پاورپوینت کامل مبانی اقتصاد سنجی گجراتی ترجمه حمید ابریشمی فصل سوم مدل رگرسیون دو متغیره مساله تخمین ۲۴ اسلاید در PowerPoint

توجه : این فایل به صورت فایل power point (پاور پوینت) ارائه میگردد

 پاورپوینت کامل مبانی اقتصاد سنجی گجراتی ترجمه حمید ابریشمی فصل سوم مدل رگرسیون دو متغیره مساله تخمین ۲۴ اسلاید در PowerPoint دارای ۲۴ اسلاید می باشد و دارای تنظیمات کامل در PowerPoint می باشد و آماده ارائه یا چاپ است

شما با استفاده ازاین پاورپوینت میتوانید یک ارائه بسیارعالی و با شکوهی داشته باشید و همه حاضرین با اشتیاق به مطالب شما گوش خواهند داد.

لطفا نگران مطالب داخل پاورپوینت نباشید، مطالب داخل اسلاید ها بسیار ساده و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی پاورپوینت کامل مبانی اقتصاد سنجی گجراتی ترجمه حمید ابریشمی فصل سوم مدل رگرسیون دو متغیره مساله تخمین ۲۴ اسلاید در PowerPoint،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن پاورپوینت کامل مبانی اقتصاد سنجی گجراتی ترجمه حمید ابریشمی فصل سوم مدل رگرسیون دو متغیره مساله تخمین ۲۴ اسلاید در PowerPoint :

فصل سوم: مدل رگرسیون دو متغیره: مسأله تخمین

مقدمه

روش حداقل مربعات معمولی

تخمین زننده ها

خصوصیات تخمین ‌زننده ‌ها

خصوصیات خط رگرسیون

فرضیات اساسی روش حداقل مربعات

خطای معیار (استاندارد) یا دقت تخمین‌های حداقل مربعات

ویژگیهای واریانس

خصوصیات تخمین ‎زننده‎ های حداقل مربعات

قضیه گوس مارکف

معیار اندازه‌ گیری میزان همبستگی

فصل سوم
مدل رگرسیون دو متغیره : مساله تخمین

چکیده :
در این فصل سعی در تخمین حتی الامکان دقیق تابع رگرسیون جامعه (PRF) بر اساس تابع رگرسیون نمونه (SRF) به روش حداقل مربعات معمولی (OLS) می‌باشد.
روش حداقل مربعات معمولی :
این روش منصوب به کارل فردریک گوس می‌باشد.
قاعده کلی حداقل مربعات:
از آنجایی که می‌باشد (اثبات ضمیمه):

معادله اول نرمال

۲) معادله دوم نرمال

۰ = معادله اول نرمال

۰= معادله دوم نرمال
تخمین زننده ها :
خصوصیات تخمین‌زننده‌ها
منحصراً بر حسب مقادیر قابل مشاهده بیان می‌شوند.
تخمین زنهای نقطه‌ای هستند.
خصوصیات خط رگرسیون
۱. این خط از میانگین X و Y نمونه می‌گذرد.
۲. مقدار متوسط Y تخمین زده شده مساوی است بامقدار متوسط Y واقعی:

۳.مقدار میانگین باقیمانده‌ها (ei) صفر است.

معادله اول نرمال

۴. باقیمانده‌های ei با Yi پیش‌بینی شده همبستگی ندارند.
با توجه به این نکته که

۵. باقیمانده‌های ei با Xi همبستگی ندارند.
معادله دوم نرمال
فرضیات اساسی روش حداقل مربعات
فرض (۱): میانگین Uiها صفر است . E (Ui I Xi) = 0

فرض (۲): عدم وجود خودهمبستگی بین uها

فرض (۳): یکسانی (همسانی) واریانس Uiها

فرض (۴): کوواریانس صفر بین Ui و Xi

فرض فرعی: تمام مقادیر X نباید مشابه باشند.
فرض (۵): مدل رگرسیون دقیقاً تصریح شده است (عدم وجود خطای تصریح یا تورش)

خطای معیار (استاندارد) یا دقت تخمین‌های حداقل مربعات
فروض :

فروض:
ویژگیهای واریانس:
۱) واریانس مستقیماً با اما به طور معکوس با تناسب دارد.
۲) واریانس با و بطور مستقیم، ولی با وحجم نمونه به طور معکوس تناسب دارد.
۳) و از نمونه‌ای به نمونه دیگر تغییر می‌یابند و در یک نمونه مفروض نیز وابسته به یکدیگرند .
خصوصیات تخمین‎زننده‎های حداقل مربعات
۱. خطی
۲. بدون تورش کارآیی جامعیت
۳. حداقل واریانس

قضیه گوس مارکف :
با توجه به فروض مدل کلاسیک، رگرسیون خطی،تخمین‎زننده‎های حداقل مربعات در بین تخمین زننده‎های خطی، بدون تورش و دارای حداقل واریانس(BLUE) می‎باشند.
ضریب تعیین ۲R: «معیار خوبی برازش»
معیاری است که چگونگی خوبی برازش خط رگرسیون نمونه را اندازه‎گیری می‎کند.

مجموع مربعات کل (TSS)

مجموع مربعات توضیح داده شده (ESS)

مجموع مربعات باقیمانده (RSS)

TSS = ESS + RSS
رابطه قبل را بر TSS تقسیم می‌کنیم:

ویژگی‌های R2:
۱) کمیتی غیرمنفی است.
۲)

معیار اندازه‌گیری میزان همبستگی
ویژگی های r :
۱) می‌تواند مثبت یا منفی باشد.
۲)
۳) کمیتی قرینه می‌باشد. r YX = r XY
۴) مستقل از مبدأ و مقیاس اندازه‌گیری می‌باشد.
۵) اگر X و Y مستقل باشند ،ضریب همبستگی بین آنها صفر است اما عکس این قضیه الزاماً صحیح نمی‌باشد.
۶) معیاری جهت همبستگی یا وابستگی خطی است و برای توصیف ارتباطات غیرخطی قابل استفاده نیست.
۷) بیانگر هیچ‌گونه رابطه علت و معلولی نمی‌باشد .