Нелинейные модели парной регрессии

            Если между исследуемыми и факторными переменными связь имеет нелинейный характер, то для построения модели необходимо использовать нелинейные функции.

            Рассмотрим наиболее распространённые парные нелинейные модели.

            Парабола второй степени определяет следующий вид модели:

.                                                      (2.13)

Параболическую модель целесообразно использовать, если связь меняет свой характер: прямая связь меняется на обратную или, наоборот, обратная связь меняется на прямую. Например, размер заработной платы работников физического труда в среднем растёт до некоторого возраста, а затем начинает убывать. Для определения параметров модели a, b, c модель (2.13) сводится путём замены переменных  к линейной модели двухфакторной модели

                                                      (2.14)

Для оценки параметров модели вида (2.14), как будет показано далее, используется метод наименьших квадратов (МНК).

            В основе гиперболической модели лежит уравнение гиперболы:

                                                       (2.15)

Классическим примером гиперболической модели является кривая Филипса, характеризующая нелинейное соотношение между нормой безработицы x и процентом прироста заработной платы y: при росте x до некоторого уровня y также растёт, а при дальнейшем росте x рост y приостанавливается. Этот же характер связи проявляется при изучении зависимости расходов на единицу продукции сырья, материалов, топлива (то есть переменных затрат) от объёма выпускаемой продукции. Другим примером гиперболической зависимости является зависимость времени оборота товаров в зависимости от величины товарооборота. Кривые Энгеля, описывающие долю доходов, расходуемых на непродовольственные товары, в зависимости от размера доходов также описываются гиперболическими функциями.

            Сделав замену , мы сведём уравнение (2.15) к линейному виду:

,                                                  (2.16)

для оценки параметров которого используется МНК.

            Степенная модель

                                                     (2.17)

применяется для описания изменения спроса при изменении цены на товар. Параметр b в ней показывает, на сколько процентов уменьшится в среднем спрос, если цена увеличится на 1% (то есть b – отрицательная величина) и называется коэффициентом эластичности. Логарифмирование соотношения (2.17) приводит его к линейному виду:

                                                              (2.18)

Применение метода наименьших квадратов (с использованием прологарифмированных данных рядов наблюдений x и y) позволит нам найти коэффициенты уравнения (2.18) ln a  и b, тем самым позволит найти параметры исходной степенной модели a и b.

            В эконометрических исследованиях применяется также показательная модель:

.                                                                (2.19)

Она также сводится к линейному виду путём логарифмирования:

.                                                 (2.20)

После логарифмирования ряда фактических значений y и применения МНК получим значения ln a  и  ln b. Возводя основание логарифма (в данном случае число e) в степень с использованием полученных значений, мы получим оценки параметров а и b исходной показательной модели.

            Необходимо отметить, что не все нелинейные модели можно свести к линейной. Если модель не сводится к линейной, то она называется внутренне нелинейной.

            Построим показательную модель по данным Примера 1. Для этого построим таблицу, аналогичную Таблице 2, в качестве исходных данных которой будут выступать x1 и, z = ln y.

                                                                                                            Таблица 3

Тогда  . Зная параметры степенной модели a и b, мы можем вычислить расчётные значения исследуемого признака по формуле (2.17) и составить ряд остатков.

                                                                                                            Таблица 4

Вычислим характеристики качества полученной показательной модели:

Характеристики качества показательной модели оказались лучше соответствующих характеристик линейной модели. Точность модели можно считать удовлетворительной.

            Построив несколько моделей, выбрав из них лучшую, удовлетворяющую необходимым требованиям к качеству и точности модели, мы можем использовать эту модель для прогнозирования.