홈 > 강의소개
계량경제학Ⅱ
김재현 교수
경북대학교 대학원 경제학과 석사과정
경북대학교 대학원 경제학과 박사졸업
경북대학교 대학원 경제학과 석사과정
경북대학교 대학원 경제학과 박사졸업
경북대학교
계명대학교
현) 유니와이즈 전임교수
AI가 이끄는 스마트한 학습 경험, AI 튜터와 함께 더 빠르고, 더 깊게 학습하세요.
긴 강의 내용을 AI가 핵심만 요약하여 복습 시간을 단축시킵니다.
강의에서 가장 중요한 키워드와 개념을 자동으로 추출해 제공합니다.
학습한 내용을 바탕으로 AI가 생성한 퀴즈를 풀며 이해도를 점검합니다.
모르는 부분을 24시간 언제든 AI 튜터에게 질문하고 답변을 받습니다.
총 8개 챕터, 46강으로 구성되어 있습니다.
| 제목 | 강의시간 | 상세내용 |
|---|---|---|
| 9장. 모형식별문제, 내생성문제 | ||
|
[1강] 모형설정오류 문제
|
0:
51:
26
|
|
|
회귀모형 설정 오류와 내생성 문제 개요
• 회귀모형 설정 오류: 모형식별 오류, 내생성 문제의 유형(과소식별, 과대식별, 함수 형태 부적절성) 및 추정량 통계적 성질에 미치는 영향 분석. • 과소식별: 적절 설명 변수 누락 시 계수 및 오차항 분산 추정량에 편의 발생, 가설검정 신뢰도 저하. • 과대식별: 불필요 설명 변수 포함 시 추정량 불편성 유지, 분산 증가로 효율성 저하, 다중공선성 유발 가능성. |
||
|
[2강] 모형설정오류의 식별
|
0:
21:
23
|
|
|
모형설정오류 식별 방법
• 모형설정오류: 불필요 변수, 생략 변수, 함수 형태 오류로 분류되며, 불필요 변수는 t/F-검증으로 식별. • 생략 변수/함수 형태 오류: 잔차 패턴 분석으로 진단하며, 더빈-왓슨 통계량으로 자기상관 유사 잔차 패턴 식별. • 램지 리셋 검증, 라그랑주 승수(LM) 검증: 추가 변수 유의성을 F-검정 및 카이제곱 검정으로 평가, 모형 오류 판단. |
||
|
[3강] 모형설정오류의 교정
|
0:
59:
28
|
|
|
모형설정오류 교정 방법론 및 함수 형태 변환
* **모형 설정 오류**: 생략 변수 및 잘못된 함수 형태로 발생하는 회귀 모형의 오차를 진단하고 교정하는 방법론. * **생략 변수 교정**: 레머, 핸드리, 맥키논 접근법을 통해 최적 설명 변수를 식별하고 다중 모형을 통계적으로 검증하는 절차. * **함수 형태 오류 교정**: 비선형 모형(로그, 로지스틱, 역함수 등)을 그래프 검토 및 변수 변환으로 선형화하여 분석 정확도를 높이는 방법. |
||
|
[4강] 측정오차. 내생성 문제
|
0:
50:
55
|
|
|
모형 설정 오류 교정 및 내생성 문제 분석
• 비선형 모형: 테일러 전개를 통한 선형 근사 방법으로 비선형 회귀 모형 추정 원리 이해. • 측정오차 문제: 종속변수 오차는 불편성 유지, 설명변수 오차는 내생성 문제 발생 원인 분석. • 내생성 문제: 설명변수와 오차항 상관관계로 인한 추정량의 비일치성 및 편의 발생 구조 파악. |
||
|
[5강] 도구변수 추정법
|
0:
33:
55
|
|
|
회귀 분석 내생성 문제와 도구 변수 추정법
• **내생성 문제**: 종속/설명변수 측정오차로 OLS 추정량의 불일치성과 하향 편의 발생 원리. • **도구 변수(IV) 추정법**: 내생성 해결 위한 일치 추정량 도출; 설명변수와 강한 상관, 오차항과 무상관 조건 충족. • **IV 추정량**: 대표본 일치성 확보, 소표본 불편성 및 약한 도구 변수로 인한 추정 결과 신뢰도 저하 가능성. |
||
|
[6강] 적률추정법
|
1:
10:
52
|
|
|
도구변수 및 적률 추정법
• 도구변수 추정법: 내생성 문제 해결을 위해 설명변수와 유관하고 오차항과 독립적인 도구변수를 선정하고 하우스만 검정으로 내생성 여부 확인. • 적률 추정법: 확률변수의 거듭제곱 기대값인 정률을 기반으로 정률 조건을 설정하여 모수를 추정하는 일반적인 방법. • 도구변수 추정법은 적률 추정법의 일종으로, 추정량은 일치성을 보장하나 분산은 도구변수와 설명변수 간 상관도에 영향받음. |
||
| 10장. 이항종속변수 모형 | ||
|
[7강] 이항종속변수 모형 개요. 선형확률모형
|
0:
55:
58
|
|
|
이항종속변수 모형 및 선형확률모형
* 이항종속변수 모형: 종속변수가 0/1 이진값을 갖는 회귀모형으로, 베르누이 분포 특성 및 활용 목적 이해 * 선형확률모형(LPM): 이항종속변수 모형을 선형함수로 OLS 추정하는 기본 방법론 정의 * 선형확률모형(LPM) 한계: 이분산, 예측치 범위 문제, 낮은 R제곱 등 주요 문제점과 보완적 추정 방법론 필요성 |
||
|
[8강] Logit 모형 (1)
|
0:
53:
40
|
|
|
선형확률모형의 한계 및 Logit 모형 이해
• 선형확률모형(LPM) 한계: 비현실적인 확률 범위 및 선형성 가정 문제점을 인지하고, 비선형확률모형의 필요성을 이해. • Logit 모형의 개념: 로지스틱 분포 기반의 S자형 누적확률함수를 활용하여 LPM 한계를 극복하며, 로그 오즈비를 종속변수로 선형 관계를 분석. • Logit 모형 추정: OLS/WLS의 이분산 및 개별 확률 자료 부재의 한계를 인지하고, 최대우도추정법(MLE)의 활용 중요성을 학습. |
||
|
[9강] Logit 모형 (2)
|
0:
50:
45
|
|
|
로지스틱 회귀모형 오차항, MLE 및 한계효과
• 로지스틱 회귀모형 오차항: 개별 관측치 베르누이 분포 기반 이항 분포를 따르며, 대표본에서 정규분포 근사, 분산은 $1/(n_i p_i (1-p_i))$로 추정. • 최대우도추정법 (MLE) 로짓 모형 추정: 비선형 정규방정식으로 닫힌 해가 없어, 수치해석을 통해 근사 추정치를 도출. • 로짓 모형의 한계효과: 설명변수 변화에 따른 성공 확률 변화 지표로, 계수($\beta_j$)에 성공 및 실패 확률의 곱($p_i(1-p_i)$)이 반영된 $\beta_j \times p_i \times (1-p_i)$ 형태로 계산. |
||
|
[10강] Probit 모형 (1)
|
0:
51:
48
|
|
|
Probit 모형의 원리 및 추정 방법
* **Probit 모형:** 표준정규분포의 누적확률함수를 기반으로 이항종속변수를 분석하는 비선형 회귀모형. * **Probit 추정 방법:** 비선형 관계 선형화를 위해 CDF 역함수를 활용하며, 주로 최우추정법(MLE)을 통해 근사해를 도출. * **Probit 한계효과:** 설명변수 변화에 따른 종속변수 확률 변화량을 나타내며, 확률밀도함수와 계수의 곱 형태로 계산. |
||
|
[11강] Probit 모형 (2)
|
0:
25:
43
|
|
|
Probit 모형 이해 및 로짓 모형 비교 분석
• 로짓/프로빗 모형 개념: 누적확률분포 및 확률밀도함수 형태, 계수 추정 방식의 차이점 비교 분석. • 이항 종속변수 모형 추정: 최우추정법(MLE) 활용 시, 우도비(LR) 검정으로 계수 유의성 평가. • 모형 적합도 평가: 일반 결정계수 대신 McFadden 등 유사 $R^2$를 통해 이항 종속변수 모형 적합성 진단. |
||
|
[12강] Tobit 모형
|
0:
38:
47
|
|
|
Tobit 모형
• Tobit 모형: 중도 절단형 종속변수 자료 분석 모델, OLS 추정의 편의 문제 해결. • 최대우도추정법(MLE): 종속변수 0 및 양수 구간을 분리한 우도함수를 활용하여 계수 추정. • 한계효과 분석: 종속변수 구간별(0과 양수)로 한계효과를 다르게 계산하고 해석. |
||
| 11장. 연립방정식 모형Ⅰ | ||
|
[13강] 연립방정식 모형 개요
|
0:
31:
32
|
|
|
연립방정식 모형 개요 및 유형
• 연립방정식 모형: 내생변수 값 결정을 위한 복수의 방정식 체계로, 내생변수와 외생변수 간 상호작용 구조를 가짐. • 내생성 문제: 연립방정식 모형에서 내생변수와 오차항 간 상관으로 최소제곱법(OLS) 추정량의 불일치성 발생. • 모형 유형 분류: 통상적, 축자형, 블록축자형, 외관상 무관한 모형으로 구분되며, 각 유형별 OLS 적용 가능 여부가 상이함. |
||
|
[14강] 최소제곱 추정량의 불일치성
|
0:
21:
39
|
|
|
최소제곱추정량의 불일치성 및 편의 문제
• 최소제곱 추정량 문제: 연립방정식 모형에서 내생변수로 인한 불편성 및 불일치성 발생 원리 분석 • 내생성 정의: 설명변수와 오차항 간 상관관계로 OLS 추정량의 편의와 일치성 상실 야기 • 연립방정식 모형 추정: OLS 방식의 부적합성 확인 및 대체 추정 방법론 필요성 제시 |
||
|
[15강] 식별문제와 적정식별조건 (1)
|
1:
17:
25
|
|
|
식별문제와 적정식별조건
• 식별문제: 연립방정식의 내생성 문제를 해결하는 유도방정식 계수로부터 구조 계수 역추적 가능성을 판단하는 개념. • 식별 기준: 유도 계수 관계식과 구조 계수 수의 일치 여부로 과소식별, 적정식별, 과잉식별을 구분하는 원칙. • 구조방정식 식별 조건: 각 함수에 고유한 외생변수를 포함하여 연립방정식의 적정식별을 달성하는 필수 원리. |
||
|
[16강] 식별문제와 적정식별조건 (2)
|
1:
16:
16
|
|
|
식별문제와 적정식별조건
* **식별 문제 및 차수 조건**: 연립방정식 계수 추정 가능성 판단의 필요 조건으로, 해당 방정식에서 제외된 외생변수 수가 내생변수 수 빼기 1보다 크거나 같아야 함. * **개수 조건**: 회귀계수 해 도출의 충분 조건으로, 특정 방정식에 미포함된 변수들로 구성된 행렬의 랭크가 전체 방정식 수 빼기 1과 같아야 함. * **식별 조건 적용 및 제약**: 선형 모형에 한해 적용하며, 과소식별 시 사전 제약을 통해 해결하고 추정된 계수는 유의성 검정이 필수적. |
||
| 12장. 연립방정식 모형Ⅱ | ||
|
[17강] 내생성검정. 외생성검정. 축차모형 추정법
|
0:
43:
01
|
|
|
연립방정식 모형 추정 및 검정
* 내생성/외생성 검정: 연립방정식 모형에서 내생변수 식별 및 추정량 불취성 방지를 위한 하우스만 검정법 활용 * 축차모형 OLS 추정: 내생변수와 오차항 무상관 가정을 통해 각 방정식을 OLS로 개별 추정하는 기법 * 간접최소제곱법(ILS): 유도개수를 통해 구조방정식 추정개수를 간접 도출하며, 적정식별 모형에 한해 적용 가능 |
||
|
[18강] 간접최소제곱법. 2단계 최소제곱법 (1)
|
1:
07:
22
|
|
|
간접최소제곱법 및 2단계 최소제곱법
• 간접최소제곱법(ILS): 적정식별된 연립방정식 모형에서 내생성 문제를 해결하고 OLS를 통해 일치성 추정량을 도출하는 기법 • 2단계 최소제곱법(2SLS): 과대식별 모형의 내생성 해결을 위해 내생변수 예측치를 1단계 OLS로 구하고 2단계에서 원방정식을 OLS로 추정하는 절차 • 연립방정식 추정 원리: 내생성 문제와 모형의 식별 조건(적정식별/과대식별)에 따라 ILS 또는 2SLS를 선택하여 일치성 추정량을 확보 |
||
|
[19강] 2단계 최소제곱법 (2)
|
0:
50:
21
|
|
|
2단계 최소제곱법(2SLS)
• 2단계 최소제곱법(2SLS): 연립방정식 내생성 해결을 위해 유도방정식으로 내생변수 예측치를 구하고 OLS로 추정하는 방법론. • 2SLS 추정량 특성: 소표본 편의, 대표본 일치성 보장, 과대식별 모형에도 적용 가능한 효율적인 추정 방법. • 2SLS와 간접최소제곱법(ILS): 적정식별 시 결과 동일하나, 과대식별 모형에 적용 가능한 2SLS가 ILS보다 실무적 활용 범위가 넓음. |
||
|
[20강] 도구변수 추정법. 기타 연립방정식 추정법. 연립방정식 추정법 비교
|
0:
43:
18
|
|
|
도구변수 및 연립방정식 추정법 비교
• 도구변수(IV) 추정법: 연립방정식 내 내생성 문제 해결을 위해 오차항과 독립적인 도구변수를 선정, 대표본에서 일치성을 확보하는 추정 원리. • 2단계 최소제곱법(2SLS) 및 k-클래스 추정법: 내생변수 처리를 위한 유도방정식 활용 방법론이며, 3단계 최소제곱법(3SLS)은 2SLS에 GLS를 추가하여 추정량 효율성을 극대화. • 연립방정식 추정법 비교: IV, ILS, 2SLS, 3SLS 간 유도방정식/해 도출 필요 여부, 소표본/대표본 특성 및 효율성 관점에서 각 방법론을 분석. |
||
| 13장. 행렬을 이용한 다중회귀분석 : 추정 | ||
|
[21강] 행렬을 이용한 다중회귀분석: 개요
|
0:
26:
50
|
|
|
행렬을 이용한 다중회귀분석Ⅰ 개요 및 기본 표현
• 다중회귀모형 행렬 표현: 설명변수 개수와 무관하게 종속변수 벡터 $\mathbf{Y}$, 설명변수 행렬 $\mathbf{X}$, 개수 벡터 $\boldsymbol{\beta}$, 오차항 벡터 $\boldsymbol{\epsilon}$을 통해 $\mathbf{Y} = \mathbf{X}\boldsymbol{\beta} + \boldsymbol{\epsilon}$ 형태로 모형을 간결하게 정의 • 행렬 기반 최소제곱추정: 오차 벡터의 제곱 거리 최소화 원리를 적용하여 일반화된 최소제곱추정량 $\hat{\boldsymbol{\beta}}$ 도출 절차 제시 • 행렬 표현의 장점 및 한계: 모형 간결화, 계산 일반화, 처리 속도 향상, 기하학적 해석 용이성을 제공하나 선형 회귀모형에만 적용 가능한 한계 분석 |
||
|
[22강] 행렬연산 기초 (1)
|
0:
38:
23
|
|
|
행렬연산 기초
* 행렬 및 벡터 개념: 행과 열로 구성된 데이터 배열 정의, 선형방정식 표현 및 스칼라, 크기/방향 특성 이해. * 행렬의 주요 유형: 정방, 대각, 대칭, 삼각행렬 등 구조적 특성 및 주대각 개념 파악. * 행렬 및 벡터 연산: 덧셈, 뺄셈, 스칼라 곱셈 원리, 벡터 내적의 기하학적 의미와 텐서 곱 생성 방식 학습. |
||
|
[23강] 행렬연산 기초 (2)
|
0:
41:
05
|
|
|
행렬연산 기초: 곱셈, 거듭제곱, 전치, 항등원
• 행렬 곱셈은 내적 기반의 차원 일치 연산이며, 거듭제곱은 정방 행렬에 적용되어 멱등 행렬과 같은 특성을 가짐. • 행렬 전치는 행과 열을 교환하는 연산으로 $(AB)^T = B^T A^T$ 성질을 가지며, $A^T A$는 대칭 정방 행렬을 생성. • 행렬 대각합(트레이스)은 정방 행렬의 주대각합으로 $Tr(AB) = Tr(BA)$처럼 곱셈 순서에 불변하며, 단위 행렬은 행렬 곱셈의 항등원. |
||
|
[24강] 행렬연산 기초 (3)
|
1:
00:
31
|
|
|
행렬의 역행렬과 행렬식
• 역행렬: 행렬 연산의 역원으로, 단위행렬을 만족하며 행렬식이 0이 아닌 가역행렬만 존재한다. • 행렬식: 행렬의 가역성(역행렬 존재)을 판별하는 척도이자 기하학적 의미를 가지며, 소행렬식과 여인수 전개를 통해 계산된다. • 보조행렬: 여인수 행렬의 전치행렬로, 역행렬은 보조행렬을 행렬식으로 나눈 값($\frac{1}{det(A)}Adj(A)$)으로 정의된다. |
||
|
[25강] 행렬연산 기초 (4)
|
0:
49:
01
|
|
|
행렬연산 기초: 역행렬과 분할행렬
• 역행렬 도출: 크레이머 룰은 행렬식과 보조행렬로, 행연산은 가우스 소거법 기반의 $[A|I]$ 변환으로 계산. • 역행렬 존재 조건: 행렬식이 0이 아니어야 유일해가 존재하며, 행연산 시 단위 행렬 변환이 가능해야 함. • 분할 행렬: 블록으로 나뉜 행렬의 연산은 블록을 원소처럼 처리하나, 역행렬은 별도 복잡한 공식을 적용. |
||
|
[26강] 행렬연산 기초 (5)
|
0:
30:
48
|
|
|
행렬 랭크 개념 및 기약 사다리꼴 활용
• 행렬 랭크 개념: 행렬 내 선형 독립 벡터 개수를 정의하며, 역행렬 및 유일해 존재 여부 판단의 핵심 지표. • 기약 사다리꼴 행렬: 행연산을 통한 변환 후, 선도 1의 개수를 세어 랭크를 도출하는 절차. • 풀 랭크 및 동치 명제: 모든 행/열이 선형 독립인 행렬의 특성과 행렬식, 역행렬과의 상호 관계. |
||
|
[27강] 행렬연산 기초 (6)
|
0:
38:
52
|
|
|
행렬의 고유 벡터와 고유값
• 행렬 고유값: 선형변환 $A\mathbf{x} = \lambda\mathbf{x}$ 만족하는 스칼라 $\lambda$로, 특성 다항식 $\det(A-\lambda I)=0$을 통해 도출. • 행렬 고유벡터: 고유값에 대응하는 $A\mathbf{x} = \lambda\mathbf{x}$의 벡터 $\mathbf{x}$로, 선형변환 방향과 기저를 결정. • 고유값의 의미: 벡터 스케일 변화 정도를 나타내며, 0인 경우 행렬 역행렬 존재 여부 및 선형방정식 해의 유일성 판단. |
||
|
[28강] 행렬연산 기초 (7)
|
0:
40:
41
|
|
|
행렬 연산 기초: 직교, 대각화, 사형, 2차 형식
• 직교 개념: 벡터 내적 조건과 직교 행렬의 정의 및 성질 요약 • 행렬 대각화 및 직교대각화: 행렬 A의 대각 행렬 D 변환 과정과 대칭 행렬의 고유값 기반 직교대각화 원리 • 사형 및 2차 형식: 벡터 투영 개념과 회귀 분석 응용, 행렬 $X^T A X$의 분류를 통한 최적화 문제 판별 |
||
|
[29강] 행렬연산 기초 (8)
|
0:
40:
19
|
|
|
행렬 미분 기초와 최적화 적용
• 미분 및 전미분 개념: 최적화 문제 해결을 위한 단변량/다변량 함수 미분, 편미분, 전미분 원리 및 함수 변화량 정의. • 벡터/행렬 미분: 벡터에 대한 편미분, 전미분 행렬 표현($dY = \nabla Y^T dX$), 2계 전미분과 헤세 행렬($d^2 Y = dX^T F dX$) 구성. • 2차 형식 미분: $\mathbf{X}^T A \mathbf{X}$ 형태의 2차 형식을 벡터 $\mathbf{X}$와 행렬 $A$에 대해 미분하는 공식 및 차원 일치 원리 (최소제곱법 적용). |
||
|
[30강] 행렬연산 기초 (9)
|
1:
11:
44
|
|
|
행렬 미분을 활용한 최적화 문제 풀이
• 다변수 함수 최적화: 행렬 미분을 활용하여 극대·극소점을 찾는 과정 및 원리 이해 • 1계 조건(FOC): 경사 벡터(gradient vector)가 0이 되는 지점을 찾아 최적점 후보를 식별하는 필요 조건 • 헤시안 행렬 기반 2계 조건(SOC): 대칭 행렬인 헤시안을 통해 극대·극소점 여부를 판정하는 충분 조건 |
||
|
[31강] 행렬연산 기초(10)
|
0:
45:
26
|
|
|
행렬 최적화: 극값 판별 및 확률 벡터 기초
* 다변량 함수 최적화: 헤세 행렬 2계 미분과 2차 형식으로 극값(극대/극소) 판별. * 양정치/음정치 조건: 헤세 행렬 순차 주 소행렬식 부호로 극값 성격(극소/극대) 결정. * 확률 벡터 기초: 기댓값 벡터와 공분산 행렬 정의 및 각 원소의 분산·공분산으로 구성. |
||
|
[32강] 다변량 통계 기초. 행렬을 이용한 최소제곱추정 (1)
|
1:
05:
05
|
|
|
다변량 통계와 행렬을 이용한 최소제곱추정
• 확률벡터의 기대치와 분산: 확률벡터의 선형 조합 및 외적에 대한 기대치와 분산 행렬 계산 원리 정의. • 다변량 정규분포와 다중회귀모형: 평균 벡터, 공분산 행렬 기반 다변량 정규분포 특성 및 $Y=X\beta+\epsilon$ 행렬 모형과 고전적 가정 분석. • 최소제곱추정량 도출: 행렬 미분으로 오차 제곱합 최소화하여 OLS 추정량 $\hat{\beta}=(X'X)^{-1}X'Y$ 도출 및 $(X'X)$ 역행렬 존재 조건 이해. |
||
|
[33강] 행렬을 이용한 최소제곱추정 (2)
|
0:
28:
20
|
|
|
행렬을 이용한 최소제곱추정의 극값 판별
• 최소제곱추정 극값 판별: 오차 제곱합 2계 편미분을 통해 Hessian 행렬 도출, 최적해가 항상 극소값임을 결정. • Hessian 행렬 ($2X'X$): 2계 편미분 행렬로, $X'X$의 공분산 행렬 특성과 부분 행렬식의 양수 조건을 통해 양정치성 증명. • $X'X$의 양정치성: $d^2S$가 양정치 이차 형식을 나타내므로, 최소제곱추정은 항상 유일한 극소값을 도출. |
||
|
[34강] 행렬을 이용한 최소제곱 추정량의 분포 (1)
|
0:
38:
34
|
|
|
행렬 최소제곱추정량의 분포 및 가우스-마르코프 정리
* 최소제곱추정량 $\hat{\beta}$: $Y$의 선형 함수 형태, 기댓값 $\beta$, 분산 $\sigma^2(X'X)^{-1}$를 가지며 정규분포를 따르는 불편 추정량. * 가우스-마르코프 정리: $\hat{\beta}$가 선형성, 불편성, 최소 분산성을 만족하는 최량 선형 불편 추정량(BLUE)임을 증명. * 오창 분산 추정 자유도: 잔차 제곱합을 $n-k$로 나누어 미지의 $\sigma^2$를 추정하며, 이는 $k$개 추정량으로 인한 자유도 손실을 반영. |
||
|
[35강] 행렬을 이용한 최소제곱 추정량의 분포 (2)
|
1:
00:
33
|
|
|
행렬로 표현된 최소제곱추정량 분포
• 잔차 제곱합: 최소제곱추정량 기반 잔차 정의, 자유도 활용 오차 분산의 불편 추정량 $e^T e / (N-K)$ 유도. • 회귀분석 핵심 행렬 A, N, M: 회귀 계수, 예측치, 잔차 생성 원리 및 각 행렬의 멱등, 대칭 성질 분석. • 행렬 연산의 의의: 회귀 계수, 예측치, 잔차 특성치 효율적 계산 및 잔차와 예측치 간 직교성 등 회귀모형 이론적 특징 이해. |
||
|
[36강] 행렬을 이용한 최소제곱 추정량의 분포 (3)
|
0:
43:
41
|
|
|
행렬 최소제곱추정량 분포 및 직교성
• 최소제곱추정량: 정규방정식을 통해 설명변수-오차함 직교성, 예측치-잔차 직교성을 증명하여 최적 예측치 도출 원리 확립. • 직교성/정사형: 예측치는 종속변수의 정사형이며, 잔차와의 직교를 통해 최적 예측치로서 오차를 최소화하는 원리 이해. • 분산 분해/결정계수($R^2$): 피타고라스 정리에 기반한 총변동(TSS)의 회귀변동(RSS) 및 잔차변동(SSE)으로의 분해와 $R^2$의 행렬 표현 및 의미 분석. |
||
|
[37강] 행렬을 이용한 최소제곱 추정량의 분포 (4)
|
0:
41:
27
|
|
|
최소제곱추정량의 행렬 표현과 통계량 분석
• R 행렬 개념: 총 변동(TSS) 표현, 몇등 행렬 성질 및 직교성을 통해 회귀 변동(RSS)과 오차 변동(SSE)의 합($TSS=RSS+SSE$)을 행렬식으로 증명. • 결정계수($R^2$): 모형의 설명력 지표로, 총 변동(TSS) 대비 회귀 변동(RSS) 비율을 통해 설명변수의 종속변수 설명력을 평가. • 조정 결정계수(Adjusted $R^2$): $R^2$의 설명변수 수 증가 오류를 보완하며, 자유도 기반 페널티 부여로 모형의 실제 설명력을 조정 평가. |
||
|
[38강] 다중공선성 문제
|
0:
52:
06
|
|
|
다중공선성 문제 정의, 탐지 및 해결
• 다중공선성 문제: 설명 변수 간 선형 종속 관계로 회귀 계수 추정의 역행렬 존재 조건 위배 및 신뢰도 저하. • 분산 팽창 지수(VIF): 다중공선성 탐지 지표로, 변수 간 선형관계 강도와 추정량 분산 팽창 정도 측정. • 다중공선성 해결: 문제 변수 제거 또는 능형 회귀분석 적용을 통한 계수 추정 신뢰성 강화. |
||
| 14장. 행렬을 이용한 다중회귀분석 : 가설검정 | ||
|
[39강] 행렬을 이용한 다중회귀분석 (1)
|
0:
51:
32
|
|
|
행렬 기반 다중회귀분석 가설검정 개요 및 F분포
• 행렬 기반 가설검정: 회귀계수에 대한 선형제약 가설을 구성하고 전반적인 회귀계수 검정 원리 이해 • F분포 개념: 표준정규분포 및 카이제곱분포로부터 도출된 검정통계량으로, 회귀계수 추정량의 이차 형식 분석에 활용 • 선형제약행렬 $H$ 구성: 회귀계수 선형결합 가설을 $H\hat{\beta} = \beta_0$ 형태로 체계화하고 다중 제약을 동시 검정 |
||
|
[40강] 행렬을 이용한 다중회귀분석 (2)
|
0:
56:
36
|
|
|
F분포를 이용한 선형 가설검정
• F분포 선형 가설검정: 회귀 모형 계수 제약 검정을 위해 계수 추정량 분포 기반 카이제곱 분포 유도 후 오차 분산 추정량 $s^2$로 F분포 통계량 구축. • F-검정 유형 및 절차: 개별 계수, 모형 전체, 일부 계수 결합, 선형식 제약 등 다양한 가설에 대한 $H$ 행렬 구성 및 $m$, $n-k$ 자유도 설정으로 통계량 계산. • 개별 계수 F-검정: 단일 계수 유의성 검정 시 F-통계량은 해당 계수 t-통계량의 제곱과 동일함. |
||
|
[41강] 행렬을 이용한 다중회귀분석 (3)
|
1:
21:
47
|
|
|
F분포를 이용한 회귀모형 선형 및 비선형 가설검정
* F분포 가설검정: 회귀모형의 선형 및 비선형 제약 검증을 위한 일반화된 통계 방법론. * 회귀함수 구조변화 검증: 전체 표본을 분할하여 각 부분 모형 계수의 동일성 검증, F-통계량은 $n-2k$ 자유도 활용. * 비선형 가설검정: 1차 테일러 전개로 선형 근사하며, 비선형 함수를 편미분한 자코비안 행렬로 F-통계량 구성. |
||
| 15장. 행렬을 이용한 다중회귀분석 : GLS | ||
|
[42강] 행렬을 이용한 일반화 최소제곱법 (1)
|
0:
59:
20
|
|
|
행렬 이용 다중회귀분석: 일반화 최소제곱법 개요 및 성질
• 일반화 최소제곱법(GLS): 오차항 이분산성 및 자기상관 문제 발생 시, OLS의 비효율성 및 가설 검정 오류 해결을 위한 회귀분석 방법론 • OLS 추정량 성질(고전적 가정 위반 시): 불편성은 유지하나 효율성을 상실하고 분산 추정량에 편의가 발생하여 통계적 추론 부정확 초래 • GLS 해결 방안: 자료의 적절한 선형 변환을 통해 고전적 가정을 충족시켜 효율적인 추정량 확보 및 정확한 통계적 추론 가능 |
||
|
[43강] 행렬을 이용한 일반화 최소제곱법 (2)
|
0:
48:
09
|
|
|
행렬을 이용한 일반화 최소제곱법
* 일반화 최소제곱법(GLS): 오차항이 고전적 가정을 위배할 때 일반 행렬 G를 통한 자료 변환으로 효율성을 확보하는 추정 방법. * 일반 행렬 G: 오차항 분산 행렬 $\Sigma$를 단위 행렬로 변환하는 핵심 요소로, $G \Sigma G^T = I$ 및 $G^T G = \Sigma^{-1}$ 조건을 만족. * GLS 추정량: 가중치 행렬 $\Sigma^{-1}$를 사용하여 도출되며, 가우스-마르코프 정리를 만족하는 선형 불편 최소 분산 추정량(BLUE). |
||
|
[44강] 행렬을 이용한 일반화 최소제곱법 (3)
|
0:
27:
16
|
|
|
GLS 추정량의 분산 및 효율성 분석
* GLS 추정량의 분산 및 효율성: 오차항 분산행렬 $\Sigma$를 활용하여 OLS 대비 효율적인 $(X'\Sigma^{-1}X)^{-1}$ 분산 도출 및 Gauss-Markov 정리에 따른 BLUE 특성 분석. * FGLS 추정량의 필요성: 미지 모수인 오차항 분산행렬 $\Sigma$를 $\hat{\Sigma}$으로 추정하여 GLS를 실제 모형에 적용하는 절차 이해. * 오차항 분산행렬 $\Sigma$ 추정 문제: 고전적 가정 위반 시 $\Sigma$의 형태를 정확히 식별하여 신뢰성 있는 GLS 추정량을 확보하는 방법론 제시. |
||
|
[45강] 이분산. 자기상관
|
0:
35:
28
|
|
|
일반화 최소제곱법: 이분산 및 자기상관 문제 해결
* 일반화 최소제곱법 (GLS): 오차항 이분산 및 자기상관 문제 발생 시 OLS의 효율성을 회복하기 위한 추정 방법. * 일반화 행렬 G: 자료를 선형 변환하여 오차항을 고전적 가정에 부합시킴으로써 GLS 구현에 핵심 역할 수행. * 실현 가능 GLS (FGLS): 미지의 분산행렬 Σ를 추정하여 G 행렬을 구성, 이분산 및 자기상관 문제를 실제 해결하는 방식. |
||
| 강의 정오표 | ||
|
[46강] 정오표
|
0:
10:
00
|
|
|
교재만 있어요
|
||
김재현 교수님
계량경제학Ⅱ
