Calculer la variance du coefficient de régression dans la régression linéaire simple

Dans la régression linéaire simple, nous avons , où . J'ai dérivé l'estimateur: où et sont les exemples de moyennes de et . $y = \beta_0 + \beta_1 x + u$ $u \sim iid\;\mathcal N(0,\sigma^2)$

\hat{β_{1}} = \frac{\sum_{i} (x_{i} - \bar{x}) (y_{i} - \bar{y})}{\sum_{i} (x_{i} - \bar{x})^{2}},

$\hat{\beta_1} = \frac{\sum_i (x_i - \bar{x})(y_i - \bar{y})}{\sum_i (x_i - \bar{x})^2}\ ,$

\bar{x}

$\bar{x}$

\bar{y}

$\bar{y}$

x

$x$

y

$y$

Maintenant, je veux trouver la variance de . J'ai dérivé quelque chose comme ce qui suit: $\hat\beta_1$

Var (\hat{β_{1}}) = \frac{σ^{2} (1 - \frac{1}{n})}{\sum_{i} (x_{i} - \bar{x})^{2}} .

$\text{Var}(\hat{\beta_1}) = \frac{\sigma^2(1 - \frac{1}{n})}{\sum_i (x_i - \bar{x})^2}\ .$

La dérivation est la suivante:

\begin{aligned} Var (\hat{β_{1}}) \\ = Var (\frac{\sum_{i} (x_{i} - \bar{x}) (y_{i} - \bar{y})}{\sum_{i} (x_{i} - \bar{x})^{2}}) \\ = \frac{1}{(\sum_{i} (x_{i} - \bar{x})^{2})^{2}} Var (\sum_{i} (x_{i} - \bar{x}) (β_{0} + β_{1} x_{i} + u_{i} - \frac{1}{n} \sum_{j} (β_{0} + β_{1} x_{j} + u_{j}))) \\ = \frac{1}{(\sum_{i} (x_{i} - \bar{x})^{2})^{2}} Var (β_{1} \sum_{i} (x_{i} - \bar{x})^{2} + \sum_{i} (x_{i} - \bar{x}) (u_{i} - \sum_{j} \frac{u_{j}}{n})) \\ = \frac{1}{(\sum_{i} (x_{i} - \bar{x})^{2})^{2}} Var (\sum_{i} (x_{i} - \bar{x}) (u_{i} - \sum_{j} \frac{u_{j}}{n})) \\ = \frac{1}{(\sum_{i} (x_{i} - \bar{x})^{2})^{2}} \times \\ E [{(\sum_{i} (x_{i} - \bar{x}) (u_{i} - \sum_{j} \frac{u_{j}}{n}) - \underset{= 0}{\underset{⏟}{E [\sum_{i} (x_{i} - \bar{x}) (u_{i} - \sum_{j} \frac{u_{j}}{n})]}})}^{2}] \\ = \frac{1}{(\sum_{i} (x_{i} - \bar{x})^{2})^{2}} E [{(\sum_{i} (x_{i} - \bar{x}) (u_{i} - \sum_{j} \frac{u_{j}}{n}))}^{2}] \\ = \frac{1}{(\sum_{i} (x_{i} - \bar{x})^{2})^{2}} E [\sum_{i} (x_{i} - \bar{x})^{2} (u_{i} - \sum_{j} \frac{u_{j}}{n})^{2}], since u_{i}'s are iid \\ = \frac{1}{(\sum_{i} (x_{i} - \bar{x})^{2})^{2}} \sum_{i} (x_{i} - \bar{x})^{2} E {(u_{i} - \sum_{j} \frac{u_{j}}{n})}^{2} \\ = \frac{1}{(\sum_{i} (x_{i} - \bar{x})^{2})^{2}} \sum_{i} (x_{i} - \bar{x})^{2} (E (u_{i}^{2}) - 2 \times E (u_{i} \times (\sum_{j} \frac{u_{j}}{n})) + E {(\sum_{j} \frac{u_{j}}{n})}^{2}) \\ = \frac{1}{(\sum_{i} (x_{i} - \bar{x})^{2})^{2}} \sum_{i} (x_{i} - \bar{x})^{2} (σ^{2} - \frac{2}{n} σ^{2} + \frac{σ^{2}}{n}) \\ = \frac{σ^{2}}{\sum_{i} (x_{i} - \bar{x})^{2}} (1 - \frac{1}{n}) \end{aligned}

$\begin{align} &\text{Var}(\hat{\beta_1})\\ & = \text{Var} \left(\frac{\sum_i (x_i - \bar{x})(y_i - \bar{y})}{\sum_i (x_i - \bar{x})^2} \right) \\ & = \frac{1}{(\sum_i (x_i - \bar{x})^2)^2} \text{Var}\left( \sum_i (x_i - \bar{x})\left(\beta_0 + \beta_1x_i + u_i - \frac{1}{n}\sum_j(\beta_0 + \beta_1x_j + u_j) \right)\right)\\ & = \frac{1}{(\sum_i (x_i - \bar{x})^2)^2} \text{Var}\left( \beta_1 \sum_i (x_i - \bar{x})^2 + \sum_i(x_i - \bar{x}) \left(u_i - \sum_j \frac{u_j}{n}\right) \right)\\ & = \frac{1}{(\sum_i (x_i - \bar{x})^2)^2}\text{Var}\left( \sum_i(x_i - \bar{x})\left(u_i - \sum_j \frac{u_j}{n}\right)\right)\\ & = \frac{1}{(\sum_i (x_i - \bar{x})^2)^2}\;\times \\ &\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;E\left[\left( \sum_i(x_i - \bar{x})(u_i - \sum_j \frac{u_j}{n}) - \underbrace{E\left[\sum_i(x_i - \bar{x})(u_i - \sum_j \frac{u_j}{n})\right] }_{=0}\right)^2\right]\\ & = \frac{1}{(\sum_i (x_i - \bar{x})^2)^2} E\left[\left( \sum_i(x_i - \bar{x})(u_i - \sum_j \frac{u_j}{n})\right)^2 \right] \\ & = \frac{1}{(\sum_i (x_i - \bar{x})^2)^2} E\left[\sum_i(x_i - \bar{x})^2(u_i - \sum_j \frac{u_j}{n})^2 \right]\;\;\;\;\text{ , since } u_i \text{ 's are iid} \\ & = \frac{1}{(\sum_i (x_i - \bar{x})^2)^2}\sum_i(x_i - \bar{x})^2E\left(u_i - \sum_j \frac{u_j}{n}\right)^2\\ & = \frac{1}{(\sum_i (x_i - \bar{x})^2)^2}\sum_i(x_i - \bar{x})^2 \left(E(u_i^2) - 2 \times E \left(u_i \times (\sum_j \frac{u_j}{n})\right) + E\left(\sum_j \frac{u_j}{n}\right)^2\right)\\ & = \frac{1}{(\sum_i (x_i - \bar{x})^2)^2}\sum_i(x_i - \bar{x})^2 \left(\sigma^2 - \frac{2}{n}\sigma^2 + \frac{\sigma^2}{n}\right)\\ & = \frac{\sigma^2}{\sum_i (x_i - \bar{x})^2}\left(1 - \frac{1}{n}\right) \end{align}$

Ai-je fait quelque chose de mal ici?

Je sais que si je faisais tout en notation matricielle, j'obtiendrais . Mais j'essaie d'obtenir la réponse sans utiliser la notation matricielle, juste pour m'assurer de bien comprendre les concepts. ${\rm Var}(\hat{\beta_1}) = \frac{\sigma^2}{\sum_i (x_i - \bar{x})^2}$

— mon nom est Jeff
source

Oui, votre formule de la notation matricielle est correcte. En regardant la formule en question, , on dirait plutôt que vous pourriez utiliser un exemple d'écart-type quelque part au lieu d'un écart-type de population? Sans voir la dérivation, il est difficile d'en dire plus.

1 - \frac{1}{n} = \frac{n - 1}{n}

$1-\frac1{n}\,=\,\frac{n-1}{n}$

— TooTone

Des réponses générales ont également été publiées dans le fil de discussion en double à l' adresse stats.stackexchange.com/questions/91750 .

— whuber

Réponses:

Au début de votre dérivation, multipliez les crochets , en développant à la fois et . Le premier dépend de la variable somme , alors que le dernier ne le fait pas. Si vous laissez en l'état, la dérivation est beaucoup plus simple, car $\sum_i (x_i - \bar{x})(y_i - \bar{y})$ $y_i$ $\bar{y}$ $i$ $\bar{y}$

\begin{aligned} \sum_{i} (x_{i} - \bar{x}) \bar{y} & = \bar{y} \sum_{i} (x_{i} - \bar{x}) \\ = \bar{y} ((\sum_{i} x_{i}) - n \bar{x}) \\ = \bar{y} (n \bar{x} - n \bar{x}) \\ = 0 \end{aligned}

$\begin{align} \sum_i (x_i - \bar{x})\bar{y} &= \bar{y}\sum_i (x_i - \bar{x})\\ &= \bar{y}\left(\left(\sum_i x_i\right) - n\bar{x}\right)\\ &= \bar{y}\left(n\bar{x} - n\bar{x}\right)\\ &= 0 \end{align}$

Par conséquent

\begin{aligned} \sum_{i} (x_{i} - \bar{x}) (y_{i} - \bar{y}) & = \sum_{i} (x_{i} - \bar{x}) y_{i} - \sum_{i} (x_{i} - \bar{x}) \bar{y} \\ = \sum_{i} (x_{i} - \bar{x}) y_{i} \\ = \sum_{i} (x_{i} - \bar{x}) (β_{0} + β_{1} x_{i} + u_{i}) \end{aligned}

$\begin{align} \sum_i (x_i - \bar{x})(y_i - \bar{y}) &= \sum_i (x_i - \bar{x})y_i - \sum_i (x_i - \bar{x})\bar{y}\\ &= \sum_i (x_i - \bar{x})y_i\\ &= \sum_i (x_i - \bar{x})(\beta_0 + \beta_1x_i + u_i )\\ \end{align}$

\begin{aligned} Var (\hat{β_{1}}) & = Var (\frac{\sum_{i} (x_{i} - \bar{x}) (y_{i} - \bar{y})}{\sum_{i} (x_{i} - \bar{x})^{2}}) \\ = Var (\frac{\sum_{i} (x_{i} - \bar{x}) (β_{0} + β_{1} x_{i} + u_{i})}{\sum_{i} (x_{i} - \bar{x})^{2}}), substituting in the above \\ = Var (\frac{\sum_{i} (x_{i} - \bar{x}) u_{i}}{\sum_{i} (x_{i} - \bar{x})^{2}}), noting only u_{i} is a random variable \\ = \frac{\sum_{i} (x_{i} - \bar{x})^{2} Var (u_{i})}{{(\sum_{i} (x_{i} - \bar{x})^{2})}^{2}}, independence of u_{i} and, Var (k X) = k^{2} Var (X) \\ = \frac{σ^{2}}{\sum_{i} (x_{i} - \bar{x})^{2}} \end{aligned}

$\begin{align} \text{Var}(\hat{\beta_1}) & = \text{Var} \left(\frac{\sum_i (x_i - \bar{x})(y_i - \bar{y})}{\sum_i (x_i - \bar{x})^2} \right) \\ &= \text{Var} \left(\frac{\sum_i (x_i - \bar{x})(\beta_0 + \beta_1x_i + u_i )}{\sum_i (x_i - \bar{x})^2} \right), \;\;\;\text{substituting in the above} \\ &= \text{Var} \left(\frac{\sum_i (x_i - \bar{x})u_i}{\sum_i (x_i - \bar{x})^2} \right), \;\;\;\text{noting only $u_i$ is a random variable} \\ &= \frac{\sum_i (x_i - \bar{x})^2\text{Var}(u_i)}{\left(\sum_i (x_i - \bar{x})^2\right)^2} , \;\;\;\text{independence of } u_i \text{ and, Var}(kX)=k^2\text{Var}(X) \\ &= \frac{\sigma^2}{\sum_i (x_i - \bar{x})^2} \\ \end{align}$

quel est le résultat que vous voulez.

En passant, j'ai passé beaucoup de temps à essayer de trouver une erreur dans votre calcul. En fin de compte, j'ai décidé que la discrétion était la meilleure partie de la valeur et qu'il valait mieux essayer une approche plus simple. Cependant, je ne suis pas sûr que cette étape soit justifiée car il manque les termes croisés à cause de .

\begin{aligned} = . \frac{1}{(\sum_{i} (x_{i} - \bar{x})^{2})^{2}} E [{(\sum_{i} (x_{i} - \bar{x}) (u_{i} - \sum_{j} \frac{u_{j}}{n}))}^{2}] \\ = \frac{1}{(\sum_{i} (x_{i} - \bar{x})^{2})^{2}} E [\sum_{i} (x_{i} - \bar{x})^{2} (u_{i} - \sum_{j} \frac{u_{j}}{n})^{2}], since u_{i}'s are iid \end{aligned}

$\begin{align} & =. \frac{1}{(\sum_i (x_i - \bar{x})^2)^2} E\left[\left( \sum_i(x_i - \bar{x})(u_i - \sum_j \frac{u_j}{n})\right)^2 \right] \\ & = \frac{1}{(\sum_i (x_i - \bar{x})^2)^2} E\left[\sum_i(x_i - \bar{x})^2(u_i - \sum_j \frac{u_j}{n})^2 \right]\;\;\;\;\text{ , since } u_i \text{ 's are iid} \\ \end{align}$

\sum_{j} \frac{u_{j}}{n}

$\sum_j \frac{u_j}{n}$

— Ton trop
source

J'ai remarqué que je pouvais utiliser l'approche plus simple il y a longtemps, mais j'étais déterminé à approfondir et à trouver la même réponse en utilisant des approches différentes, afin de m'assurer de bien comprendre les concepts. Je réalise que le premier des équations normales (FOC de la méthode des moindres carrés), donc , plus , donc . Donc, il n'y aura pas le terme en premier lieu.

\sum_{j} \hat{u_{j}} = 0

$\sum_j \hat{u_j} = 0$

\bar{\hat{u}} = \frac{\sum_{i} u_{i}}{n} = 0

$\bar{\hat{u}} = \frac{\sum_i u_i}{n}=0$

\bar{\hat{u}} = \bar{y} - \bar{\hat{y}} = 0

$\bar{\hat{u}} = \bar{y} - \bar{\hat{y}} = 0$

\bar{y} = \bar{\hat{y}}

$\bar{y} = \bar{\hat{y}}$

\sum_{j} \frac{u_{j}}{n}

$\sum_j \frac{u_j}{n}$

— mynameisJEFF

ok, dans votre question, l’accent était mis sur l’évitement de la notation matricielle.

— TooTone

Oui, car j'ai pu résoudre le problème en utilisant la notation matricielle. Et remarquez de mon dernier commentaire, je n’ai utilisé aucune algèbre linéaire. Merci pour votre excellente réponse quand même ^. ^

— mynameisJEFF

désolé parle-t-on à contre-sens ici? Je n'ai pas non plus utilisé de notation matricielle dans ma réponse, et je pensais que c'était ce que vous demandiez dans votre question.

— TooTone

désolé pour le malentendu haha ...

— mynameisJEFF

Je crois que le problème de votre preuve est l’étape où vous prenez la valeur attendue du carré de . C'est de la forme , où . Donc, en quadrillant, nous obtenons . Maintenant, à partir d’un calcul explicite, , donc comme $\sum_i (x_i - \bar{x} )\left( u_i -\sum_j \frac{u_j}{n} \right)$ $E \left[\left(\sum_i a_i b_i \right)^2 \right]$ $a_i = x_i -\bar{x}; b_i = u_i -\sum_j \frac{u_j}{n}$ $E \left[ \sum_{i,j} a_i a_j b_i b_j \right] = \sum_{i,j} a_i a_j E\left[b_i b_j \right]$ $E\left[b_i b_j \right] = \sigma^2 \left( \delta_{ij} -\frac{1}{n} \right)$ $E \left[ \sum_{i,j} a_i a_j b_i b_j \right] = \sum_{i,j} a_i a_j \sigma^2 \left( \delta_{ij} -\frac{1}{n} \right) = \sum_i a_i^2 \sigma^2$ $\sum_i a_i = 0$ .

— Stefano
source

Commencez par "La dérivation est la suivante:" Le 7 "=" est faux.

Car

$\sum_i (x_i - \bar{x})(u_i - \bar{u})$

$= \sum_i (x_i - \bar{x})u_i - \sum_i (x_i - \bar{x}) \bar{u}$

$= \sum_i (x_i - \bar{x})u_i - \bar{u} \sum_i (x_i - \bar{x})$

$= \sum_i (x_i - \bar{x})u_i - \bar{u} (\sum_i{x_i} -n \bar{x})$

$= \sum_i (x_i - \bar{x})u_i - \bar{u} (\sum_i{x_i} -\sum_i{x_i})$

$= \sum_i (x_i - \bar{x})u_i - \bar{u} 0$

$= \sum_i (x_i - \bar{x})u_i$

Donc après 7 "=" il devrait être:

$\frac {1} {(\sum_i(x_i-\bar{x})^2)^2}E\left[\left(\sum_i(x_i-\bar{x})u_i\right)^2\right]$

$=\frac {1} {(\sum_i(x_i-\bar{x})^2)^2}E\left(\sum_i(x_i-\bar{x})^2u_i^2 + 2\sum_{i\ne j}(x_i-\bar{x})(x_j-\bar{x})u_iu_j\right)$

= $\frac {1} {(\sum_i(x_i-\bar{x})^2)^2}E\left(\sum_i(x_i-\bar{x})^2u_i^2\right) + 2E\left(\sum_{i\ne j}(x_i-\bar{x})(x_j-\bar{x})u_iu_j\right)$

= , car et sont indépendants et signifient 0, alors $\frac {1} {(\sum_i(x_i-\bar{x})^2)^2}E\left(\sum_i(x_i-\bar{x})^2u_i^2\right)$ $u_i$ $u_j$ $E(u_iu_j) =0$

= $\frac {1} {(\sum_i(x_i-\bar{x})^2)^2}\left(\sum_i(x_i-\bar{x})^2E(u_i^2)\right)$

$\frac {\sigma^2} {(\sum_i(x_i-\bar{x})^2)^2}$

— utilisateur158565
source

Il pourrait être utile de modifier votre réponse pour inclure la ligne correcte.

— mdewey

Votre réponse est automatiquement signalée comme étant de mauvaise qualité car elle est très courte. Veuillez élargir votre réponse.

— Glen_b -Reinstate Monica