnh REGRESS.

Xem thêm: Cách Pha Chế Mật Ong Mà Có Thể Bạn Chưa Biết, Đặc Sản Buôn Ma Thuột

reg bienphus biendoclap1 biendoclap2 biendoclap3…

Tôi sẽ chụp hình ảnh hiển thị hiệu quả chạy OLS từ chỉ dẫn STATA.

Theo quy mô này, cửa hàng chúng tôi tìm thấy quan hệ giữa biến dựa vào mpg (số km đã đi được trên một gallon xăng) cùng trọng lượng nhì biến chủ quyền (trọng lượng của ô tô), quốc tế (ô đánh có xuất phát từ nước ngoài hoặc quốc gia) .). Trái đất).

Thông thường xuyên trước hết bọn họ phải suy nghĩ 3 vấn đề: hệ số hồi quy có ý nghĩa sâu sắc thống kê không, quy mô có ý nghĩa hay không và mô hình lý giải tốt như vậy nào.

Đầu tiên hãy kiểm tra giả thuyết thông số hồi quy. Họ nên kiểm soát xem những hệ số hồi quy có ý nghĩa sâu sắc thống kê tốt không?

Giả thuyết của shop chúng tôi sẽ là beta = 0. Mục tiêu của công ty chúng tôi là bác bỏ trả thuyết này. Tức là, beta đích thực khác 0 và bạn có thể sử dụng beta mong tính nhằm tính đến ảnh hưởng của biến tự do X so với sự đổi khác của biến phụ thuộc Y. Để triển khai kiểm định này, chúng ta cũng có thể sử dụng thống kê lại t hoặc thống kê z hoặc giá chỉ trị p. Tương ứng.

Ta thấy rằng hệ số hồi quy của phát triển thành Trọng số là -0,0066 với cái giá trị p. Tương ứng là 0,000. Điều này có nghĩa là biến Trọng số có tác động tiêu cực (có chân thành và ý nghĩa thống kê) đến phát triển thành phụ thuộc. Nói biện pháp khác, xe pháo càng nặng thì sẽ càng hao xăng.

Hệ số hồi quy đến biến nước ngoài là -1,6500 với giá trị p. Tương ứng là 0,130. Giá bán trị p này lớn hơn 0,1, do đó ảnh hưởng tác động của trở nên ngoại lai cho MPG là không có chân thành và ý nghĩa thống kê. Nói biện pháp khác, dù cho là xe nhập khẩu tuyệt xe cấp dưỡng trong nước, trường hợp có thông số kỹ thuật kỹ thuật khác như là nhau thì nấc độ tiêu hao nhiên liệu là như nhau.

Vấn đề máy hai là bài bác kiểm tra tế bào hình, có cách gọi khác là bài khám nghiệm F.

Giả định cho kiểm định này là toàn bộ các thông số hồi quy đều bằng 0. Ví dụ, beta 1 = beta 2 =…. = Beta k = 0. Nếu giả thiết này KHÔNG bị bác bỏ bỏ, điều đó có nghĩa là mô hình được tế bào phỏng. Tầm quan liêu trọng. Do đó, công ty chúng tôi cũng ước ao bác vứt giả thuyết này. Để thực hiện kiểm tra này, cửa hàng chúng tôi sử dụng những thống kê F hoặc giá trị p tương ứng.

Từ bảng công dụng trên ta thấy quý giá F tính được là 69,75 với giá trị phường tương ứng là 0,000. Vì chưng đó, bạn cũng có thể tạm yên tâm rằng mô hình này có ý nghĩa sâu sắc thống kê.

Cuối cùng, cửa hàng chúng tôi kiểm tra quý hiếm của R bình phương. R2 thể hiện% vươn lên là thiên của biến phụ thuộc vào được quy mô giải thích. R2 thường xuyên nhận giá trị tự 0 mang đến 1.

Tuy nhiên, một vụ việc với R2 là càng có tương đối nhiều biến độc lập trong mô hình thì quý hiếm của R2 càng tăng. Câu hỏi thêm những biến vào mô hình sẽ làm cho quy mô dễ bị quái đản hoặc tạo ra những bệnh mô hình khác. Vì đó, bọn họ nên áp dụng R2 hiệu chỉnh. Trong tác dụng minh họa, ta thấy R2 hiệu chỉnh có mức giá trị là 65,32%.

Một câu hỏi mà công ty chúng tôi thường hỏi là bình phương R tốt là gì. Câu vấn đáp cho câu hỏi này là nó phụ thuộc. Giá trị R2 nhờ vào vào đối tượng người dùng nghiên cứu. Bao gồm những phân tích mà tác giả muốn hệ số R2 từ 90% trở lên, nhưng cũng đều có những phân tích với thông số R2 khoảng 10% được xem là tốt. Vì vậy, bọn họ nên khám phá sâu rộng về tổng quan nghiên cứu và phân tích để dễ dãi so sánh tác dụng nghiên cứu của chính bản thân mình với kết quả của các phân tích trước đó.

Tuy nhiên, sau ba bước soát sổ này, shop chúng tôi vẫn không thể chắc chắn là rằng tế bào hình rất có thể sử dụng được. Chúng ta cần kiểm soát xem mô hình có bị bệnh gì không. Những bệnh / lỗi thường chạm chán của mô hình là đa cùng tuyến, phương sai cầm đổi, ngoại sinh, từ tương quan, sai số chức năng, v.v. Bạn cũng có thể đọc tổng quan lại về các lỗi quy mô OLS tại đây.

Ad sẽ thường xuyên giới thiệu rõ ràng đến các bạn về căn bệnh mô hình, biện pháp phát hiện nay và bí quyết xử trí trong các bài viết tiếp theo.