Некоторые обобщения
Рассмотрим, например, функцию потребления:
,
где с - потребление некоторых пищевых продуктов на душу населения в некотором году;
y - реальные доходы на душу населения;
p - индекс цен на этот продукт;
b0, b1, b2 - константы.
Это уравнение описывает (в среднем) поведение потребителя по отношению к покупке данного пищевого продукта в зависимости от уровня цен и реального душевого дохода.
Закон поведения будет определен, как только мы найдем значения коэффициентов b0, b1, b2. Соответственно задача эконометрики - определить (оценить) эти коэффициенты. Но это не единственная задача. Можно задать много других вопросов, например, нет ли переменных, которые следовало бы дополнительно включить в уравнение? Не следует ли исключить из уравнения некоторые переменные? Насколько адекватно измерены наши данные? Верно ли, что модель линейная? и т.д. Эконометрика рассматривает все эти вопросы в полном объеме. При этом в зависимости от конкретных обстоятельств и ситуации могут формироваться различные модели: однофакторные, двухфакторные и многофакторные. Формируются они, главным образом, на основе классических регрессионных моделей.
Пример: пусть - спрос на товар в момент t, - предложение товара в момент t, pt - цена товара в момент времени t, yt - доход в момент времени t. В этом случае уравнение спроса, предложения имеет вид:
1. (уравнение спроса).
2. (уравнение предложения).
Рассмотрим модель парной регрессии. Пусть у нас есть набор значений двух переменных: xt, yt, t = 1,2,..., n. Предположим, что задачей является подобрать функцию y = f(x) из параметрического семейства функций f(x, b), наилучшим образом описывающую зависимость y от x. Поиск функции данного типа означает практически, что нужно выбрать "наилучшее" значение параметра b.
В качестве меры отклонения функции f (x, b) от набора наблюдений можно взять:
- сумму квадратов отклонений, т.е.
;
- сумму модулей отклонений, т.е.
;
- или в общем случае
,
где g - "мера", с которой отклонение входит в функцию F.
Достоинства и недостатки перечисленных функционалов: