Обсуждение статьи "Неопределённость как модель (Часть 6): Множественная регрессия и диагностика"

[MetaQuotes]

Опубликована статья Неопределённость как модель (Часть 6): Множественная регрессия и диагностика:

Практическое введение в множественную регрессию с детерминированными факторами для финансовых рядов. Рассматриваются постановка и матричная форма МНК, диагностика остатков, EDA/CDA, R-квадрат и скорректированный R-квадрат, F-тест, RESET, тест Бройша–Пагана, VIF и расстояние Кука. Показаны приёмы работы с регрессорами: фиктивные переменные, нелинейные трансформации и взаимодействия. Примеры с трендом, днями недели и новостями помогают отбирать факторы и строить пригодные для прогноза модели.

На зависимую переменную, как правило, влияет совокупность факторов. Исследование их по отдельности в рамках парной регрессии приводит к ложным результатам, особенно если регрессоры коррелированны между собой. В этом случае влияние неучтённых факторов переходит в случайную составляющую, лишая модель её ключевых свойств. Оценки параметров становятся смещёнными: они систематически завышают или занижают истинную степень влияния переменных.

Однако это не означает, что в модель следует включать максимально возможное число предикторов. Избыточные переменные, не имеющие реальной связи с изучаемым процессом, снижают точность модели и ведут к неверным выводам.

Таким образом, возникает задача построения модели множественной регрессии, которая учитывает одновременное влияние нескольких факторов. При этом нам необходим математический инструментарий для сравнения различных спецификаций. Это позволит отобрать тот набор регрессоров, который наиболее адекватно описывает исследуемую зависимость и пригоден для решения практических задач.

Автор: Aleksey Nikolayev