Lineares Regressionsmodell

Aus MM*Stat

Version vom 14. Mai 2018, 21:51 Uhr von Germainf (Diskussion | Beiträge) (Die Seite wurde neu angelegt: „{{Regression}} =={{Vorlage:Überschrift}}== ===Einfache lineare Regressionsfunktion oder Regressionsgerade=== Die ''einfache lineare Regressionsfunktion''…“)
(Unterschied) ← Nächstältere Version | Aktuelle Version (Unterschied) | Nächstjüngere Version → (Unterschied)
Wechseln zu: Navigation, Suche

Regression

Regressionsanalyse • Lineares Regressionsmodell • Schätzung der Regressionsparameter • Güte der Regression • Multiple Choice • Video • Aufgaben • Lösungen
Abhängige Variable • Bestimmtheit der Regression • Bestimmtheitsmaß • Einfache lineare Regressionsfunktion • Endogene Variable • Erklärende Variable • Erklärte Variable • Exogene Variable • Linearer Regressionskoeffizient • Methode der kleinsten Quadrate (Regression) • Multiple lineare Regression • Regressand • Regressionsfunktion • Regressionsgerade • Regressionskonstante • Regressionsparameter • Regressor • Regresswert • Residuum • Restgröße • Unabhängige Variable


Grundbegriffe

Einfache lineare Regressionsfunktion oder Regressionsgerade

Die einfache lineare Regressionsfunktion oder Regressionsgerade hat die Form:

Hierbei sind die beobachteten Werte des Merkmals (fest vorgegeben) und und die noch unbekannten Regressionsparameter.

Der jeweilige Beobachtungswert ergibt sich durch die Addition des Residuums zum Regresswert (vgl. auch die grafische Darstellung):

<R output="display">

pdf(rpdf, width=7, height=7)

par(font=2) par(mar=c(2,1,2,1)+0.1) c=1.4

plot(2.5, 3, pch=4, col="red", lwd=2, xaxt="n", yaxt="n", xlim=c(0,6), ylim=c(0,4.5), xlab="", ylab="", axes=F, cex=2)

arrows(0, 0, 0, 4.7, code = 2, xpd = TRUE, angle=20, length=0.15) arrows(0, 0, 6.2, 0, code = 2, xpd = TRUE, angle=20, length=0.15) arrows(0.3, 0, 0.3, 1, code=3, angle=20, length=0.1) arrows(1, 1, 1, 1.4, code=3, angle=20, length=0.1) arrows(3.55, 0, 3.55, 3, code=3, angle=20, length=0.1) arrows(1.7, 2, 1.7, 3, code=3, angle=20, length=0.1) arrows(2.8, 0, 2.8, 2, code=3, angle=20, length=0.1)

lines(c(0,6), c(1, 3.4), lwd=2, col="green") lines(c(0,1), c(1,1)) lines(c(1.7, 3.55), c(3, 3)) lines(c(1.7, 3.2), c(2,2))

points(c(1,2.5), c(0, 0), pch=15, cex=0.5)

mtext("1", side=1, line=0, at=1, cex=c) mtext(expression(bold(X["i"])), side=1, line=0, at=2.5, cex=c) mtext("X", side=1, line=0, at=6.3, cex=c) mtext("Y", side=2, line=0, at=4.8, las=2, cex=c)

text(5.5, 3.7, expression(bold(hat(y) * "=" * b["0"] * "+" * b["1"]*x)), cex=c) text(0.5, 0.5, expression(bold(b["0"])), cex=c) text(1.2, 1.2, expression(bold(b["1"])), cex=c) text(3.7, 1.4, expression(bold(y["i"])), cex=c) text(1.2, 2.5, expression(bold(y["i"] * "-" * hat(y)["i"] * "=" * hat(u)["i"])), cex=c) text(3, 1, expression(bold(hat(y)["i"])), cex=c)</R>

Regressionsparameter: Regressionskonstante und linearer Regressionskoeffizient

Die Regressionsparameter der einfachen linearen Regressionfunktion haben folgende Bedeutung:

  • - Regressionskonstante
Sie kennzeichnet den Schnittpunkt der Regressionsfunktion mit der -Achse und besitzt die gleiche Maßeinheit wie das Merkmal .
  • - linearer Regressionskoeffizient
Er kennzeichnet den Anstieg der Regressionsfunktion. Er gibt an, um wieviel Einheiten sich der Wert des Merkmals durchschnittlich ändert, wenn der Wert des Merkmals um eine Einheit geändert wird.

Multiple lineare Regression

Werden mehr als eine erklärende Variable in das lineare Modell eingefügt, so handelt es sich um eine multiple lineare Regression.

Dementsprechend wird eine multiple lineare Regressionsfunktion mit exogenen Variablen aufgestellt:

Die Schätzung der Regressionsparameter erfolgt wie auch bei der einfachen linearen Regressionfunktion mittels der Kleinste-Quadrate-Methode (KQ).

Auf eine weitergehende Darstellung wird an dieser Stelle verzichtet, da die multiple Regressionsanalyse ein Thema der Ökonometrie-Lehrveranstaltung ist.