коэффициент корреляции равный нулю означает что между переменными
Корреляция и коэффициент корреляции
Корреляция — степень связи между 2-мя или несколькими независимыми явлениями.
Корреляция бывает положительной и отрицательной.
Положительная корреляция (прямая) возникает при одновременном изменении 2-х переменных величин в одинаковых направлениях (в положительном или отрицательном). Например, взаимосвязь между количеством пользователей, приходящих на сайт из поисковой выдачи и нагрузкой на сервер: чем больше пользователей, тем больше нагрузка.
Корреляция отрицательна (обратная), если изменение одной величины приводит противоположному изменению другой. Например, с увеличением налоговой нагрузки на компании уменьшается их прибыль. Чем больше налогов, тем меньше денег на развитие.
Типичные виды корреляции
Эффективность корреляции как статистического инструмента заключается в возможности выражения связи между двумя переменными при помощи коэффициента корреляции.
При значении КК равным 1, следует понимать, что при каждом изменении 1-й переменной происходит эквивалентное изменение 2-й переменной в том же направлении.
Положительная корреляция концентраций этанола в синовии и крови
Отрицательная корреляция между показателями результатов в беге на 100 м с барьерами и прыжками в длину
| Значение | Интерпретация |
| до 0,2 | Очень слабая |
| до 0,5 | Слабая |
| до 0,7 | Средняя |
| до 0,9 | Высокая |
| свыше 0,9 | Очень высокая корреляция |
Данный метод обработки статистической информации популярен в экономических, технических, социальных и других науках в виду простоты подсчета КК, простотой интерпретации результатов и отсутствия необходимости владения математикой на высоком уровне.
Корреляционная зависимость отражает только взаимосвязь между переменными и не говорит о причинно-следственных связях: положительная или отрицательная корреляция между 2-мя переменными не обязательно означает, что изменение одной переменной вызывает изменение другой.
Например, есть положительная корреляция между увеличением зарплаты менеджеров по продажам и качеством работы с клиентами (повышения качества обслуживания, работа с возражениями, знание положительных качеств продукта в сравнении с конкурентами) при соответствующей мотивации персонала. Увеличившийся объем продаж, а следовательно и зарплата менеджеров, вовсе не означает что менеджеры улучшили качество работы с клиентами. Вполне вероятно, что случайно поступили крупные заказы и были отгружены или отдел маркетинга увеличил рекламный бюджет или произошло еще что-то.
Возможно существует некая третья переменная, влияющая на причину наличия или отсутствия корреляции.
Коэффициент корреляции не рассчитывается:
Что означают положительный, отрицательный и нулевой коэффициенты корреляции?
Опубликовано 29.06.2021 · Обновлено 03.10.2021
Коэффициенты корреляции – это индикаторы силы линейной связи между двумя разными переменными x и y. Коэффициент линейной корреляции больше нуля указывает на положительную взаимосвязь. Значение меньше нуля означает отрицательную связь. Наконец, нулевое значение указывает на отсутствие связи между двумя переменными x и y. В этой статье объясняется значение коэффициента линейной корреляции для инвесторов, как рассчитать ковариацию для акций и как инвесторы могут использовать корреляцию для прогнозирования рынка.
Ключевые выводы:
Понимание корреляции
Коэффициент корреляции ( ρ ) – это мера, которая определяет степень, в которой связано движение двух разных переменных. Наиболее распространенный коэффициент корреляции, генерируемый корреляцией произведения-момента Пирсона, используется для измерения линейной связи между двумя переменными. Однако в нелинейной зависимости этот коэффициент корреляции не всегда может быть подходящей мерой зависимости.
Краткий обзор
При интерпретации корреляции важно помнить, что наличие корреляции между двумя переменными не означает, что одна вызывает другую.
Корреляция и финансовые рынки
На финансовых рынках коэффициент корреляции используется для измерения акции движутся в противоположных направлениях, коэффициент корреляции отрицательный.
Например, предположим, что цены на кофе и компьютеры наблюдаются и обнаруживают корреляцию +,0008. Это означает, что между двумя переменными нет корреляции или взаимосвязи.
Расчет ρ
Стандартное отклонение – это мера разброса данных от среднего значения. Ковариация – это мера того, как две переменные изменяются вместе. Однако его масштабы безграничны, поэтому его трудно интерпретировать. Нормализованная версия статистики вычисляется путем деления ковариации на произведение двух стандартных отклонений. Это коэффициент корреляции.
Положительное соотношение
Положительная корреляция – когда коэффициент корреляции больше 0 – означает, что обе переменные движутся в одном направлении. Когда ρ равно +1, это означает, что две сравниваемые переменные имеют идеальную положительную взаимосвязь; когда одна переменная движется выше или ниже, другая переменная движется в том же направлении с той же величиной.
Чем ближе значение ρ к +1, тем сильнее линейная зависимость. Например, предположим, что стоимость цен на нефть напрямую связана с ценами на авиабилеты с коэффициентом корреляции +0,95. Взаимосвязь между ценами на нефть и стоимостью авиабилетов имеет очень сильную положительную корреляцию, так как значение близко к +1. Таким образом, если цена на нефть снижается, цены на авиабилеты также уменьшаются, а если цена на нефть растет, то же самое происходит и с ценами на авиабилеты.
На приведенной ниже диаграмме мы сравниваем один из крупнейших банков США, JPMorgan Chase & Co. ( биржевым фондом Financial Select SPDR Exchange Traded Fund (ETF) (XLF ).1 Как вы понимаете, компания JPMorgan Chase & Co. должна иметь положительную корреляцию с банковской отраслью в целом. Мы видим, что коэффициент корреляции в настоящее время составляет 0,98, что свидетельствует о сильной положительной корреляции. Значение выше 0,50 обычно свидетельствует о положительной корреляции.
Понимание корреляции между двумя акциями (или одной акцией) и отраслью может помочь инвесторам оценить, как акции торгуются по сравнению с аналогами. Все типы ценных бумаг, включая облигации, сектора и ETF, можно сравнить с помощью коэффициента корреляции.
Отрицательная корреляция
Примеры отрицательной корреляции
Когда дело доходит до инвестирования, отрицательная корреляция не обязательно означает, что следует избегать ценных бумаг. Коэффициент корреляции может помочь инвесторам диверсифицировать свой портфель, включив в него набор инвестиций, имеющих отрицательную или низкую корреляцию с фондовым рынком. Короче говоря, при снижении риска волатильности в портфеле иногда все же привлекаются противоположности.
Коэффициент линейной корреляции
Даже для небольших наборов данных вычисления коэффициента линейной корреляции могут оказаться слишком длинными, чтобы их можно было выполнять вручную. Таким образом, данные часто загружаются в калькулятор или, что более вероятно, в компьютер или статистическую программу, чтобы найти коэффициент.
Коэффициент Пирсона
Простая линейная регрессия описывает линейную связь между переменной ответа (обозначенной y) и независимой переменной (обозначенной x) с использованием статистической модели. Статистические модели используются для прогнозов.
Краткий обзор
Упростите линейную регрессию, вычислив корреляцию с помощью такого программного обеспечения, как Excel.
В финансах, например, корреляция используется в нескольких анализах, включая расчет стандартного отклонения портфеля. Поскольку это требует много времени, корреляцию лучше всего рассчитать с помощью такого программного обеспечения, как Excel. Корреляция объединяет статистические концепции, а именно дисперсию и стандартное отклонение. Дисперсия – это дисперсия переменной вокруг среднего значения, а стандартное отклонение – это квадратный корень из дисперсии.
Поиск корреляции с помощью Excel
В Excel есть несколько методов расчета корреляции. Самый простой – получить два набора данных рядом и использовать встроенную формулу корреляции:
Если вы хотите создать корреляционную матрицу для ряда наборов данных, в Excel есть подключаемый модуль анализа данных, который находится на вкладке «Данные» в разделе «Анализ».
Выберите таблицу доходов. В этом случае наши столбцы имеют заголовки, поэтому мы хотим установить флажок «Ярлыки в первой строке», чтобы Excel обрабатывал их как заголовки. Затем вы можете выбрать вывод на том же листе или на новом листе.
Как только вы нажмете Enter, данные будут созданы автоматически. Вы можете добавить текст и условное форматирование, чтобы очистить результат.
Часто задаваемые вопросы о коэффициенте линейной корреляции
Что такое коэффициент линейной корреляции?
Коэффициент линейной корреляции – это число, вычисленное на основе заданных данных, которое измеряет силу линейной связи между двумя переменными, x и y.
Как найти коэффициент линейной корреляции?
Корреляция объединяет несколько важных и связанных статистических концепций, а именно дисперсию и стандартное отклонение. Дисперсия – это дисперсия переменной вокруг среднего значения, а стандартное отклонение – это квадратный корень из дисперсии.
Вычисления слишком длинные, чтобы их можно было выполнять вручную, и программное обеспечение, такое как Excel или статистическая программа, является инструментами, используемыми для вычисления коэффициента.
Что подразумевается под линейной корреляцией?
Как найти коэффициент линейной корреляции на калькуляторе?
Графический калькулятор необходим для расчета коэффициента корреляции.Следующие инструкции предоставлены Statology.
Шаг 1. Включите диагностику
Вам нужно будет сделать этот шаг на калькуляторе только один раз. После этого вы всегда можете начать с шага 2 ниже. Если вы этого не сделаете, r (коэффициент корреляции) не будет отображаться при запуске функции линейной регрессии.
Нажмите [2nd], а затем [0], чтобы войти в каталог вашего калькулятора. Прокрутите, пока не увидите «DiagnosticsOn».
Нажимайте Enter, пока на экране калькулятора не появится надпись «Готово».
Это важно повторить: вам никогда не придется делать это снова, если вы не перезагрузите калькулятор.
Шаг 2: введите данные
Введите свои данные в калькулятор, нажав [STAT], а затем выбрав 1: Edit. Чтобы упростить задачу, вы должны ввести все свои «данные x» в L1 и все «данные y» в L2.
После того, как вы введете свои данные, вы перейдете к [STAT], а затем к меню CALC вверху. Наконец, выберите 4: LinReg и нажмите Enter.
Это оно! Готово! Теперь вы можете просто считать коэффициент корреляции прямо с экрана (его r). Помните, что если r не отображается на вашем калькуляторе, необходимо включить диагностику. Это то же самое место на калькуляторе, где вы найдете уравнение линейной регрессии и коэффициент детерминации.
Коэффициент линейной корреляции может быть полезен при определении взаимосвязи между инвестициями и рынком в целом или другими ценными бумагами. Его часто используют для прогнозирования доходности фондового рынка. Это статистическое измерение полезно во многих отношениях, особенно в финансовой отрасли. Например, это может быть полезно для определения того, насколько хорошо взаимный фонд ведет себя по сравнению с его эталонным индексом, или его можно использовать для определения того, как взаимный фонд ведет себя по отношению к другому фонду или классу активов. Добавляя взаимный фонд с низкой или отрицательной корреляцией к существующему портфелю, можно получить преимущества диверсификации.
Ответы на тесты по эконометрике
Q=………..min соответствует методу наименьших квадратов
Автокорреляция — это корреляционная зависимость уровней ряда от предыдущих значений.
Автокорреляция имеется когда каждое следующее значение остатков
Аддитивная модель временного ряда имеет вид: Y=T+S+E
Атрибутивная переменная может употребляться, когда: независимая переменная качественна;
В каких пределах изменяется коэффициент детерминанта: от 0 до 1.
В каком случае модель считается адекватной Fрасч>Fтабл
В каком случае рекомендуется применять для моделирования показателей с увелич. ростом параболу если относительная величина…неограниченно
В результате автокорреляции имеем неэффективные оценки параметров
В хорошо подобранной модели остатки должны иметь нормальный закон
В эконометрическом анализе Xj рассматриваются как случайные величины
Величина доверительного интервала позволяет установить предположение о том, что: интервал содержит оценку параметра неизвестного.
Величина рассчитанная по формуле r=…является оценкой парного коэф. Корреляции
Внутренне нелинейная регрессия — это истинно нелинейная регрессия, которая не может быть приведена к линейной регрессии преобразованием переменных и введением новых переменных.
Временной ряд — это последовательность значений признака (результативного переменного), принимаемых в течение последовательных моментов времени или периодов.
Выберете авторегрессионную модель Уt=a+b0x1+Ɣyt-1+ƹt
Выберете модель с лагами Уt= a+b0x1…….(самая длинная формула)
Выборочное значение Rxy не > 1, |R| : rxy=Ca(x;y) разделить на корень Var(x)*Var(y): коэффициент. корреляции
Какая функция используется при моделировании моделей с постоянным ростом степенная
Какие точки исключаются из временного ряда процедурой сглаживания и в начале, и в конце.
Какое из уравнений регрессии является степенным y=a˳aͯ¹a
Классический метод к оцениванию параметров регрессии основан на: – метод наименьших квадратов (МНК)
Количество степеней свободы для t статистики при проверки значимости параметров регрессии из 35 наблюдений и 3 независимых переменных 31;
Количество степеней свободы знаменателя F-статистики в регрессии из 50 наблюдений и 4 независимых переменных: 45
Компоненты вектора Ei имеют нормальный закон
Корреляция — стохастическая зависимость, являющаяся обобщением строго детерминированной функциональной зависимости посредством включения вероятностной (случайной) компоненты.
Коэффициент автокорреляции: характеризует тесноту линейной связи текущего и предстоящего уровней ряда
Коэффициент детерминации — показатель тесноты стохастической связи в общем случае нелинейной регрессии
Коэффициент детерминации – это величина, которая характеризует связь между зависимыми и независимыми переменными.
Коэффициент детерминации – это квадрат множественного коэффициента корреляции
Коэффициент детерминации – это: величина, которая характеризует связь между независимой и зависимой (зависящей) переменными;
Коэффициент детерминации R показывает долю вариаций зависимой переменной y, объяснимую влиянием факторов, включаемых в модель.
Коэффициент детерминации изменяется в пределах: – от 0 до 1
Коэффициент доверия — это коэффициент, который связывает линейной зависимостью предельную и среднюю ошибки, выясняет смысл предельной ошибки, характеризующей точность оценки, и является аргументом распределения (чаще всего, интеграла вероятностей). Именно эта вероятность и есть степень надежности оценки.
Коэффициент доверия (нормированное отклонение) — результат деления отклонения от среднего на стандартное отклонение, содержательно характеризует степень надежности (уверенности) полученной оценки.
Коэффициент корелляции Rxy используется для определения полноты связи X и Y.
Коэффициент корелляции равный 0 означает, что: –отсутствует линейная связь.
Коэффициент корреляции используется для: определения тесноты связи между случайными величинами X и Y;
Коэффициент корреляции рассчитывается для измерения степени линейной взаимосвязи между двумя случайными переменными.
Коэффициент линейной корреляции — показатель тесноты стохастической связи между фактором и результатом в случае линейной регрессии.
Коэффициент регрессии — коэффициент при факторной переменной в модели линейной регрессии.
Коэффициент регрессии b показывает: на сколько единиц увеличивается y, если x увеличивается на 1.
Коэффициент эластичности измеряется в: неизмеримая величина.
Критерий Дарвина-Чотсона применяется для: – отбора факторов в модель; или – определения автокорреляции в остатках
Критерий Стьюдента — проверка значимости отдельных коэффициентов регрессии и значимости коэффициента корреляции.
Критерий Фишера показывает статистическую значимость модели в целом на основе совокупной достоверности всех ее коэффициентов;
Лаговые переменные это значение зависимых переменных за предшествующий период времени
Модель в целом статистически значима, если Fрасч > Fтабл.
Модель идентифицирована, если: – число параметров структурной модели равно числу параметров приведён. формы модели.
Модель неидентифицирована, если: – число приведён. коэф . больше числа структурных коэф.
Модель сверхидентифицирована, если: число приведён. коэф. меньше числа структурных коэф
Мультипликативная модель временного ряда имеет вид: – Y=T*S*E
Мультипликативная модель временного ряда строится, если: амплитуда сезонных колебаний возрастает или уменьшается
На основе поквартальных данных…значения 7-1 квартал, 9-2квартал и 11-3квартал …-5
Неправильный выбор функциональной формы или объясняющих переменных называется ошибками спецификации
Несмещённость оценки параметра регрессии, полученной по МНК, означает: – что она характеризуется наименьшей дисперсией.
Одной из проблем которая может возникнуть в многофакторной регрессии и никогда не бывает в парной регрессии, является корреляция между независимыми переменными
От чего зависит количество точек, исключаемых из временного ряда в результате сглаживания: от применяемого метода сглаживания.
Отметьте основные виды ошибок спецификации: отбрасывание значимой переменной; добавление незначимой переменной;
Оценки коэффициентов парной регрессии является несмещённым, если: математические ожидания остатков =0.
Оценки параметров парной линейной регрессии находятся по формуле b= Cov(x;y)/Var(x);a=y¯ bx¯
Оценки параметров регрессии являются несмещенными, если Математическое ожидание остатков равно 0
Оценки парной регрессии явл. эффективными, если: оценка обладают наименьшей дисперсией по сравнению с другими оценками
При наличии гетероскедастичности следует применять: – обобщённый МНК
При проверке значимости одновременно всех параметров регрессии используется: F-тест.
Применим ли метод наименьших квадратов для расчетов параметров показательной зависимости применим после ее приведения
Применим ли метод наименьших квадратов(МНК) для расчёта параметров нелинейных моделей? применим после её специального приведения к линейному виду
С помощью какого критерия оценивается значимость коэффициента регрессии T стьюдента
С увеличением числа объясняющих переменных скоррестированный коэффициент детерминации: – увеличивается.
Связь между индексом множественной детерминации R² и скорректированным индексом множественной детерминации Ȓ² есть
Скорректиров. коэф. детерминации: – больше обычного коэф. детерминации
Стандартизованный коэффициент уравнения регрессии Ƀk показывает на сколько % изменится результирующий показатель у при изменении хi на 1%при неизмененном среднем уровне других факторов
Стандартный коэффициент уравнения регрессии: показывает на сколько 1 изменится y при изменении фактора xk на 1 при сохранении др.
Суть коэф. детерминации r 2 xy состоит в следующем: – характеризует долю дисперсии результативного признака y объясняем. регресс., в общей дисперсии результативного признака.
Табличные значения Фишера (F) зависят от доверительной вероятности и от числа включённых факторов и от длины исходного ряда (от доверительной вероятности p и числа степеней свободы дисперсий f1 и f2)..
Уравнение в котором H число эндогенных переменных, D число отсутствующих экзогенных переменных, идентифицируемо если D+1=H
Уравнение в котором H число эндогенных переменных, D число отсутствующих экзогенных переменных, НЕидентифицируемо если D+1 H
Уравнение идентифицировано, если: – D+1=H
Уравнение неидентифицировано, если: – D+1 H
Фиктивные переменные – это: атрибутивные признаки (например, как профессия, пол, образование), которым придали цифровые метки;
Формула t= rxy….используется для проверки существенности коэффициента корреляции
Частный F-критерий: – оценивает значимость уравнения регрессии в целом
Число степеней свободы для факторной суммы квадратов в линейной модели множественной регрессии равно: m;
Что показывает коэффициент наклона – на сколько единиц изменится у, если х изменился на единицу,
Что показывает коэффициент. абсолютного роста на сколько единиц изменится у, если х изменился на единицу
Экзогенная переменная – это независимая переменная или фактор-Х.
Экзогенные переменные — это переменные, которые определяются вне системы и являются независимыми
Экзогенные переменные – это предопределенные переменные, влияющие на зависимые переменные (Эндогенные переменные), но не зависящие от них, обозначаются через х
Эластичность измеряется единица измерения фактора…показателя
Эндогенные переменные – это: зависимые переменные, число которых равно числу уравнений в системе и которые обозначаются через у
Определения
T-отношение (t-критерий) — отношение оценки коэффициента, полученной с помощью МНК, к величине стандартной ошибки оцениваемой величины.
Аддитивная модель временного ряда – это модель, в которой временной ряд представлен как сумма перечисленных компонент.
Критерий Фишера — способ статистической проверки значимости уравнения регрессии, при котором расчетное (фактическое) значение F-отношения сравнивается с его критическим (теоретическим) значением.
Линейная регрессия — это связь (регрессия), которая представлена уравнением прямой линии и выражает простейшую линейную зависимость.
Метод инструментальных переменных — это разновидность МНК. Используется для оценки параметров моделей, описываемых несколькими уравнениями. Главное свойство — частичная замена непригодной объясняющей переменной на такую переменную, которая некоррелированна со случайным членом. Эта замещающая переменная называется инструментальной и приводит к получению состоятельных оценок параметров.
Метод наименьших квадратов (МНК) — способ приближенного нахождения (оценивания) неизвестных коэффициентов (параметров) регрессии. Этот метод основан на требовании минимизации суммы квадратов отклонений значений результата, рассчитанных по уравнению регрессии, и истинных (наблюденных) значений результата.
Множественная линейная регрессия — это множественная регрессия, представляющая линейную связь по каждому фактору.
Множественная регрессия — регрессия с двумя и более факторными переменными.
Модель идентифицируемая — модель, в которой все структурные коэффициенты однозначно определяются по коэффициентам приведенной формы модели.
Модель рекурсивных уравнений — модель, которая содержит зависимые переменные (результативные) одних уравнений в роли фактора, оказываясь в правой части других уравнений.
Мультипликативная модель – модель, в которой временной ряд представлен как произведение перечисленных компонент.
Несмещенная оценка — оценка, среднее которой равно самой оцениваемой величине.
Нулевая гипотеза — предположение о том, что результат не зависит от фактора (коэффициент регрессии равен нулю).
Обобщенный метод наименьших квадратов (ОМНК) — метод, который не требует постоянства дисперсии (гомоскедастичности) остатков, но предполагает пропорциональность остатков общему множителю (дисперсии). Таким образом, это взвешенный МНК.
Объясненная дисперсия — показатель вариации результата, обусловленной регрессией.
Объясняемая (результативная) переменная — переменная, которая статистически зависит от факторной переменной, или объясняющей (регрессора).
Остаточная дисперсия — необъясненная дисперсия, которая показывает вариацию результата под влиянием всех прочих факторов, неучтенных регрессией.
Предопределенные переменные — это экзогенные переменные системы и лаговые эндогенные переменные системы.
Приведенная форма системы — форма, которая, в отличие от структурной, уже содержит одни только линейно зависящие от экзогенных переменных эндогенные переменные. Внешне ничем не отличается от системы независимых уравнений.
Расчетное значение F-отношения — значение, которое получают делением объясненной дисперсии на 1 степень свободы на остаточную дисперсию на 1 степень свободы.
Регрессия (зависимость) — это усредненная (сглаженная), т.е. свободная от случайных мелкомасштабных колебаний (флуктуаций), квазидетерминированная связь между объясняемой переменной (переменными) и объясняющей переменной (переменными). Эта связь выражается формулами, которые характеризуют функциональную зависимость и не содержат явно стохастических (случайных) переменных, которые свое влияние теперь оказывают как результирующее воздействие, принимающее вид чисто функциональной зависимости.
Регрессор (объясняющая переменная, факторная переменная) — это независимая переменная, статистически связанная с результирующей переменной. Характер этой связи и влияние изменения (вариации) регрессора на результат исследуются в эконометрике.
Система взаимосвязанных уравнений — это система одновременных или взаимозависимых уравнений. В ней одни и те же переменные выступают одновременно как зависимые в одних уравнениях и в то же время независимые в других. Это структурная форма системы уравнений. К ней неприменим МНК.
Система внешне не связанных между собой уравнений — система, которая характеризуется наличием одних только корреляций между остатками (ошибками) в разных уравнениях системы.
Случайный остаток (отклонение) — это чисто случайный процесс в виде мелкомасштабных колебаний, не содержащий уже детерминированной компоненты, которая имеется в регрессии.
Состоятельные оценки — оценки, которые позволяют эффективно применять доверительные интервалы, когда вероятность получения оценки на заданном расстоянии от истинного значения параметра становится близка к 1, а точность самих оценок увеличивается с ростом объема выборки.
Спецификация модели — определение существенных факторов и выявление мультиколлинеарности.
Стандартная ошибка — среднеквадратичное (стандартное) отклонение. Оно связано со средней ошибкой и коэффициентом доверия.
Степени свободы — это величины, характеризующие число независимых параметров и необходимые для нахождения по таблицам распределений их критических значений.
Тренд — основная тенденция развития, плавная устойчивая закономерность изменения уровней ряда.
Уровень значимости — величина, показывающая, какова вероятность ошибочного вывода при проверке статистической гипотезы по статистическому критерию.
Фиктивные переменные — это переменные, которые отражают сезонные компоненты ряда для какого-либо одного периода.
Эконометрическая модель — это уравнение или система уравнений, особым образом представляющие зависимость (зависимости) между результатом и факторами. В основе эконометрической модели лежит разбиение сложной и малопонятной зависимости между результатом и факторами на сумму двух следующих компонентов: регрессию (регрессионная компонента) и случайный (флуктуационный) остаток. Другой класс эконометрических моделей образует временные ряды.
Эффективность оценки — это свойство оценки обладать наименьшей дисперсией из всех возможных.