1. モデルの基本式y i y_iyi

最初の式①は次のように書かれています:

y i = β i 1 x i 1 + β i 2 x i 2 + ⋯ + β i k x i k + μ i y_i = \beta_{i1}x_{i1} + \beta_{i2}x_{i2} + \dots + \beta_{ik}x_{ik} + \mu_iyi=βi1xi1+βi2xi2++βikxik+μi

各成分の意味

  • y i y_iyi: 被説明変数(予測される値)
  • x i j x_{ij}xij: 説明変数(モデルに与えられる値、j = 1 , 2 , . . . , k j = 1, 2, ..., kj=1,2,...,k
  • β i j \beta_{ij}βij: 説明変数x i j x_{ij}xijの回帰係数
  • μ i \mu_iμi: 誤差項(予測しきれない部分を表す)

式①は、線形回帰モデルの基本形を表しています。


2. 説明変数x i 1 x_{i1}xi1を他の変数で回帰する

式②は、説明変数x i 1 x_{i1}xi1を他の説明変数(x i 2 , x i 3 , . . . , x i k x_{i2}, x_{i3}, ..., x_{ik}xi2,xi3,...,xik)と誤差項f i f_ifiを使って説明するものです:

x i 1 = γ i 2 x i 2 + γ i 3 x i 3 + ⋯ + γ i k x i k + f i x_{i1} = \gamma_{i2}x_{i2} + \gamma_{i3}x_{i3} + \dots + \gamma_{ik}x_{ik} + f_ixi1=γi2xi2+γi3xi3++γikxik+fi

各成分の意味

  • γ i j \gamma_{ij}γij: 説明変数間の関係を表す係数
  • f i f_ifi: 残差項(他の説明変数で説明しきれない部分)

ここでは、説明変数x i 1 x_{i1}xi1を他の説明変数で回帰しています。この操作は、後の計算で式を簡単化するために行われます。


3. 式②を式①に代入する

次に、式②を式①に代入します:

y i = β i 1 f i + ( β i 2 + β i 1 γ i 2 ) x i 2 + ⋯ + ( β i k + β i 1 γ i k ) x i k y_i = \beta_{i1}f_i + (\beta_{i2} + \beta_{i1}\gamma_{i2})x_{i2} + \dots + (\beta_{ik} + \beta_{i1}\gamma_{ik})x_{ik}yi=βi1fi+(βi2+βi1γi2)xi2++(βik+βi1γik)xik

式の変化

  • β i 1 x i 1 \beta_{i1}x_{i1}βi1xi1β i 1 f i + β i 1 ( γ i 2 x i 2 + ⋯ + γ i k x i k ) \beta_{i1}f_i + \beta_{i1}(\gamma_{i2}x_{i2} + \dots + \gamma_{ik}x_{ik})βi1fi+βi1(γi2xi2++γikxik)に置き換えられています。
  • これにより、y i y_iyif i f_ifiと他の説明変数の組み合わせで表されます。

4. 特殊な条件(k ≥ 2 k \geq 2k2

条件k ≥ 2 k \geq 2k2の下で、( β i k + β i 1 γ i k ) x i k = 0 (\beta_{ik} + \beta_{i1}\gamma_{ik})x_{ik} = 0(βik+βi1γik)xik=0が成立すると仮定しています。

この仮定により、式がさらに簡略化されます。このような仮定は、変数間の相関やモデルの特性によって正当化されることがあります。


5. 正規方程式の構築

正規方程式とは、回帰係数を求めるために使用する式のセットです。以下の形で与えられます:

∑ y i x i 1 = ∑ { β i 1 f i + ( β i 2 + β i 1 γ i 2 ) x i 2 + …   } x i 1 \sum y_i x_{i1} = \sum \{\beta_{i1}f_i + (\beta_{i2} + \beta_{i1}\gamma_{i2})x_{i2} + \dots \} x_{i1}yixi1={βi1fi+(βi2+βi1γi2)xi2+}xi1

これをすべての説明変数について計算し、最終的に式を簡単化します。


6. 簡略化の結果

前述の性質(特定の項が 0 になる)を利用すると、以下が成立します:

∑ y i x i 1 = ∑ β i 1 f i x i 1 \sum y_i x_{i1} = \sum \beta_{i1} f_i x_{i1}yixi1=βi1fixi1

この式から、β i 1 \beta_{i1}βi1の推定量が次のように求められます:

β i 1 = ∑ y i f i ∑ f i 2 \beta_{i1} = \frac{\sum y_i f_i}{\sum f_i^2}βi1=fi2yifi

意味すること

  • β i 1 \beta_{i1}βi1: 回帰係数の推定値
  • ∑ y i f i ∑ f i 2 \frac{\sum y_i f_i}{\sum f_i^2}fi2yifi: 最小二乗法による推定値の形を反映しています。

全体の流れの要約

  1. 元の回帰モデルで説明変数x i 1 x_{i1}xi1を他の説明変数で回帰し、簡略化された表現を得る。
  2. 正規方程式を立て、説明変数間の関係性を考慮して特定の項を無視。
  3. 最終的に、回帰係数の推定量を計算する。

この過程は、回帰モデルを解釈しやすくしたり、計算を効率化するためのアプローチです。

 

モデル

yi=Βi1xi1+Βi2xi2+・・・+Βikxik+μi・・・①

 

x1についてx2、x3・・・、xk、μiで回帰すると

xi1=γi2xi2+...+γikxik+fi・・・②

 

②を①に代入

yi=Βi1fi+(Βi2+Βi1γi2)xi2+・・・+(Βik+Βi1γik)xik・・・③

 

k≧2のとき、(Βik+Βi1γik)xik=0

 

正規方程式より

Σyixi1=Σ{Βi1fi+(Βi2+Βi1γi2)xi2+・・・+(Βik+Βi1γik)xik}xi1

Σyixi2=Σ{Βi1fi+(Βi2+Βi1γi2)xi2+・・・+(Βik+Βi1γik)xik}xi2

Σyixik=Σ{Βi1fi+(Βi2+Βi1γi2)xi2+・・・+(Βik+Βi1γik)xik}xik

 

 

前述の性質より

Σyixi1=ΣΒi1fixi1

 

よって

Βの推定量=Σyixi1/Σfixi

=Σfiyi/Σ(fi^2)

 

タグ:

+ タグ編集
  • タグ:
最終更新:2025年01月18日 14:08