Менеджмент: конспект лекций
Шрифт:
3.3. ОСНОВЫ ЭКОНОМЕТРИЧЕСКИХ МЕТОДОВ
3.3.1. Что такое эконометрика?
Согласно Большому Энциклопедическому словарю (М.: Изд—во «Большая Российская Энциклопедия», 1997), эконометрика – наука, изучающая конкретные количественные и качественные взаимосвязи экономических объектов и процессов с помощью математических и статистических методов и моделей. Эконометрические методы – это прежде всего методы статистического анализа конкретных экономических данных, естественно, с помощью компьютеров. Такие методы успешно используются в зарубежных и отечественных экономических и технико—экономических исследованиях, работах по управлению (менеджменту). Применение прикладной статистики и других эконометрических методов дает заметный экономический эффект. Например, в США – не менее 20 миллиардов долларов ежегодно только в области статистического контроля качества.
К наиболее практичным и эффективным интеллектуальным инструментам менеджера относятся эконометрические методы. В учебниках по экономической теории, как правило, выделяют в качестве ее основных областей макроэкономику, микроэкономику и эконометрику [Шевчук Д.А., Шевчук В.А. Макроэкономика: Конспект лекций. – М.: Высшее образование, 2006]. Кратко обсудим основные проблемы этой области экономической теории, а затем рассмотрим один из наиболее часто используемых эконометрических методов – метод наименьших квадратов.
В мировой науке эконометрика занимает достойное место. В настоящее время в России развертываются теоретические и практические эконометрические исследования, положено начало распространению обучения этой дисциплине. Только в секции «Математические методы исследования» журнала «Заводская лаборатория» за последние 40 лет напечатано более 1000 статей по высоким статистическим технологиям и их применениям.
Высокие статистические технологии в эконометрике. Особый интерес представляют эконометрические применения высоких статистических технологий.
Может возникнуть естественный вопрос: зачем нужны высокие статистические технологии, разве недостаточно обычных статистических методов? Исследователи в области эконометрики считают (и доказывают своими теоретическими и прикладными работами), что совершенно недостаточно. Так, многие данные в реальной социально—экономической деятельности, а потому и в информационных системах поддержки принятия решений в менеджменте имеют нечисловой характер, например, являются словами или принимают значения из конечных множеств (выбор происходит из конечного числа градаций). Нечисловой характер имеют и упорядочения, которые дают эксперты или менеджеры, например, выбирая главную цель предприятия, следующую по важности и т. д., сравнивая образцы продукции с целью выбора наиболее подходящего для запуска в серию и др. Значит, для контроллинга нужна статистика нечисловых данных. Далее, многие величины известны не абсолютно точно, а с некоторой погрешностью – лежат в пределах от одной границы до другой. Другими словами, исходные данные – не числа, а интервалы. Это – следствие общеинженерного утверждения: любое измерение проводится с погрешностями. Следовательно, для эффективного управления нужна статистика интервальных данных. Мнения людей естественно описывать в терминах теории нечеткости. Значит, менеджеру нужна статистика нечетких данных. Ни статистики нечисловых данных, ни статистики интервальных данных, ни статистики нечетких данных нет и не могло быть в классической статистике. Все это – высокие статистические технологии, разработанные за последние 10–30 лет.
Важная часть эконометрики – применение высоких статистических технологий к анализу конкретных экономических данных. Такие исследования зачастую требуют дополнительной теоретической работы по «доводке» статистических технологий применительно к конкретной ситуации. Большое значение для менеджмента имеют конкретные эконометрические модели, например, вероятностно—статистические
В середине 1980–х годов в советской средней школе ввели новый предмет «Информатика». И сейчас молодое поколение превосходно владеет компьютерами, мгновенно осваивая быстро появляющиеся новинки, и этим заметно отличается от тех, кому за 40–50 лет. Если бы удалось ввести в средней школе курс вероятности и статистики – а такой курс есть в Японии и США, Швейцарии, Кении и Ботсване, почти во всех странах мира (см. подготовленный ЮНЕСКО сборник докладов) – то ситуация с применением эконометрики в нашей стране могла бы быть резко улучшена.
Статистические технологии применяют для анализа данных двух принципиально различных типов. Один из них – это результаты измерений различных видов, например, результаты управленческого или бухгалтерского учета, данные Госкомстата и др. Короче, речь идет об объективной информации. Другой – это оценки экспертов, на основе своего опыта и интуиции делающих заключения относительно экономических явлений и процессов. Очевидно, это – субъективная информация. Стабильная экономическая ситуация позволяет рассматривать длинные временные ряды тех или иных экономических величин, полученных в сопоставимых условиях. В подобных условиях данные первого типа вполне адекватны. В быстро меняющихся условиях приходятся опираться на экспертные оценки. Такая новейшая часть эконометрики, как статистика нечисловых данных, была создана как ответ на запросы теории и практики экспертных оценок.
Для решения каких управленческих и экономических задач может быть полезна эконометрика? Практически для всех, использующих конкретную информацию о реальном мире. Только чисто абстрактные, отвлеченные от реальности исследования могут обойтись без нее. В частности, эконометрика необходима для прогнозирования, в том числе поведения потребителей, а потому и для планирования. Выборочные исследования, в том числе выборочный контроль, основаны на эконометрике. Но планирование и контроль – основа контроллинга. Поэтому эконометрика – важная составляющая инструментария контроллера, воплощенного в компьютерной системе поддержки принятия решений. Прежде всего оптимальных решений, которые предполагают опору на адекватные эконометрические модели. В производственном менеджменте это может означать, например, использование оптимизационных эконометрических моделей типа тех, что применяются при экстремальном планировании эксперимента (они позволяют повысить выход полезного продукта на 30–300 %).
Высокие статистические технологии в эконометрике предполагают адаптацию применяемых методов к меняющейся ситуации. Например, параметры прогностического индекса меняются вслед за изменением характеристик используемых для прогнозирования величин. Таков метод экспоненциального сглаживания. В соответствующем алгоритме расчетов значения временного ряда используются с весами. Веса уменьшаются по мере удаления в прошлое. Многие методы дискриминантного анализа основаны на применении обучающих выборок. Например, для построения рейтинга надежности банков можно с помощью экспертов составить две обучающие выборки – надежных и ненадежных банков. А затем с их помощью решать для вновь рассматриваемого банка, каков он – надежный или ненадежный, а также оценивать его надежность численно, т. е. вычислять значение рейтинга.
Один из способов построения адаптивных эконометрических моделей – нейронные сети. При этом упор делается не на формулировку адаптивных алгоритмов анализа данных, а – в большинстве случаев – на построение виртуальной адаптивной структуры. Термин «виртуальная» означает, что «нейронная сеть» – это специализированная компьютерная программа. Термин «нейроны» используются лишь при общении человека с компьютером. Методология нейронных сетей идет от идей кибернетики 1940–х годов. В компьютере создается модель мозга человека (весьма примитивная с точки зрения физиолога). Основа модели – весьма простые базовые элементы, называемые нейронами. Они соединены между собой, так что нейронные сети можно сравнить с хорошо знакомыми менеджерам, экономистам и инженерам блок—схемами. Каждый нейрон находится в одном из заданного множества состояний. Он получает импульсы от соседей по сети, изменяет свое состояние и сам рассылает импульсы. В результате состояние множества нейтронов изменяется, что соответствует проведению эконометрических вычислений.
Нейроны обычно объединяются в слои (как правило, два—три). Среди них выделяются входной и выходной слои. Перед началом решения той или иной задачи производится настройка. Во—первых, устанавливаются связи между нейронами, соответствующие решаемой задаче. Во—вторых, проводится обучение, т. е. через нейронную сеть пропускаются обучающие выборки, для элементов которых требуемые результаты расчетов известны. Затем параметры сети модифицируются так, чтобы получить максимальное соответствие выходных значений заданным величинам.
С точки зрения точности расчетов (и оптимальности в том или ином эконометрическом смысле) нейронные сети не имеют преимуществ перед другими адаптивными эконометрическими системами. Однако они более просты для восприятия. Надо отметить, что в эконометрике используются и модели, промежуточные между нейронными сетями и «обычными» системами регрессионных уравнений (одновременных и с лагами). Они тоже используют блок—схемы, как, например, универсальный метод моделирования связей экономических факторов ЖОК.
Заметное место в математико—компьютерном обеспечении принятия решений в контроллинге занимают методы теории нечеткости (по—английски – fuzzy theory [ф а зи Сс и ори] , причем термин fuzzy переводят на русский язык по—разному: нечеткий, размытый, расплывчатый, туманный, пушистый и др.). Начало современной теории нечеткости положено работой Л.А.Заде 1965 г., хотя истоки прослеживаются со времен Древней Греции. Это направление прикладной математики получило бурное развитие. К настоящему времени по теории нечеткости опубликованы тысячи книг и статей, издается несколько международных журналов (больше половины – в Китае и Японии), постоянно проводятся международные конференции. В области теории нечеткости выполнено достаточно много как теоретических, так и прикладных научных работ, практические приложения дали ощутимый технико—экономический эффект.
В работах Лотфи А. Заде теория нечетких множеств рассматривается как аппарат анализа и моделирования гуманистических систем, т. е. систем, в которых участвует человек. Его подход опирается на предпосылку о том, что элементами мышления человека являются не числа, а элементы некоторых нечетких множеств или классов объектов, для которых переход от «принадлежности» к «непринадлежности» не скачкообразен, а непрерывен. В настоящее время методы теории нечеткости используются почти во всех прикладных областях, в том числе при управлении качеством продукции и технологическими процессами.
Нечеткая математика и логика – мощный элегантный инструмент современной науки, который на Западе и на Востоке (в Японии, Китае) можно встретить в программном обеспечении десятков видов изделий – от бытовых видеокамер до систем управления вооружениями. В России он был известен с начала 1970–х годов. Однако первая монография российского автора по теории нечеткости была опубликована лишь в 1980 г. В дальнейшем раз в год всесоюзные конференции собирали около 100 участников – по мировым меркам немного.
При изложении теории нечетких множеств обычно не подчеркивается связь с вероятностными моделями. В нашей стране в середине 1970–х годов установлено, что теория нечеткости в определенном смысле сводится к теории случайных множеств. В США подобные работы появились лет на пять позже.
Итак, при решении задач управления, в частности, контроллинга полезны многочисленные интеллектуальные инструменты анализа данных, относящиеся к высоким статистическим технологиям и эконометрике.
3.3.2. Метод наименьших квадратов для линейной функции
Начнем с задачи точечного и доверительного оценивания линейной прогностической функции одной переменной.
Исходные данные – набор n пар чисел (t k , x k ), k = 1,2,…,n, где t k – независимая переменная (например, время), а x k – зависимая (например, индекс инфляции, курс доллара США, объем месячного производства или размер дневной выручки торговой точки). Предполагается, что переменные связаны зависимостью
x k = a (t k – t ср )+ b + e k , k = 1,2,…,n,
где a и b – параметры, неизвестные исследователю и подлежащие оцениванию, а e k – погрешности, искажающие зависимость. Среднее арифметическое моментов времени
t ср = (t 1 + t 2 +…+t n ) / n
введено в модель для облегчения дальнейших выкладок.
Обычно оценивают параметры a и b линейной зависимости методом наименьших квадратов. Затем восстановленную зависимость используют для точечного и интервального прогнозирования.
Как известно, метод наименьших квадратов был разработан великим немецким математиком К. Гауссом в 1794 г. Согласно этому методу для расчета наилучшей функции, приближающей линейным образом зависимость x от t , следует рассмотреть функцию двух переменных
Оценки метода наименьших квадратов – это такие значения a* и b* , при которых функция f(a,b) достигает минимума по всем значениям аргументов. Чтобы найти эти оценки, надо вычислить частные производные от функции f(a,b) по аргументам a и b, приравнять их 0, затем из полученных уравнений найти оценки:
Имеем:
Преобразуем правые части полученных соотношений. Вынесем за знак суммы общие множители 2 и (-1). Затем рассмотрим слагаемые. Раскроем скобки в первом выражении, получим, что каждое слагаемое разбивается на три. Во втором выражении также каждое слагаемое есть сумма трех. Значит, каждая из сумм разбивается на три суммы. Имеем:
Приравняем частные производные 0. Тогда в полученных уравнениях можно сократить множитель (-2). Поскольку
(1)
уравнения приобретают вид
Следовательно, оценки метода наименьших квадратов имеют вид
В силу соотношения (1) оценку а* можно записать в более симметричном виде:
Эту оценку нетрудно преобразовать и к виду
Следовательно, восстановленная функция, с помощью которой можно прогнозировать и интерполировать, имеет вид
x*(t) = a*(t – t ср )+ b*.
Обратим внимание на то, что использование t ср в последней формуле ничуть не ограничивает ее общность. Сравним с моделью вида
x k = c t k + d + e k , k = 1,2,…,n.
Ясно, что
Аналогичным образом связаны оценки параметров:
Для получения оценок параметров и прогностической формулы нет необходимости обращаться к какой—либо вероятностной модели. Однако для того, чтобы изучать погрешности оценок параметров и восстановленной функции, т. е. строить доверительные интервалы для a*, b* и x*(t), подобная модель необходима.
Непараметрическая вероятностная модель . Пусть значения независимой переменной t детерминированы, а погрешности e k , k = 1,2,…,n, – независимые одинаково распределенные случайные величины с нулевым математическим ожиданием и дисперсией δ2 неизвестной исследователю.В дальнейшем неоднократно будем использовать Центральную Предельную Теорему (ЦПТ) теории вероятностей для величин e k , k = 1,2,…,n (с весами), поэтому для выполнения ее условий необходимо предположить, например, что погрешности e k , k = 1,2,…,n, финитны или имеют конечный третий абсолютный момент. Однако заострять внимание на этих внутриматематических «условиях регулярности» нет необходимости.
Асимптотические распределения оценок параметров. Из формулы (2) следует, что
Согласно ЦПТ оценка b* имеет асимптотически нормальное распределение с математическим ожиданием b и дисперсией δ2/n оценка которой приводится ниже.
Из формул (2) и (5) вытекает, что
Последнее слагаемое во втором соотношении при суммировании по i обращается в 0, поэтому из формул (2–4) следует, что
Формула (6) показывает, что оценка α* является асимптотически нормальной с математическим ожиданием α и дисперсией
Отметим, что многомерная нормальность имеет быть, когда каждое слагаемое в формуле (6) мало сравнительно со всей суммой, т. е.
Из формул (5) и (6) и исходных предположений о погрешностях вытекает также несмещенность оценок параметров.
Несмещенность и асимптотическая нормальность оценок метода наименьших квадратов позволяют легко указывать для них асимптотические доверительные границы (аналогично границам в предыдущей главе) и проверять статистические гипотезы, например, о равенстве определенным значениям, прежде всего 0.
Асимптотическое распределение прогностической функции. Из формул (5) и (6) следует, что
т. е. рассматриваемая оценка прогностической функции является несмещенной. Поэтому
При этом, поскольку погрешности независимы в совокупности и M(ei)=0, то
Таким
Итак, оценка x*(t) является несмещенной и асимптотически нормальной. Для ее практического использования необходимо уметь оценивать остаточную дисперсию M(ei2)=δ2.
Оценивание остаточной дисперсии . В точках t k , k = 1,2,…,n, имеются исходные значения зависимой переменной x k и восстановленные значения x*(t k ). Рассмотрим остаточную сумму квадратов
В соответствии с формулами (5) и (6)
Найдем математическое ожидание каждого из слагаемых:
Из сделанных ранее предположений вытекает, что при
имеем
следовательно, по закону больших чисел статистика SS/n является состоятельной оценкой остаточной дисперсии δ2.
Получением состоятельной оценкой остаточной дисперсии завершается последовательность задач, связанных с рассматриваемым простейшим вариантом метода наименьших квадратов. Не представляет труда выписывание верхней и нижней границ для прогностической функции:
где погрешность δ(t) имеет вид
Здесь p – доверительная вероятность, U(p), как и в главе 4 – квантиль нормального распределения порядка (1+р)/2 , т. е.
При p= 0,95 (наиболее применяемое значение) имеем U(p) = 1,96. Для других доверительных вероятностей соответствующие значения квантилей можно найти в статистических таблицах (см., например, наилучшее в этой сфере издание [9]).
Сравнение параметрического и непараметрического подходов. Во многих литературных источниках рассматривается параметрическая вероятностная модель метода наименьших квадратов. В ней предполагается, что погрешности имеют нормальное распределение. Это предположение позволяет математически строго получить ряд выводов. Так, распределения статистик вычисляются точно, а не в асимптотике, соответственно вместо квантилей нормального распределения используются квантили распределения Стьюдента, а остаточная сумма квадратов SS делится не на n, а на ( n–2 ) . Ясно, что при росте объема данных различия стираются.
Рассмотренный выше непараметрический подход не использует нереалистическое предположение о нормальности погрешностей. Распределения, встречающиеся в задачах менеджмента, как правило, не являются нормальными [1]. Платой за отказ от нормальности является асимптотический характер результатов. В случае простейшей модели метода наименьших квадратов оба подхода дают практически совпадающие рекомендации. Это не всегда так, не всегда два подхода бают близкие результаты. Например, в задаче обнаружения выбросов методы, опирающиеся на нормальное распределение, нельзя считать обоснованными, и обнаружено это было с помощью непараметрического подхода.
Общие принципы. Кратко сформулируем несколько общих принципов построения, описания и использования эконометрических методов анализа данных. Во—первых, должны быть четко сформулированы исходные предпосылки, т. е. полностью описана используемая вероятностно—статистическая модель. Во—вторых, не следует принимать предпосылки, которые редко выполняются на практике. В—третьих, алгоритмы расчетов должны быть корректны с точки зрения математико—статистической теории. В—четвертых, алгоритмы должны давать полезные для практики выводы.
Применительно к задаче восстановления зависимостей это означает, что целесообразно применять непараметрический подход, что и сделано выше.
Пример оценивания по методу наименьших квадратов. Пусть даны n = 6 пар чисел ( t k , x k ) , k = 1,2,…,6, представленных во втором и третьем столбцах табл.1. В соответствии с формулами (2) и (4) выше для вычисления оценок метода наименьших квадратов достаточно найти суммы выражений, представленных в четвертом и пятом столбцах табл.1.
В соответствии с формулой (2) b* =26,83, а согласно формуле (4)
Следовательно, прогностическая формула имеет вид
Следующий этап анализа данных – оценка точности приближения функции методом наименьших квадратов. Сначала рассматриваются т. н. восстановленные значения
Это те значения, которые полученная в результате расчетов прогностическая функция принимает в тех точках, в которых известны истинные значения зависимой переменной x i .
Вполне естественно сравнить восстановленные и истинные значения. Это и сделано в шестом – восьмом столбцах табл. 1. Для простоты расчетов в шестом столбце представлены произведения α*t, седьмой отличается от шестого добавлением константы 9,03 и содержит восстановленные значения. Восьмой столбец – это разность третьего и седьмого.
Непосредственный анализ восьмого столбца табл.1 показывает, что содержащиеся в нем числа сравнительно невелики по величине по сравнению с третьим столбцом (на порядок меньше по величине). Кроме того, знаки «+» и «-» чередуются. Эти два признака свидетельствуют о правильности расчетов. При использовании метода наименьших квадратов знаки не всегда чередуются. Однако если сначала идут только плюсы, а потом только минусы (или наоборот, сначала только минусы, а потом только плюсы), то это верный показатель того, что в вычислениях допущена ошибка.
Верно следующее утверждение.
Теорема.
Однако сумма по восьмому столбцу дает 0,06, а не 0. Незначительное отличие от 0 связано с ошибками округления при вычислениях. Близость суммы значений зависимой переменной и суммы восстановленных значений – практический критерий правильности расчетов.
В последнем девятом столбце табл.1 приведены квадраты значений из восьмого столбца. Их сумма – это остаточная сумма квадратов SS = 13,64. В соответствии со сказанным выше оценками дисперсии погрешностей и их среднего квадратического отклонения являются
Рассмотрим распределения оценок параметров. Оценка b* имеет асимптотически нормальное распределение с математическим ожиданием b и дисперсией, которая оценивается как 2,27/6=0,38 (здесь считаем, что 6 – «достаточно большое» число). Оценкой среднего квадратического отклонения является 0,615. Следовательно, при доверительной вероятности 0,95 доверительный интервал для параметра b имеет вид (26,83 – 1,96 . 0,615; 26,83 + 1,96 . 0,615) = (25,625; 28,035).
В формулах для дисперсий участвует величина
Подставив численные значения, получаем, что
Дисперсия для оценки а* коэффициента при линейном члене прогностической функции оценивается как 2,27/63,1=0,036, а среднее квадратическое отклонение – как 0,19. Следовательно, при доверительной вероятности 0,95 доверительный интервал для параметра а имеет вид (3,14 – 1,96 . 0,19; 3,14 + 1,96 , 0,19) = (2,77; 3,51).
Прогностическая формула с учетом погрешности имеет вид (при доверительной вероятности 0,95)
В этой записи сохранено происхождение различных составляющих. Упростим:
Например, при t = 12 эта формула дает
Следовательно, нижняя доверительная граница – это 44,095, а верхняя доверительная граница – это 49,325.
Насколько далеко можно прогнозировать? Обычный ответ таков – до тех пор, пока сохраняется тот стабильный комплекс условий, при котором справедлива рассматриваемая зависимость. Изобретатель метода наименьших квадратов Карл Гаусс исходил из задачи восстановления орбиты астероида (малой планеты) Церера. Движение подобных небесных тел может быть рассчитано на сотни лет. А вот параметры комет (например, срок возвращения) не поддаются столь точному расчету, поскольку за время пребывания в окрестности Солнца сильно меняется масса кометы. В социально—экономической области горизонты надежного прогнозирования еще менее определены. В частности, они сильно зависят от решений центральной власти.
Чтобы выявить роль погрешностей в прогностической формуле, рассмотрим формальный предельный переход
Тогда слагаемые 9,03; 1/6; 5,67 становятся бесконечно малыми, и
Таким образом, погрешности составляют около
3.3.3. Основы линейного регрессионного анализа
Метод наименьших квадратов, рассмотренный в простейшем случае, допускает различные обобщения. Например, метод наименьших квадратов дает алгоритм расчетов, если исходные данные – по—прежнему набор n пар чисел (t k , x k ), k = 1,2,…,n, где t k – независимая переменная (например, время), а x k – зависимая (например, индекс инфляции), а восстанавливать надо не линейную зависимость, а квадратическую:
Следует рассмотреть функцию трех переменных
Оценки метода наименьших квадратов – это такие значения параметров a*, b* и с* , при которых функция f(a,b,с) достигает минимума по всем значениям аргументов. Чтобы найти эти оценки, надо вычислить частные производные от функции f(a,b,с) по аргументам a, b и с, приравнять их 0, затем из полученных уравнений найти оценки: Имеем:
Приравнивая частную производную к 0, получаем линейное уравнение относительно трех неизвестных параметров a, b, c:
Приравнивая частную производную по параметру b к 0, аналогичным образом получаем уравнение
Наконец, приравнивая частную производную по параметру с к 0, получаем уравнение
Решая систему трех уравнений с тремя неизвестными, находим оценки метода наименьших квадратов.
Другие задачи, рассмотренные в предыдущем пункте (доверительные границы для параметров и прогностической функции и др.), также могут быть решены. Соответствующие алгоритмы более громоздки. Для их записи полезен аппарат матричной алгебры. Для реальных расчетов используют соответствующие компьютерные программы.
Раздел эконометрики, посвященный восстановлению зависимостей, называется регрессионным анализом. Термин «линейный регрессионный анализ» используют, когда рассматриваемая функция линейно зависит от оцениваемых параметров (от независимых переменных зависимость может быть произвольной). Теория оценивания неизвестных параметров хорошо развита именно в случае линейного регрессионного анализа. Если же линейности нет и нельзя перейти к линейной задаче, то, как правило, хороших свойств от оценок ожидать не приходится.
Продемонстрируем подходы в случае зависимостей различного вида. Если зависимость имеет вид многочлена (полинома)
то коэффициенты многочлена могут быть найдены путем минимизации функции
Функция от t не обязательно должна быть многочленом. Можно, например, добавить периодическую составляющую, соответствующую сезонным колебаниям. Хорошо известно, например, что инфляция (рост потребительских цен) имеет четко выраженный годовой цикл – в среднем цены быстрее всего растут зимой, в декабре – январе, а медленнее всего (иногда в среднем даже падают) летом, в июле – августе. Пусть для определенности
тогда неизвестные параметры могут быть найдены путем минимизации функции
Пусть I (t) – индекс инфляции в момент t. Принцип стабильности условий приводит к гипотезе о постоянстве темпов роста средних цен, т. е. индекса инфляции. Таким образом, естественная модель для индекса инфляции – это
Эта модель не является линейной, метод наименьших квадратов непосредственно применять нельзя. Однако если прологарифмировать обе части предыдущего равенства:
то получим линейную зависимость, рассмотренную выше.
Независимых переменных может быть не одна, а несколько. Пусть, например, по исходным данным
требуется оценить неизвестные параметры a и b в зависимости
где ε – погрешность. Это можно сделать, минимизировав функцию
Зависимость от х и у не обязательно должна быть линейной. Предположим, что из каких—то соображений известно, что зависимость должна иметь вид
тогда для оценки пяти параметров необходимо минимизировать функцию
Более подробно рассмотрим пример из микроэкономики. В одной из оптимизационных моделей поведения фирмы используется т. н. производственная функция f(K,L), задающая объем выпуска в зависимости от затрат капитала K и труда L. В качестве конкретного вида производственной функции часто используется так называемая функция Кобба—Дугласа