Эконометрика – наука, позволяющая исследовать закономерности в реальных данных. К концу курса мы научимся отвечать на два вопроса. Как одна переменная, y, зависит от другой переменной, x? Как спрогнозировать переменную y? Мы будем подробно изучать линейные регрессионные модели, рассмотрим наиболее частые отклонения от предпосылок классической линейной регрессии. Изучим базовые модели (логит и пробит) для качественных зависимых переменных. Наряду с теоретической основой мы будем работать с реальными данными, используя статистический пакет R. Необходимые знания: Теория вероятностей и математическая статистика. Линейная алгебра опционально.
2.2.1. Работа со случайными величинами в R
Loading...
Из курса от партнера National Research University Higher School of Economics
Эконометрика (Econometrics)
365 оценок
Explore Related Videos
At Coursera, you will find the best lectures in the world. Here are some of our personalized recommendations for you
Из урока
Статистические свойства оценок коэффициентов
Бета с крышкой - друг и враг эконометриста :)
Познакомьтесь с преподавателями
Boris DemeshevSenior Lecturer
Department of Applied Economics
Перейдем к компьютерной части второй лекции.
Запускаем наш R студио, открываем,
чтобы долго не набирать, небольшой файл-заготовку lab_02_before.R и,
как и любой серьезный файл с каким-то исследованием,
он начинается с загрузки большого числа полезных пакетов,
в которых содержатся полезные и удобные функции.
Поскольку с некоторыми из этих пакетов мы работаем в первый раз,
то их сначала необходимо предварительно скачать, установить из Интернета.
Для этого, мы залазим в меню Tools выбираем опцию
Install packages и через запятую пишем те пакеты, которые мы собираемся
использовать в первый раз memisc, можно просто их,
то есть эта установка делается один раз dplyr, psych и так далее.
И нажимаем install и соответственно, они поставятся.
Поскольку на моем компьютере они уже стоят, то я тут нажму Cancel,
а при нажатии кнопки Install, они поставятся.
После того, как пакеты установлены, мы можем быстренько понажимать
Ctrl+Enter или у кого Mac — Command+Enter, активировать все пакеты.
И приступить к
решению содержательных задач.
Первая задача, с которой мы начнем, это как
в R генерить случайные величины, как считать вероятности, как зная вероятность,
находить точку, которая соответствует данной вероятности, квантили распределения.
Поехали, задача один: «как генерить, генерировать случайные величины».
Генерируем случайные величины.
Допустим, мы хотим сгенерировать
100 нормально распределенных случайных величин.
То есть наша задача сгенерировать x_1 ...,
x_{100}, давайте лучше z напишем, чтобы не путать с регрессорами.
z_2, ...,
z_{100}, так, чтобы каждая из z была нормальна с математическим ожиданием,
скажем, 5 и дисперсией, скажем, 9.
Это сделать очень просто.
Мы создаем вектор z.
Любая генерация случайных величин, там много разных распределений бывает, да,
начинается с буквы r — сокращение от слова random.
Нормальные случайные величины генерятся командой rnorm, а какое-нибудь
другое распределение генерится r и какое-нибудь другое сокращение.
Давайте начнем с нормальных.
Нам нужно 100 случайных величин.
Поэтому rnorm(100), а дальше надо указать параметры нормального распределения.
В данном случае параметры: среднее равно 5, mean равно 5, а дисперсия равна 9,
в R, если нажать Tab, то можно посмотреть, надо указывать стандартное
отклонение и поэтому мы укажем стандартное отклонение 3.
Нажимаем Ctrl+Enter и у нас вот справа появляется в окошке, что в
памяти компьютера находится теперь вектор z длины 100 и вот его первые значения.
Можно посмотреть какое-то конкретное значение,
например, чему равно 56-ое значение z.
Можно посмотреть несколько, допустим, со 2 по 9.
Вот это значения z со 2 по 9.
Можно, например, построить гистограмму
полученного вектора z то есть гистограмму, полученных чисел,
вот действительно, так издалека похоже на нормальное распределение.
Если бы было не 100 случайных величин, а больше,
то гистограмма была больше бы похожа на классическую функцию плотности.
Помимо генерации случайных величин,
может потребоваться построить например ее функцию плотности.
Давайте построим функцию плотности нашей случайной величины, любой из z: z_1,
z_2, они все одинаково распределены нормально со средним 5 и дисперсией 9.
Построим функцию плотности.
Для того чтобы построить график функции плотности,
надо сначала сказать при каких иксах мы его будем строить.
То есть значение абсциссы, а соответственно,
значение ординаты — это будет функция плотности.
Поскольку у нас случайная величина около 5, плюс-минус 2 стандартных ошибки
— это плюс-минус 6, соответственно, она где-то бегает от минус 1 до 11.
И иногда вылезает за эти пределы.
Поэтому, давайте мы построим график функции плотности при иксах, лежащих в
диапазоне, скажем от минус 10 и до 15 и точность у нас будет с шагом 0.5.
То есть точечки будут через каждые 0.5 по оси абсцисс.
Соответственно, можно посмотреть на этот вектор х.
Вектор х это видно минус 10, минус 9,5, минус 9, минус 8,5 и так далее до 15.
Начинается с минус 10 и заканчивается 15 с шагом 0.5.
Соответственно, игрек это должно быть значение функции плотности по оси ординат.
Все функции плотности в R начинаются с буквы d, сокращение от density.
Соответственно, функция плотности нормальной случайной величины это dnorm.
Значит, пишем dnorm, в скобках мы указываем наши иксы и параметры
нашего распределения, параметры нормального распределения — это среднее
равно 5 и стандартное отклонение, равное 3.
Сгенерили значения ординат, соответственно,
теперь мы можем построить график qplot по оси икс откладываем икс,
по оси игрек откладываем игрек и получаем вот такой вот график.
Обычно, поскольку функция плотности является непрерывной
функцией в данном случае, то можно подчеркнуть этот факт и построить функцию,
указав тип геометрии графика «линия», соответственно,
мы получим вот такой сглаженный график и действительно,
в среднем случайная величина равна 5, за минус 5 и за 15 попадает очень редко.
Вот такая у нас получилась функция плотности.
Теперь перейдем к следующей задаче — расчету вероятностей.
Давайте посчитаем, скажем, вероятность того,
что z окажется меньше 3.
Поскольку вероятность того, что z меньше 3 — это не что иное,
как функция распределения в точке 3, для любой случайной величины вероятность того,
что она будет меньше конкретного числа,
это функция распределения данной случайной величины в данной точке.
Все функции распределения в R начинаются с буквы p,
сокращение от probability distribution function.
Соответственно, в данном случае мы получаем, что нам надо найти pnorm от 3,
если среднее равно 5, а стандартное отклонение равно 3.
Я пропустил знак равенства.
Стандартное отклонение равно 3.
Или например, если я хочу найти вероятность того,
что z лежит в диапазоне от 4 до 9,
то это есть с точки зрения здравого смысла вероятность того,
что z меньше 9 минус вероятность того, что z меньше 4.
И, соответственно, можно посчитать эту вероятность как pnorm в точке 9 с
параметрами среднее равно 5, стандартное отклонение равно 3 минус
функция распределения в точке 4,
а параметры остались те же самые, среднее равно 5, стандартное отклонение равно 3.
Соответственно, искомая вероятность равна 0.53.
И по аналогии можно еще найти квантили распределения.
Что такое квантили распределения?
Квантиль — это на самом деле, обратная функция к функции распределения.
То есть, если, например, я хочу найти такое число а, чтобы вероятность того,
что z меньше а была равна, скажем, 0.7.
И вот надо найти такое а.
То соответственно, это можно найти с помощью квантильной функции,
квантили начинаются с буквы q в r, qnorm от 0.7,
параметры те же самые, 5 и стандартное отклонение 3.
И, судя по графику, чтобы вероятность составила 0.7,
нам надо, получится число где-то большее 5, да.
И вот, тут где-то 6.57 и вот слева от 6.57 площадь под графиком равна 0.7.
Соответственно, помимо нормального распределения,
естественно в R есть и другие самые популярные распределния это хи-квадрат, t
и F, которые нам понадобятся.
Соответственно, для них, соответствующие четверки функции будут выглядеть как
rchisq, dchisq — это функция
плотности хи-квадрат случайной величины, pchisq — это
функция распределения и qchisq, и аналогично для t и F.
rt функция позволяет генерировать t распределение.
dt — это функция плотности t-распределения, pt — это функция
распределения t-распределения и qt — это квантильная функция,
и аналогично для F распределения.
Ознакомьтесь с нашим каталогом
Присоединяйтесь бесплатно и получайте персонализированные рекомендации, обновления и предложения.
Coursera делает лучшее в мире образование доступным каждому, предлагая онлайн-курсы от ведущих университетов и организаций.
© Coursera Inc., 2019 Все права защищены.
