홈 > 강의소개
계량경제학 문제풀이Ⅰ
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, 59강으로 구성되어 있습니다.
| 제목 | 강의시간 | 상세내용 |
|---|---|---|
| 다중회귀모형 확장 | ||
|
[1강] 단순회귀모형 (1)
|
0:
45:
47
|
|
|
단순회귀분석 오차분산·기울기분산·정규분포 응용 연습
• 단순회귀 오차분산·SSE·자유도 관계: 오차분산 추정량과 SSE의 비례식(σ̂² = SSE/(n−2)) 및 자유도 개념을 통해 잔차제곱합과 분산을 상호 역산하는 구조 정리 • 회귀계수 분산·표준오차·제곱합 구조: 기울기·절편 추정량의 분산과 표준오차 공식, x 편차제곱합·제곱합 항등식, 회귀직선·잔차 계산을 통한 모수 추정 구조 정리 • 조건부 정규분포와 구간확률: 회귀모형에서 y|x의 조건부 평균·분산을 이용한 정규분포 설정, 표준화에 따른 구간확률 계산, 분산 변화가 확률분포 모양·구간확률에 미치는 영향 정리 |
||
|
[2강] 단순회귀모형 (2)
|
0:
44:
19
|
|
|
단순회귀 연습문제 3: 모수추정·가설검정·SSE 비교
• 단순 회귀모형과 OLS 추정: 모형 구조(y=β1+β2x+ε), OLS 추정식(기울기·절편 합계형 공식), 표본 회귀식 도출 절차 정리 • 분산·표준오차와 유의성 검정: 오차분산·계수분산·표준오차 계산, t-통계량·p-value 기반 계수 유의성 검정 절차와 해석 • 제약 모형과 SSE 비교: 절편=0·기울기=0 제약 모형의 추정식, 세 모형의 SSE 비교를 통한 완전 모형 우위와 제약에 따른 예측오차 증가 분석 |
||
|
[3강] 단순회귀모형 (3)
|
0:
56:
39
|
|
|
단순회귀모형 기울기 추정량과 스케일 변환 효과 요약
• 임의 두 점 기울기 추정량: 단순회귀모형에서 두 관측점으로 정의된 기울기 추정량의 선형성·불편성·분산·정규성과 최소제곱추정량 대비 효율성 비교를 통한 Gauss–Markov 정리 적용 • 분산 및 BLUE 성질: 임의 두 점 기울기 추정량과 최소제곱추정량의 분산 공식을 비교하여 표본 크기에 따른 최소분산성 여부와 BLUE(최선형불편추정량) 성질 충족 여부 분석 • x·y 스케일 변환 효과: 설명변수와 종속변수에 상수배를 곱할 때 회귀계수(절편·기울기)와 오차항·오차분산 추정량의 변화 규칙 및 x만·y만·동시 변환 시 모형 불변성 구조 정리 |
||
|
[4강] 단순회귀모형 (4)
|
0:
40:
04
|
|
|
단순회귀에서 기울기 계수의 t검정과 99% 신뢰구간
• 단순회귀모형과 t분포 기반 검정 구조: 기울기 추정값(β̂₂), 표준오차, 자유도(n-2)를 사용하여 t검정통계량 t=(β̂₂−β₂,0)/se(β̂₂)를 계산하고, t분포 특성과 양측·단측검정 구분을 통해 회귀계수의 통계적 유의성 판단 • p-value와 유의수준(α) 비교 원리: 귀무가설(β₂=0, β₂=0.5)에 대해 t값과 p-value를 계산하고, p-value<α 여부로 기각/채택 결론 도출하며, 유의수준 변화(0.1%, 1%, 5%)에 따른 동일 데이터의 판단 변화 구조 이해 • 신뢰구간과 가설검정의 관계: β̂₂±t_c·se(β̂₂) 형태의 (1−α) 신뢰구간(예: 99% 신뢰구간 [0.08, 0.54])을 구성하고, 귀무가설 값의 포함 여부로 검정 결과와 연결하며, t분포·정규분포 차이와 신뢰수준·구간 길이의 상관구조 정리 |
||
|
[5강] 단순회귀모형 (5)
|
0:
44:
20
|
|
|
단순회귀를 이용한 생산함수 추정과 결정계수·F검정 정리
• 로그선형 생산함수 추정: 코브-더글라스 생산함수 Q = A L^α 를 ln Q = ln A + α ln L + ε 로 선형화하여 단순회귀로 A(총요소생산성)와 α(노동의 생산탄력성·수확체계 여부)를 추정 • 회귀모형 예측과 적합도 측정: 추정식으로 ln Q 를 예측 후 지수변환으로 Q̂ 산출, TSS·RSS·SSE 관계(TSS=RSS+SSE)와 결정계수 R² = RSS/TSS = 1−SSE/TSS, 오차분산 추정량 σ̂² = SSE/(n−2)로 설명력·잔차변동성 평가 • 모형 유의성 F검정: 귀무가설 H₀: β₂=0 하에서 F = (RSS/1) / (SSE/(n−2)) = [R²/(1−R²)]·(n−2) 통계량으로 회귀모형의 통계적 유의성·설명변수 X의 유의한 설명력 검정 |
||
|
[6강] 단순회귀모형 (6)
|
0:
37:
43
|
|
|
단순회귀에서 상관계수·기울기·결정계수 관계 정리
• 표본상관계수와 공분산·표준편차: 공분산을 표준편차 곱으로 나눈 $r_{XY}$ 정의와 부호·크기를 통한 선형관계 방향·강도 측정 구조 정리 • 단순회귀 기울기계수와 상관계수·표준편차비: $\hat\beta_2=\dfrac{\operatorname{Cov}(X,Y)}{\operatorname{Var}(X)}=r_{XY}\dfrac{\sigma_Y}{\sigma_X}$로 표현되는 기울기-상관계수-표준편차비 관계 정리 및 $\hat Y=\hat\beta_1+\hat\beta_2X$ 구조 제시 • 결정계수와 상관계수 제곱 관계: $R^2=\dfrac{\text{RSS}}{\text{TSS}}$ 정의와 단순회귀에서 $r_{XY}=r_{Y\hat Y}$, $R^2=r_{XY}^2$로 연결되는 상관계수·기울기계수·결정계수 간 통합 구조 정리 |
||
|
[7강] 단순회귀모형 (7)
|
0:
33:
00
|
|
|
Keynes 소비함수 추정과 가설검정, 모형 설명력 해석
• Keynes 소비함수 추정식: C = A + BY_D 형태에서 독립소비(음의 절편)와 한계소비성향 추정치·표준오차·표본 크기를 바탕으로 계수의 경제학적 의미와 음의 절편 해석(저축 인출·차입, 의미 있는 정의역 구분) 제시 • 단측 t검정과 F검정: 한계소비성향이 0.6·0.7보다 큰지에 대한 우측 단측 t검정(가설 설정, 검정통계량 계산, 임계값 비교)과 단순회귀에서 t검정·F검정의 동질성, F = t² 관계를 통한 모형 유의성 판단 • 결정계수 R²와 모형 설명력: F = [R²/(1−R²)](n−2) 관계를 이용한 R² 역산, 가처분소득이 소비 분산을 설명하는 비율 해석, 소득 단일 설명변수의 한계와 이자율·소비심리·경기·자산가격 등 추가 변수 도입을 통한 설명력 제고 방안 정리 |
||
|
[8강] 단순회귀모형 (8)
|
0:
49:
15
|
|
|
추정량 신뢰구간·t검정·F검정, 그리고 회귀모형과 CAPM 해석 요약
• 단순회귀 추정량 추론: 기울기계수의 신뢰구간 구성(β̂ ± t·SE), t-검정 절차와 p-value 해석, 신뢰구간과 양측 t-검정 결과의 정보 동치 관계 정리 • 모형 유의성 검정 구조: 단순회귀에서 R² 기반 F-통계량 계산, F-검정과 계수 t-검정의 공통 귀무가설(β=0) 및 F = t² 관계를 통한 모형·계수 유의성 연결 • CAPM 회귀와 베타 검정: 수익률-시장수익률 회귀에서 베타의 공분산/분산 정의와 체계적 위험 의미, β>1 여부에 대한 우측 단측 t-검정 설정·계산·해석 및 공격적/방어적 주식 판별 기준 정리 |
||
|
[9강] 단순회귀모형 (9)
|
0:
56:
08
|
|
|
단순회귀 추정량·표준오차·결정계수·신뢰구간·가설검정 정리
• 단순회귀모형과 추정량: Y=β₁+β₂X+u 구조에서 합표 자료를 이용한 회귀계수 추정(β̂₁, β̂₂), SSE·σ̂²·Sxx 계산과 표준오차 산출 절차 정리 • 적합도·추론 통계량: TSS·SSE·RSS 기반 결정계수 R², t-통계량과 p-값, 95% 신뢰구간 구성 공식 및 자유도(n−2) 활용한 가설검정 체계 정리 • 응용 해석과 경제적 의미: 화폐공급–국민소득, 기온–청량음료 판매 사례로 기울기·절편의 경제적 해석, 음의 절편 의미, 예측식 활용과 모형 적용범위 논의 |
||
|
[10강] 단순회귀모형 (10)
|
0:
33:
42
|
|
|
승용차 가격의 단순회귀, 최소제곱추정과 기울기 신뢰구간, 장기예측 한계
• 단순선형회귀 모형: 승용차 가격을 사용 연수의 선형함수로 가정하고 최소제곱법으로 회귀계수(절편·기울기)를 추정하는 절차와 자료 요약통계 계산 • 기울기 신뢰구간: t-분포와 잔차제곱합 기반 분산추정으로 기울기 표준오차를 구하고, 자유도 n-2에서 95% 신뢰구간 CI(β₂)=β̂₂±t·SE(β̂₂) 구성 • 장기예측과 외삽 한계: 표본 구간 밖(예: 20년 후) 예측 시 분산 증가와 음수 가격 등 비현실적 결과가 발생함을 통해 단순회귀 외삽의 적용 범위와 해석 한계 제시 |
||
|
[11강] 단순회귀모형 (11)
|
0:
52:
38
|
|
|
회귀분석 비선형 모형과 변수변환: 자연지수·지수·다항식 비교
• 비선형 함수 분류와 변수변환 원리: 체증·체감 함수의 미분 기반 분류와 로그·제곱근(멱변환)을 통한 비선형 모형의 선형 회귀모형 변환 구조 정리 • 비선형 회귀모형 구조: 선형모형, 자연지수 모형 y=α2^{βx}, 멱함수형 y=αx^{β}, 다항식형 y=(α+βx)^2의 모형식·변수변환 형태·최소제곱 추정식 정리 • 모형 적합도 비교 기준: 결정계수 R²·F검정·계수 유의성에 기반한 네 모형의 상대적 설명력 비교와 최적 모형(자연지수형) 선택 시 해석 및 유의성 판단 기준 정리 |
||
|
[12강] 단순회귀모형 (12)
|
1:
01:
17
|
|
|
단순회귀 추정량 공분산과 분산의 관계 증명
• 단순회귀모형과 OLS 추정량: 모형 Yi=β1+β2Xi+εi와 고전적 가정하에서 β̂1, β̂2의 불편성·정규성·이변량 정규분포 및 Var(β̂1), Var(β̂2) 공식을 행렬·스칼라 형식으로 정리 • 선형추정량 표현과 오차 구조: 기울기 추정량 b2=∑wiYi, wi=(Xi−X̄)/∑(Xj−X̄)², b2=β2+∑wiεi, b1=Ȳ−b2X̄ 표현을 통해 추정량을 오차항 선형결합으로 나타내고 wi의 성질(∑wi=0, ∑wiXi=1)을 이용한 기댓값·분산·공분산 계산 구조 제시 • 공분산 관계 증명: Cov(β̂1,β̂2)=E[(b1−β1)(b2−β2)] 전개, E(Ȳ), E(Ȳb2), E(YiȲ) 계산과 εi 독립성·등분산성 활용을 통해 Cov(β̂1,β̂2)=−X̄Var(β̂2)=−X̄σ²/∑(Xi−X̄)²인 음의 공분산 일반식 도출 및 공분산 행렬 구조 정리 |
||
|
[13강] 단순회귀모형 (13)
|
0:
59:
48
|
|
|
회귀모형 유의성 검정과 분산분석(ANOVA)의 관계 핵심 정리
• 분산분석(ANOVA) 기본 구조: 종속변수 총변동(SST)을 처리(요인·트리트먼트) 효과에 의한 변동과 오차에 의한 변동(SSE)으로 분해하고, 처리 제곱합·오차 제곱합 기반으로 MS 처리, MS 오차, F-통계량으로 요인 평균 차이 유의성 검정 • 회귀모형 유의성 검정: 총변동을 회귀에 의한 제곱합(SSR)과 잔차 제곱합(SSE)으로 분해해 SST=SSR+SSE 관계를 두고, 결정계수 R², MSR, MSE, F=MSR/MSE로 X가 Y를 설명하는 정도와 모형 전체 유의성 평가 (트리트먼트 효과 ↔ 회귀효과, 오차 ↔ 잔차 대응) • t-검정·ANOVA·회귀 관계: 두 집단 평균 비교는 t-검정, 세 집단 이상은 One-way ANOVA 사용하며, 이때의 F-검정 구조가 단순·다중 회귀모형 F-검정과 동일 분산비 원리로 작동해, One-way/Two-way ANOVA는 단·다중 회귀모형의 특수 경우로 해석 가능 |
||
|
[14강] 단순회귀모형 (14)
|
1:
03:
31
|
|
|
선형회귀 예측치와 신뢰구간: 광고비와 매출 사례
• 단순선형회귀 추정과 해석: 최소제곱법으로 회귀식 $\hat Y=\hat\beta_1+\hat\beta_2X$ 추정, 합계·제곱합·곱합으로 계수 계산, 기울기를 광고비 변화에 따른 매출 증가 효과로 해석 • 회귀계수 유의성 검정: 잔차제곱합으로 오차분산 $\hat\sigma^2$ 추정, 기울기 표준오차와 T통계량 계산, p-value 기반으로 광고비 효과의 통계적 유의성 판단 • 예측값·예측분산·예측구간: 특정 $X_f$에서 예측치와 분산 $Var(Y_f-\hat Y_f)=\sigma^2\left[\dfrac{(X_f-\bar X)^2}{\sum (X_i-\bar X)^2}+\dfrac{1}{n}+1\right]$ 활용해 t분포로 예측구간 산출, $X_f$가 표본평균·범위에서 멀어질수록 예측오차와 구간폭이 증가하는 외삽 한계 이해 |
||
|
[15강] 단순회귀모형 (15)
|
0:
38:
25
|
|
|
단순회귀에서 상관계수, 기울기, 결정계수, F검정 관계
• 상관계수·공분산 개념: 공분산 표준화를 통한 상관계수 정의, 선형관계 방향·강도 해석, 단순회귀에서 상관계수 제곱과 결정계수의 동치 관계(R² = r²) • 회귀계수와 상관계수 관계: 최소제곱 추정량 공분산·분산 표현(β̂ = s_xy / s_x²)과 상관계수 정의(r = s_xy / (s_x s_y))를 이용한 β̂ = r (s_y / s_x), r = β̂ (s_x / s_y) 구조 정리 • F검정과 모형 유의성: R², TSS·RSS·SSE 관계를 이용한 F통계량 F = [R²/(k-1)] / [(1-R²)/(n-k)], 단순회귀에서 F = (R² / (1-R²))(n-2) 및 임계값과의 비교를 통한 회귀모형 유의성 판정 절차 정리 |
||
|
[16강] 단순회귀모형 (16)
|
0:
30:
50
|
|
|
상관계수 검정통계량과 단순회귀 기울기 t검정의 동치성 요약
• 상관계수 t검정: 피셔 z변환을 이용해 표본상관계수 r의 분산 Var(r)=\(\frac{1-r^{2}}{n-2}\)를 도출하고, 귀무가설 ρ=0에 대한 t통계량 \(t=\frac{r\sqrt{n-2}}{\sqrt{1-r^{2}}}\) 구성 • 단순회귀 기울기 t검정: 단순회귀모형 \(Y_i=\alpha+\beta X_i+\varepsilon_i\)에서 \(\hat{\beta}=\frac{\sum x_i y_i}{\sum x_i^{2}}\), \(s^{2}=\frac{\text{SSE}}{n-2}\), \(\operatorname{se}(\hat{\beta})=\frac{s}{\sqrt{\sum x_i^{2}}}\)를 이용해 \(t=\frac{\hat{\beta}}{\operatorname{se}(\hat{\beta})}\) 구성 • 동치성과 베타=0 가설 의미: 관계식 \(\hat{\beta}=r\frac{s_y}{s_x}\), \(R^{2}=r^{2}\), \(\beta=\frac{\operatorname{Cov}(X,Y)}{\operatorname{Var}(X)}\)를 사용해 회귀 기울기 t통계량이 상관계수 t통계량과 동일함을 보이고, 단순회귀에서 \(\beta=0\) 가설이 모상관계수 \(\rho=0\) 가설과 통계적으로 동치임을 정리 |
||
|
[17강] 단순회귀모형 (17)
|
1:
00:
01
|
|
|
최후추정법(MLE)과 최소제곱법(OLS)의 비교 및 분산추정 특성
• 단순회귀모형 추정방법: 최소제곱법(OLS)·최우추정법(MLE)·정률법의 정의와 고전적 정규 회귀모형 가정하에서 계수추정량(α̂, β̂)의 동치성, 우도함수·로그우도함수와 정규방정식 구조 • 우도함수와 MLE 추정: 정규오차·독립성 가정하에서 우도·로그우도함수 도출, 로그우도 극대화로 OLS와 동일한 계수 추정식 도출, 동시에 σ²에 대한 MLE(σ̂²_MLE = SSE/n) 산출 • 분산추정과 t통계량 비교: OLS 분산추정량 s² = SSE/(n-2)와 MLE 분산추정량 SSE/n의 차이, MLE 분산의 편의와 소표본에서의 t값 과대평가 가능성, 분산추정의 편의·효율성·일치성을 고려한 해석상의 유의점 |
||
|
[18강] 단순회귀모형 (18)
|
1:
00:
16
|
|
|
회귀계수의 스케일 변화와 x,y 회귀방향 교체 관계 정리
• 척도 변환된 단순회귀 모형: $x^\*=w_2x$, $y^\*=w_1y$에서 기울기·절편·잔차·오차분산·계수분산이 각각 $\hat{\beta}^\*=\tfrac{w_1}{w_2}\hat{\beta}$, $\hat{\alpha}^\*=w_1\hat{\alpha}$, $e_i^\*=w_1e_i$, $s^{2\*}=w_1^2s^2$, $\widehat{\mathrm{Var}}(\hat{\beta}^\*)=(\tfrac{w_1}{w_2})^2\widehat{\mathrm{Var}}(\hat{\beta})$, $\widehat{\mathrm{Var}}(\hat{\alpha}^\*)=w_1^2\widehat{\mathrm{Var}}(\hat{\alpha})$로 변하고, 결정계수 $R^2$와 상관계수 $r$는 불변인 구조 제시 • 상·하향 회귀계수 관계($Y|X$ vs $X|Y$): 평균 제거 변수에서 $\hat{\beta}_{Y|X}=\dfrac{\sum x_iy_i}{\sum x_i^2}$, $\hat{\beta}_{X|Y}=\dfrac{\sum x_iy_i}{\sum y_i^2}$로 정의되며, 비율 $\dfrac{\hat{\beta}_{Y|X}}{\hat{\beta}_{X|Y}}=\dfrac{s_Y^2}{s_X^2}$, 표현식 $\hat{\beta}_{Y|X}=r\dfrac{s_Y}{s_X}$, $\hat{\beta}_{X|Y}=r\dfrac{s_X}{s_Y}$로 표본분산·상관계수에 의해 상호 변환되는 구조 정리 • 회귀계수와 결정계수 연계 구조: 양 방향 회귀기울기 곱 $\hat{\beta}_{Y|X}\hat{\beta}_{X|Y}=r^2=R^2$ 관계와 $R^2<1$인 확률적 선형관계에서 두 기울기와 역수의 괴리가 비설명 분산(오차항)에서 발생함을 제시하여, 완전 선형관계($R^2=1$)와 일반적 경우의 구조적 차이 정리 |
||
|
[19강] 단순회귀모형 (19)
|
1:
14:
04
|
|
|
MSE와 분산추정량 비교, 불편성과 효율성 정리
• MSE와 분해 관계: MSE 정의(MSE(θ̂)=E[(θ̂−θ)²])와 분해식 MSE=Var(θ̂)+Bias(θ̂)², 불편추정량에서 MSE=Var(θ̂) 성립 구조 정리 • 분산추정량 비교와 효율성: 모분산 추정에서 S²(1/(n−1))와 σ̂²(1/n)의 정의·불편성·편의·MSE 비교, 자유도(n−1)와 카이제곱분포 기반 Var(S²), Var(σ̂²) 및 효율성(efficiency) 개념 정리 • OLS vs MLE 분산추정: 회귀모형에서 오차분산 추정 시 OLS(n−k로 나눔)의 불편추정량 성질과 MLE(n으로 나눔)의 편의·작은 MSE 특성 대비, 표본크기와 목적에 따른 불편성 vs 효율성 선택 기준 정리 |
||
| 다중회귀모형 | ||
|
[20강] 다중회귀모형 (1)
|
1:
07:
13
|
|
|
다중회귀분석 연습문제: 회귀계수 추정·검정·예측·결정계수
• 다중회귀모형과 계수추정: 두 설명변수 다중선형회귀식 설정, OLS 정규방정식과 크레머 법칙으로 회귀계수(b0,b1,b2) 추정 • 분산·검정·적합도: SSE·오차분산 추정, 회귀계수 분산·표준오차·t검정 계산, R²·F통계량을 이용한 모형 전체 유의성 및 설명력 평가 • 예측과 해석: 추정식 $\hat y = 10 + 2.1x_1 + 13.6x_2$ 도출, 주어진 배당 수준에서 주가 예측, 변수 단위(%, 수준)에 따른 회귀계수 해석 정리 |
||
|
[21강] 다중회귀모형 (2)
|
0:
35:
22
|
|
|
단순회귀와 다중회귀에서 기울기 부호 역전 사례와 조건 정리
• 단순회귀·다중회귀 기울기 구조: 단순회귀는 공분산 비(∑x₁y / ∑x₁²) 형태, 다중회귀는 (X'X)⁻¹X'y 구조로 설명변수 간 공분산과 설명변수-종속변수 공분산이 결합되어 분자 N, 분모 Δ 형태의 계수 산출 • 기울기 부호 역전 메커니즘: 분모 Δ는 대체로 양수, 분자 N이 x₁–x₂ 상관(∑x₁x₂)과 x₂–y 상관(∑x₂y)의 크기에 따라 부호가 바뀌며, x₂가 y와 매우 강하고 x₁과도 높은 상관을 가질 때 단순회귀 양수 기울기가 다중회귀에서 음수로 역전 가능 • 회귀계수 해석 및 변수선택: 다중회귀 계수는 “부분효과”로서 공분산 조정 결과이므로 단순회귀 계수와 크기·부호가 크게 달라질 수 있고, 기계적 변수 투입이나 유의성 위주 선택은 계수 해석을 왜곡하므로 이론적 근거와 상관구조 분석에 기반한 설명변수 선정이 필수 |
||
|
[22강] 다중회귀모형 (3)
|
0:
43:
31
|
|
|
인플레이션, 임금상승률, 정부예산적자, 통화공급을 이용한 회귀분석
• 인플레이션 결정요인과 거시경제 구조: 총수요·총공급 모형, 임금상승률(공급 변수)·정부예산적자·통화공급(수요·통화 정책 변수)의 물가상승 메커니즘 정식화 • 다중회귀모형과 계수·가설검정: 인플레이션율을 종속변수로 한 다중회귀식 설정, 회귀계수의 경제적 해석, 표준오차·t검정·F검정·R²를 이용한 변수 유의성 및 “임금 1%↑ → 물가 1%↑” 가설검정 절차 정리 • 정책변수 모형 비교와 설명력 평가: 임금상승률+정부예산적자 모형과 임금상승률+통화공급 증가율 모형의 R²·F통계량·t값 비교를 통해, 재정정책 변수보다 통화정책 변수가 인플레이션을 더 잘 설명하는 모형 선택 기준 제시 |
||
|
[23강] 다중회귀모형 (4)
|
0:
42:
31
|
|
|
다중회귀분석 개별 회귀계수의 분산·유의성 검정 연습
• 다중회귀모형과 오차분산 추정: 두 설명변수 회귀식 설정, R²·TSS로부터 SSE·오차분산 s² 복원 및 자유도 기반 분산추정 구조 이해 • 회귀계수 분산·표준오차 산출: 공비합과 계수추정식으로 ∑x₁ᵢ²·∑x₂ᵢ² 역추론 후, 분산추정 공식으로 각 계수의 분산·표준오차·t 통계량 계산 • 회귀계수 유의성 검정 절차: 자유도 100 t-분포 임계값과 t 통계량 비교해 절편·각 기울기의 귀무가설 검정 및 1% 유의수준에서의 통계적 유의성 판정 |
||
|
[24강] 다중회귀모형 (5)
|
0:
51:
02
|
|
|
단순회귀모형에 설명변수 추가 시 유의성 검정 요약
• 추가 설명변수 모형 설정: 단순회귀에서 다중회귀로 확장하고, 추가 계수(예: β₂)의 0 여부와 모형 설명력(RSS·SSE·TSS) 변화를 통해 변수 추가의 타당성 평가 • 개별계수 t검정·부분 F검정: H₀: β₂=0을 대상으로 표준오차 기반 t통계량과 RSS 차이 기반 부분 F통계량을 구성하며, 한 변수 추가 시 t²=F 관계 성립 및 두 검정이 정보적으로 동등함 • 일반화된 부분 F검정: 기존 모형과 확장 모형의 RSS·SSE와 자유도 구조를 이용해 F=((RSS_new−RSS_old)/q)/(SSE_new/(n−k_new))를 정의하고, 여러 추가 변수(개수 q)에 대한 공동가설 H₀: 해당 계수 모두 0 검정에 활용 |
||
|
[25강] 다중회귀모형 (6)
|
0:
56:
16
|
|
|
다중회귀에서 설명변수 3개일 때 OLS 계수 추정 구조와 크래머 법칙
• 다중회귀 OLS 행렬표현: $X'X\hat\beta = X'y$, $\hat\beta = (X'X)^{-1}X'y$ 구조에서 $X'X$는 설명변수(상수항 포함)의 분산·공분산, $X'y$는 각 설명변수와 종속변수의 공분산 정보를 집약 • 크래머 법칙과 역행렬 구조: 소행렬식(minor), 코팩터(cofactor), 부수행렬(adj(A))을 이용해 $A^{-1}=\dfrac{1}{\det(A)}\operatorname{adj}(A)$로 표현하고, 이를 통해 각 회귀계수 분모는 $|X'X|$ (설명변수 전체 분산·공분산 구조), 분자는 해당 변수와 $y$의 공분산을 다른 설명변수와의 공분산으로 조정한 형태로 해석 • 차원 증가와 계산 복잡도: 설명변수 수 증가로 $3\times3$, $4\times4$ 이상 행렬식·역행렬 연산량이 기하급수적으로 증가하므로 실제 계산은 컴퓨터에 의존하고, 학습에서는 계수들이 “분산·공분산 구조를 통제한 후의 순수 효과”를 수치적으로 표현한다는 구조적 의미 파악에 중점 둠 |
||
|
[26강] 다중회귀모형 (7)
|
0:
33:
15
|
|
|
수요함수 추정과 식별 문제, 소득·원자재 가격 변수의 역할
• 수요·공급함수 식별 문제: 가격·거래량만 사용하는 단순회귀의 식별 불가능성, 균형점 자료의 한계, 수요의 법칙이 요구하는 가격계수 음(-) 부호 조건 • 수요함수 식별 구조: 효용 극대화에서 도출된 수요함수 Q^D = f(P_j, P_{-j}, M) 구조, 소득을 설명변수로 포함한 다중회귀에서 β<0·γ>0일 때 수요함수로 해석, 소득 변화에 따른 수요곡선 이동 • 공급함수 식별 구조 및 변수선정 원리: 이윤 극대화에 기초한 공급함수 Q^S = g(P, P_raw, w, r) 구조, 원자재 가격 포함 회귀에서 β>0·γ<0일 때 공급함수로 해석, 경제이론 기반 계수 부호·변수선정의 필요성 |
||
|
[27강] 다중회귀모형 (8)
|
0:
58:
29
|
|
|
케인즈 소비함수와 저축함수, SSE·R² 비교, 교차항 포함 소비모형 정리
• 케인즈 소비·저축함수 관계: 소비함수·저축함수의 계수 변환(α₀=-β₀, α₁=1-β₁)과 한계소비성향·한계저축성향의 상보 관계 정리 • SSE·R² 비교 구조: 소비모형·저축모형의 SSE 동치성과 종속변수 차이에 따른 TSS·R² 불일치 및 결정계수 비교 한계 정리 • 교차항 포함 소비모형: 소득·재산·교차항을 포함한 소비함수에서 한계소비성향의 상호작용(β₁+β₃A) 구조와 교차항 계수(β₃)에 대한 독립성·한계효과 가설검정 원리 정리 |
||
|
[28강] 다중회귀모형 (9)
|
0:
39:
41
|
|
|
다중회귀에서 계수 공분산행렬과 상관강도에 따른 분산 변화
• 다중회귀모형과 계수 공분산행렬: 2변수 다중회귀에서 OLS 계수벡터의 공분산행렬 구조(대칭행렬, 분산·공분산 원소)와 계수 추정량을 y의 선형결합(가중치 w_i)으로 표현하여 분산·공분산을 도출하는 원리 정리 • 두 설명변수 모형의 분산·공분산과 r12: Δ를 이용한 Var(β̂1), Var(β̂2), Cov(β̂1,β̂2) 공식과 이를 표본상관계수 r12로 표현한 분산식 Var(β̂j)=σ²/[(1−r12²)∑xji²] 구조 및 단순회귀 대비 분산 변화 구조 제시 • 설명변수 분산·상관과 다중공선성: 오차분산 s², 설명변수 분산(∑xji²), 설명변수 간 상관(1−r12²) 항이 계수 분산에 미치는 영향과 상관강도·다중공선성이 커질수록 계수 분산이 증가하는 메커니즘 및 다변량 일반화를 위한 행렬표현 Var(β̂)=σ²(X′X)⁻¹ 개념 정리 |
||
|
[29강] 다중회귀모형 (10)
|
0:
45:
33
|
|
|
다중회귀에서 개별 회귀계수 검정과 예측, 신뢰구간 핵심 정리
• 개별 회귀계수 t검정·F검정: 다중회귀 모형에서 자유도 n-k 설정, 각 회귀계수에 대해 추정치/표준오차로 t통계량 산출, 임계값과 비교해 유의성 판정, t² = F 관계를 이용해 변수 중요도·모형 설명력 증가 검정 • 예측값 변화와 예측치 분산 구조: 회귀계수와 독립변수 변화량의 선형결합으로 예측값 변화 표현, 예측치 분산을 평균 분산(1+1/n 항), 계수 분산, 계수 간 공분산의 가중합으로 일반화하고 공분산 소거 원리로 단순·다중회귀 공통 구조 도출 • 예측치 표준오차와 신뢰구간: 단순·다중회귀에서 예측치 표준오차를 분산 추정량의 제곱근으로 정의하고, 추정계수 공분산행렬과 중심화된 설명변수로 se(ŷf)를 계산한 뒤 자유도 n-k의 t임계값을 곱해 예측값 신뢰구간 구성 |
||
|
[30강] 다중회귀모형 (11)
|
0:
38:
29
|
|
|
다중회귀에서 RSS의 선형 분해와 결정계수 기여도
• 제곱합 분해와 직교성: TSS·RSS·SSE 정의 및 TSS = RSS + SSE 분해, 예측치–잔차·잔차–설명변수 간 직교성과 정규방정식을 통한 ∑ŷᵢeᵢ = 0, ∑eᵢxⱼᵢ = 0 유도 • RSS의 선형 표현: 다중회귀(편차형)에서 ∑ŷᵢ² = ∑ŷᵢyᵢ를 이용해 RSS = ∑ⱼ β̂ⱼ ∑ᵢ xⱼᵢyᵢ 형태로 정리하고, 각 항을 설명변수별 회귀 설명 기여도로 해석 • 결정계수 기여도 해석과 확장: R² = RSS/TSS를 R² = {∑ⱼ β̂ⱼ ∑ᵢ xⱼᵢyᵢ}/∑ᵢ yᵢ²로 표현하고, β̂ⱼ·Cov(xⱼ, y)/Var(y)를 이용해 변수별 R² 기여 비율을 도출하며 이를 k개 설명변수 일반 다중회귀로 확장 |
||
|
[31강] 다중회귀모형 (12)
|
0:
44:
19
|
|
|
편상관계수·다중상관계수와 다중회귀모형의 관계 핵심 정리
• 편상관계수·회귀계수 관계: 다른 설명변수 통제 하 두 변수 간 순수 선형관계 측도 정의, 회귀계수와 분산·상관계수 기반 스케일 변환 공식 및 동일 t통계량 구조 정리 • 다중상관계수·결정계수 관계: 종속변수와 설명변수 집합 간 상관계수 정의, 상관계수 표현을 TSS·RSS로 변환하여 $R_{y\cdot X}^2 = R^2 = \text{RSS}/\text{TSS}$ 수리적 등가성 정리 • 다중회귀 모형 구조: 잔차분산·설명된 분산 분해, 단순상관–다중상관–편상관 간 구조적 대응과 부분 F검정·부분 t검정의 연결을 통해 변수별 기여도와 모형 설명력 해석 구조 정리 |
||
|
[32강] 다중회귀모형 (13)
|
0:
59:
37
|
|
|
다중회귀모형에서 결정계수와 조정결정계수, 단순·다중회귀 계수 관계 핵심 정리
• 결정계수와 편상관계수: 다중회귀 결정계수 R² 구조와 설명변수 추가 시 R² 증가식 R²_new = R²_old + [1-R²_old]·r²_{yz·X} 및 편상관계수 제곱과의 관계, 과대적합 발생 원리 정리 • 조정결정계수: 조정결정계수 Ȓ² = 1 - (SSE/(n-k))/(TSS/(n-1)) 정의와 Ȓ² = 1 - (1-R²)·(n-1)/(n-k) 전개, 자유도 보정·복잡도 패널티에 따른 변수 추가 시 Ȓ² 증가·감소 조건 및 모형 선택 기준 역할 • 단순·다중회귀 계수 관계: 단순회귀 계수와 다중회귀 계수 간 관계식 β = β₁ + ∑_{j=2}^k β_j b_{j,1} 및 β₁ = β - ∑_{j=2}^k β_j b_{j,1}, 다중회귀 계수의 공분산/편화 공분산 표현, 누락변수 바이어스 구조와 부분효과(조건부 효과) 해석 정리 |
||
| 다중회귀모형에서의 가설검정 | ||
|
[33강] 다중회귀모형에서의 가설검정 (1)
|
0:
43:
22
|
|
|
컵더글라스 생산함수와 규모의 수익 불변 검정, 제약모형 F검정 정리
• 컵더글라스 생산함수와 규모의 수익 개념: 생산함수 q=aL^{β1}K^{β2} 구조, 로그선형 회귀추정 방식, 규모의 수익 불변·체증·체감 조건(β1+β2=1, >1, <1) 및 생산탄력 계수 해석 정리 • 규모의 수익 불변 검정 절차: 자본생산성 모형으로 변환해 γ=β1+β2−1 계수의 t검정(H0:γ=0) 수행, 원래 로그선형 모형에서 β1+β2=1 선형제약을 반영한 제약최소제곱법과 SSR 차이를 이용한 F검정 구조 및 해석 정리 • 제약 F검정과 다중회귀 동시 가설검정: UR·R 모형 설정, 제약 수 m·자유도 기반 F통계량 F=[(SSR_R−SSR_UR)/m]/[SSR_UR/(n−k)] 및 R^2 활용식 F=[(R^2_UR−R^2_R)/m]/[(1−R^2_UR)/(n−k)] 유도, 다중회귀에서 특정 계수 묶음(예: β3=β4=0)의 동시 검정 절차와 설명변수의 기여도 판별 원리 정리 |
||
|
[34강] 다중회귀모형에서의 가설검정 (2)
|
0:
32:
37
|
|
|
구조변화 검증과 생산함수 계수 선형제약 검정 요약
• Chow 구조변화 검정: 저축–소득–금리 회귀모형에서 특정 시점 전후를 구간별 UR모형과 전체기간 R모형의 SSE 차이·자유도 기반 F통계량으로 비교해 구조변화 존재 여부를 검정 • 선형제약이 있는 생산함수 검정: Cobb–Douglas 생산함수에서 계수합=1(규모수익 일정) 등 계수 선형결합 제약을 한 계수를 나머지 계수로 치환해 R모형을 만들고, UR·R의 SSE와 제약 수를 이용한 F검정으로 가설 평가 • 일반적 선형결합 제약 처리 원리: 다수 계수·다중 선형제약에서도 “한 계수 정리 → UR모형에 대입해 R모형 도출 → 두 모형의 SSE와 자유도로 F통계량 산출” 절차를 따르며, 종속변수·TSS가 변해 R² 기반 F공식은 사용 불가하고 SSE 기반 F공식만 사용 |
||
|
[35강] 다중회귀모형에서의 가설검정 (3)
|
0:
31:
36
|
|
|
최우추정법 다중회귀에서 우도비검정과 F검정의 관계
• 정규분포 가정하 OLS·MLE 관계: 회귀계수 추정에서 OLS 최소제곱과 MLE 로그우도 극대화의 목적함수가 동일해 추정량 구조는 같고, 차이는 오차분산추정량(OLS: SSE/(n−k), MLE: SSE/n)에만 존재함 • 우도비검정(LR test) 구조: 제한모형(R)과 비제한모형(UR)의 로그우도함수 차이로 정의된 $LR=2[\ln L_{UR}-\ln L_R]$를 사용하며, 이는 본질적으로 $(SSE_R-SSE_{UR})/\hat\sigma_{MLE}^2$ 구조를 가지며 제약 개수 m 자유도의 카이제곱 분포를 따름 • F검정과 LR검정 비교 및 선택: F통계량은 $(SSE_R-SSE_{UR})/m$을 OLS 오차분산추정량으로 나눈 값으로 F분포를 따르고, LR통계량은 같은 SSE 차이를 MLE 분산추정량으로 나눈 값으로 카이제곱 분포를 따르며, 큰 표본에서는 T·F·LR 검정 결과가 거의 일치하나 소표본에서는 LR검정이 이론적으로 더 적합함 |
||
| 더미변수 | ||
|
[36강] 더미변수 (1)
|
1:
06:
15
|
|
|
소비함수에서 더미변수와 평균차이 검정의 관계 정리
• 평균 차이 t-검정과 더미변수 회귀 등가성: 더미변수만 포함한 회귀모형에서 기울기 계수의 t-검정은 두 집단 평균 차이에 대한 t-검정과 통계량·의사결정이 완전히 동일함 • 더미변수 회귀모형 구조와 계수 해석: 소비함수에 소득과 더미를 함께 포함할 때 더미 계수는 “다른 설명변수를 통제한 후의 조건부 평균 차이”를, 더미만 있을 때는 기준 집단 평균(절편)과 두 집단 평균 차이(기울기) 자체를 의미함 • 더미모형의 분산 구조와 한계: 집단 평균 및 평균 차이 추정량의 분산은 표본 크기·집단 비율·오차분산으로 결정되며, 더미만 사용하는 모형은 다른 요인을 통제하지 못해 단순 평균 차이만 반영하는 한계를 가짐 |
||
|
[37강] 더미변수 (2)
|
1:
00:
00
|
|
|
범주형 설명변수와 더미변수 회귀, 구조변화 검정 요약
• 이진 더미변수 코딩: 0/1·1/2·1/−1 코딩 비교를 통해 범주 간 조건부기대값 차이는 동일하며, 0/1 코딩에서 계수가 두 범주의 직접적인 평균 차이로 해석됨을 정리 • 구조변화 더미와 F검정: 시계열 회귀에서 기간 더미·교차항(절편·기울기 더미)을 포함한 UR 모형과 기본 R 모형의 SSE 비교로 Chow 검정과 동일한 자유도 구조의 F통계량을 구성하는 절차 정리 • 다범주 더미설계와 다중공선성: 범주가 N개일 때 N−1개의 0/1 더미만 사용해 기준범주 대비 평균 차이를 추정하고, 더미를 범주 수만큼 모두 포함하면 완전 공선성(X'X 비가역)으로 OLS 추정이 불가능해지는 구조를 설명 |
||
|
[38강] 더미변수 (3)
|
1:
07:
10
|
|
|
더미 변수 회귀와 분산분석, 더미모형의 해석과 추정
• 더미 회귀와 분산분석(ANOVA)의 등가성: 더미 변수만 포함된 회귀모형에서 계수에 대한 F 검정은 k개 그룹 평균 동질성 검정과 동일하며, 각 계수 조합이 그룹별 평균(기준 범주 + k-1개 더미)으로 해석됨 • 절편 더미·기울기 더미 모형 구조: 매출–고용–지역 모형에서 절편 더미는 동일 X에서의 수준 차이(순수 지역 효과)를, 기울기 더미(상호작용 항)는 X의 효과 차이를 나타내며, 각각 t/F 검정을 통해 유의한 수준·기울기 차이를 판정함 • 더미 변수 누락과 바이어스: 지역·성별·학력 등 범주형 요인을 모형에서 제외하면 실제는 절편 차이 구조임에도 단일 회귀선으로 강제 추정되어 기울기에 누락변수 바이어스가 발생하므로, 적절한 절편·기울기 더미 포함이 필수적임 |
||
| 다중공선성 | ||
|
[39강] 다중공선성 (1)
|
0:
46:
24
|
|
|
OLS 잔차 평균 0, Jarque-Bera 정규성 검정 연습
• OLS 잔차 평균과 자료 구조: 잔차 평균 0 성질은 추정량의 불편성 여부가 아니라 회귀직선이 표본평균점 $(\bar x,\bar y)$ 를 통과하는지, 자료를 편차형으로 두었는지에 의해 결정됨 • 상수항·원점제약 회귀식과 잔차 평균: 상수항이 있는 모형에서 회귀직선이 $(\bar x,\bar y)$ 를 통과하면 잔차 평균 0이지만, 상수항 제거로 원점을 강제로 통과시키면 불편추정량이라도 회귀직선이 $(\bar x,\bar y)$ 를 지나지 않는 한 잔차 평균이 0이 아닐 수 있음 • Jarque-Bera 정규성 검정: 잔차의 외도(skewness)와 첨도(kurtosis)를 이용해 $JB=\frac{n}{6}\left(S^2+\frac{(K-3)^2}{4}\right)$ 를 계산하고, 자유도 2 카이제곱분포 임계값과 비교하여 잔차의 정규분포 가정 유지·기각 여부를 판정함 |
||
|
[40강] 다중공선성 (2)
|
0:
33:
38
|
|
|
베타 추정량의 분산 팽창지수와 Farah-Glover 다중공선성 검정
• 다중공선성과 분산 팽창지수(VIF): 설명변수 간 선형관계로 인한 회귀계수 분산 증가 현상과 $VIF_j = 1/(1-R_j^2)$, 두 변수일 때 $VIF = 1/(1-r_{12}^2)$ 정의 및 VIF 값과 t통계량·유의성의 관계 정리 • 회귀계수 분산·t검정과 VIF 계산: 오차분산 추정량, $\operatorname{Var}(\hat{\beta}_j)=s^2/[(1-r_{12}^2)\sum x_j^2]$, 표준오차·t통계량 계산 절차와 상관계수 변화에 따른 분산·VIF·유의성 변화 구조 정리 • Farah-Glover 다중공선성 검정: 설명변수 상관행렬 $R_x$와 행렬식 $|R_x|$, $Q = -\frac{n-1}{6}[2(k-1)+5]\ln|R_x|$ 카이제곱 검정통계량 및 자유도, 귀무·대립가설, VIF·$|R_x|$ 기준과 비교한 적용 조건 및 한계 정리 |
||
|
[41강] 다중공선성 (3)
|
0:
45:
31
|
|
|
완전 다중공선성과 Ridge Regression(능형 회귀분석)에서의 계수 추정
• 완전 다중공선성 및 정규방정식 특이성: 설명변수 간 결정적 선형관계로 X'X 행렬식이 0이 되어 OLS 정규방정식의 역행렬이 존재하지 않고, 계수 추정과 분산 계산이 불가능해지는 구조적 문제 정리 • Ridge Regression 기본 아이디어와 추정량 구조: 정규방정식의 주대각에 λ를 더해 (X'X+λI) 역행렬을 만들고, 계수를 0 방향으로 수축하는 편향 추정량 \(\hat\beta^{R}=(X'X+\lambda I)^{-1}X'y\) 도출 및 λ에 따른 OLS 대비 수축·편향·분산 특성 정리 • Ridge 회귀 효과와 활용 조건: λ 도입으로 행렬식 확대 및 계수 분산 감소를 통해 완전·심각한 다중공선성에서 추정 불능과 고분산 문제를 완화하며, 상관이 매우 높은 경우 사용 권장·다중공선성이 약한 경우 OLS 유지가 유리함을 기준으로 적용 조건 제시 |
||
|
[42강] 다중공선성 (4)
|
0:
40:
00
|
|
|
다중공선성과 예측값의 분산, 보조회귀를 이용한 검정 정리
• 다중공선성 및 예측값 분산 구조: 완전·불완전 다중공선성 하에서 회귀계수 분산·공분산이 예측값 분산과 신뢰구간 폭을 확대시키는 메커니즘과 단순회귀로의 선형조합 재구성을 통한 예측분산 축소 가능성 정리 • 보조회귀모형과 진단 지표: 특정 설명변수를 종속변수로 두는 보조회귀모형의 개념, 결정계수 \(R^2\) 해석, Klein의 경험법칙을 활용한 강한 다중공선성 존재 여부 및 변수 독자 설명력 판정 기준 정리 • LM·F 검정을 통한 다중공선성 검정: 보조회귀의 \(R^2\)를 이용한 LM 통계량 \( \text{LM}=nR_i^2 \)과 F 통계량 \( F=\{R_i^2/(k-1)\}/\{(1-R_i^2)/(n-k+1)\} \) 정의·자유도·임계값 비교 절차와, 검정 결과를 이용한 변수 제거 가능성 및 설명력 손실 판단 원리 정리 |
||
|
[43강] 다중공선성 (5)
|
0:
53:
49
|
|
|
다중공선성과 고차항 회귀, 상관관계에 따른 추정량 비교
• 다중공선성·계수 선형관계와 대리변수 z: 설명변수·계수 간 선형관계 검정(F검정)을 통해 공선성 구조를 확인하고, 소득 구성요소 등의 선형결합 z를 정의해 단일 지표 회귀로 모형을 축약·단순화하여 공선성 완화 및 해석 일원화 • 고차항 회귀와 다중공선성 오해: x, x², x³ 간 높은 상관계수는 비선형 함수형에서 구조적으로 발생하는 현상으로 선형적 다중공선성이 아니므로 제거 사유가 될 수 없고, 고차항 제거 시 한계효과 왜곡·누락변수 편의·함수형 설정오차가 발생 • 설명변수 무상관 시 단순·다중회귀 비교: 설명변수 상관계수 0이면 단순·다중회귀의 기울기 추정치는 일치하나, 다중회귀는 두 변수 정보를 동시에 활용해 SSE 감소·분산 축소 가능성이 크며, 절편과 기울기들 사이의 선형관계를 통해 계수 구조와 추정 효율성 차이를 정리 |
||
| 이분산 | ||
|
[44강] 이분산 (1)
|
0:
40:
35
|
|
|
고전적 회귀모형의 이분산 검정: Park와 Glejser 방법 비교 요약
• 이분산 개념과 등분산 가정 위배: 고전적 회귀모형에서 오차항 분산이 일정해야 한다는 등분산 가정이 깨져 관측치별로 분산이 달라지는 상황(Var(εi)=σi²≠상수, σi²=σ²ki) 정의 및 회귀가정 위반 구조 정리 • Park 검정: Var(εi)=σ²Xi^γ·e^{νi}의 로그-선형 분산 구조를 가정하고 ln(ε̂i²)=α+γ ln Xi+νi 회귀로 γ의 유의성(t-검정)을 통해 설명변수에 따른 체계적 분산 변화(이분산) 존재 여부를 진단하는 절차와 한계 정리 • Glejser 검정: |ε̂i|와 X의 다양한 함수형(X, √X, 1/X, 1/√X 등)을 회귀 |ε̂i|=α+βg(Xi)+ui로 비교하여 가장 적합한 분산 함수형을 선택하고 β 유의성으로 이분산을 판정하는, Park 검정보다 유연한 이분산 검정 방법 및 적용 기준 정리 |
||
|
[45강] 이분산 (2)
|
0:
47:
18
|
|
|
골드펠트-퀀트 검정과 바틀렛 검정, 이분산 검증 구조 정리
• 골드펠트-퀀트 검정: x를 기준으로 자료를 두 구간으로 나누어 각 구간 회귀모형의 SSE/df 비율을 F분포로 검정해 이분산 여부를 판단하며, 중간 구간 절삭·자유도 설정 구조와 스케일·복수 구간 구조 반영의 한계를 가짐 • 바틀렛 검정: 자료를 g(≥3)개 구간으로 나누어 구간별 표본분산과 전체 가중평균 분산의 로그 차이로 B 통계량을 구성하고 자유도 g-1 카이제곱 분포로 분산 동질성을 검정하는 복수 구간 이분산 검정법으로, x와의 구조적 관계는 명시적으로 반영하지 못함 • 두 검정 비교: 모두 구간별 잔차(또는 표본) 분산 차이를 이용해 등분산 대 이분산을 검정하나, 골드펠트-퀀트 검정은 x를 포함한 두 구간 회귀 기반 이분산 탐지와 모형 수정 방향 제시에 강점이 있고, 바틀렛 검정은 여러 구간 분산 비교로 골드펠트-퀀트 검정의 구간 수·검정력 한계를 보완하는 상보적 관계를 이룸 |
||
|
[46강] 이분산 (3)
|
0:
53:
33
|
|
|
Spearman 순위상관계수를 이용한 이분산 검정과 단순회귀에서 이분산이 추정량 분산에 미치는 영향
• 이분산 검정 방법: 잔차–설명변수 관계 기반(Spearman 순위상관, 보조회귀식)과 구간 분리 기반(Goldfeld–Quandt, Bartlett, Park 검정)을 사용하여 분산의 비일정성 패턴을 유형별로 식별 • Spearman 순위상관계수 검정: 설명변수 순위와 잔차 절대값 순위 간 상관(ρ, t-검정)을 통해 비선형·순위 기반 이분산을 탐지하되, 두 군집형·다구간형 분산 구조에서는 Goldfeld–Quandt, Bartlett, Park 검정 대비 검정력이 제한됨 • 단순회귀에서 이분산과 기울기 추정량 분산: Var(u_i)=σ²k_i, σ²X_i, σ²X_i² 구조하에서 기울기 분산을 “등분산하 분산 × 조정계수(∑가중 k_i 항)”로 표현하며, 조정계수>1일 때 가우스–마코프 효율성이 붕괴되고 추정량 분산·신뢰구간·검정력 측면의 비효율성이 발생함 |
||
|
[47강] 이분산 (4)
|
0:
38:
26
|
|
|
이분산 검증과 보조회귀모형, WLS 가중치 선택 정리
• 조건부 평균·분산반정식과 보조회귀모형: 잔차제곱을 이용한 조건부 분산 구조 모형화, Breusch–Pagan·White형 보조회귀식으로 이분산 존재 여부 검정 • LM 검정과 F 검정을 이용한 이분산 검증: 보조회귀식의 R² 기반 LM 통계량과 F 통계량으로 계수들의 공동 유의성 평가, 선형·교차·제곱항 모형 간 이분산 검정결과 비교 • 이분산 치료와 WLS 가중치 선택: 유의한 분산 설명 변수(특히 ŷ, ŷ²)로부터 WLS 가중치(예: wᵢ=ŷᵢ²) 도출, 가중변환 회귀를 통해 분산 균질화 및 추정 효율성 제고 |
||
|
[48강] 이분산 (5)
|
0:
40:
07
|
|
|
이분산 진단과 가중최소제곱법(WLS) 문제 9–12 정리
• 이분산 진단과 분산함수 추정: 잔차의 절대값·제곱을 설명변수(또는 그 함수)들에 회귀하는 보조회귀, 로그변환·지수함수 가정, R²·p-value 기반 분산함수(원인 변수·함수폼) 선택 절차 정리 • 가중치 함수와 WLS 변환: 분산구조 Var(u|X)=σ²h(X) 또는 소득·고용자수 비례 가정하에서 h(X) 추정, w_i=1/h_i² 또는 1/원인변수(제곱근) 선택, 양변 나누기·변수 재정의를 통한 선형 WLS 회귀식 구성 및 OLS 대비 계수·유의성 비교 • 응용 모형별 이분산 처리: 단순·다중회귀에서 특정 변수·변수선형결합에 의존한 이분산, 소비함수에서 소득비례 이분산에 대한 소득기반 변환, 임금–고용 회귀에서 고용자수 기반 가중치·1/n 변환을 사용한 평균임금 이분산 교정 구조 정리 |
||
|
[49강] 이분산 (6)
|
0:
49:
17
|
|
|
OLS에서의 이분산 하 분산 추정, 유의성 검정, 가중최소제곱법 요약
• 이분산 하 OLS 분산 추정량 편의: 이분산 구조 Var(ε_i)=σ_i² 에서 OLS 잔차제곱 기반 오차분산 추정량 s²의 기댓값이 σ_i²의 단순 평균과 달라져 불편 추정량이 되는 원리 정리 • White 로버스트 분산 추정량: 이분산 존재 시 Var(β̂)의 이론식에서 미지의 σ_i²를 잔차제곱 û_i²로 대체해 일치성을 확보하는 단·다중회귀용 로버스트 분산과 이를 이용한 기울기 계수 유의성 검정 절차 정리 • 가중 최소제곱법(WLS): 분산 역수 가중치 w_i=1/σ_i를 이용해 목적함수 ∑w_i²u_i²를 최소화함으로써 등분산에 근접한 오차구조를 만들고, 모든 관측치에 동일 가중치를 두는 OLS와의 구조적 차이 정리 |
||
| 자기상관 | ||
|
[50강] 자기상관 (1)
|
0:
34:
32
|
|
|
자기상관 문제와 모형 오진, 잔차 패턴 비교
• 자기상관 및 AR 구조: 시계열 회귀모형에서 오차항 간 공분산이 0이 아닌 자기상관 정의, 오차의 AR(1)·고차 AR 구조와 자기상관계수 ρ가 OLS 분산과 효율성(BLUE 특성 상실)에 미치는 영향 정리 • 모형 오진과 잔차 패턴: 진짜 2차함수 모형을 1차함수로 추정했을 때 나타나는 체계적 곡선형 잔차 패턴과 양·음의 자기상관, 자기상관 없음일 때의 잔차·산점도 특성 및 시간축에서의 파형·지그재그·무작위 패턴 비교 • 구분 및 진단 방법: 잔차도만으로는 모형 오진과 자기상관 구분이 어려우므로 원자료 산점도(선형·비선형 구조 진단)와 Durbin-Watson·Breusch-Godfrey 등 자기상관 검정을 결합해 함수형 오진과 오차 자기상관을 식별하는 절차 정리 |
||
|
[51강] 자기상관 (2)
|
0:
37:
04
|
|
|
더빈 왓슨 통계량을 이용한 자기상관 검정 연습문제 정리
• 더빈-왓슨 통계량: 회귀모형 잔차의 1차 자기상관을 잔차 차이 제곱합/잔차 제곱합으로 측정하며, 충분히 큰 표본에서 D ≈ 2(1-ρ̂), 값 범위 0~4에서 0·2·4 부근이 각각 강한 양의/없음/강한 음의 자기상관을 의미함 • 더빈-왓슨 통계량–자기상관계수 관계: AR(1) 잔차모형 u_t = ρu_{t-1}+η_t에서 ρ̂ = (∑e_t e_{t-1})/(∑e_{t-1}²)로 추정되며, 분자 전개를 통해 DW 통계량이 1차 자기상관계수의 선형함수로 근사됨 • 더빈-왓슨 검정 구간 판정: 표본크기 T·설명변수 개수 k에 따른 DW 분포표의 하한 D_L·상한 D_U 및 4-D_U·4-D_L를 사용해 양의 자기상관 존재구간, 음의 자기상관 존재구간, 자기상관 없음 구간, 두 종류의 판단 불능 구간(양·음 의심 영역)으로 분류하여 주어진 DW 값의 위치로 해석함 |
||
|
[52강] 자기상관 (3)
|
0:
35:
16
|
|
|
von Neumann 비율과 Durbin-Watson 통계량의 관계 및 자기상관 검정
• von Neumann 비율(vnr)과 분포 특성: 잔차 차분 제곱 평균을 잔차 제곱 평균으로 나눈 비율형 통계량으로, 자기상관 없음 가정 하에서 평균 \(E(vnr)=\frac{2n}{n-1}\), 분산 \(Var(vnr)=\frac{4n^2(n+1)}{(n-1)^3(n-2)}\)를 갖는 정규분포로 근사되어 z-검정에 사용됨 • Durbin-Watson 통계량(DW)과의 관계: DW 통계량 \(d=\frac{\sum(e_t-e_{t-1})^2}{\sum e_t^2}\)와 \(vnr=d\cdot\frac{n}{n-1}\), \(d=vnr\cdot\frac{n-1}{n}\)의 비례 관계를 가지며, 둘 다 1차 자기상관을 측정하되 자유도 조정 여부에 따른 스케일 차이만 존재함 • 자기상관 검정 절차 및 두 검정법 비교: DW는 0~4 구간에서 \(d_L,d_U\) 및 \(4-d_U,4-d_L\)를 이용해 양·음의 자기상관·무자기상관·판단 불능 구간을 구분하는 보수적 소표본 검정이고, von Neumann 검정은 정규근사 기반 z-통계량과 신뢰구간으로 판단 불능 구간 없이 양·음의 자기상관 여부를 명확히 판정하나 귀무가설 비기각 영역이 더 넓어 기각력이 상대적으로 약한 특성을 가짐 |
||
|
[53강] 자기상관 (4)
|
0:
39:
37
|
|
|
1차 자기회귀(AR(1)) 오차 구조와 분산·공분산 행렬 요약
• AR(1) 오차항 분산과 자기상관계수: ε_t=ρ ε_{t-1}+ν_t, Var(ε_t)=σ²/(1-ρ²), |ρ|↑ 시 분산·변동성 증가 구조 • AR(1) 분산·공분산 및 오메가 행렬: Cov(ε_t,ε_{t-k})=ρ^kσ²/(1-ρ²), Ω=(σ²/(1-ρ²))R 형태의 대칭 Toeplitz 상관계수 행렬 구조 • 랜덤워크 오차와 1차 차분: ρ=1 시 랜덤워크로 분산 발산·비정상 시계열, Δ 변환으로 white noise 오차 복원 및 안정적 회귀계수 추정 구조 |
||
|
[54강] 자기상관 (5)
|
1:
00:
18
|
|
|
연속부호검정과 랜덤워크·음의 자기상관 처리 요약
• 연속부호검정(runs test) : 잔차 부호의 연속 묶음 수 분포(기댓값·분산·정규근사)를 이용해 양·음 자기상관 존재 여부와 방향을 비모수적으로 검정하는 방법 • 베렌블럭-웹 검정 및 DW–R² 비교 : 원모형 SSE와 차분모형 SSE 비율을 Durbin-Watson 분포로 해석해 랜덤워크 오차($\rho=1$)를 검정하고, DW • 극단적 자기상관 처리 기법 : 랜덤워크 구조($u_t=u_{t-1}+\nu_t$)에서는 1차 차분, 완전한 음의 자기상관($u_t=-u_{t-1}+\nu_t$)에서는 2기 이동평균 변환으로 계열상관을 제거하고 효율적 회귀 추정 구현 |
||
|
[55강] 자기상관 (6)
|
0:
41:
00
|
|
|
타일–네이거 소표본 추정량과 Durbin–Watson 통계량, 및 ρ 추정방법 비교
• Durbin–Watson 통계량과 타일–네이거 소표본 추정량: DW 통계량과 근사식 $d \approx 2(1-\hat{\rho})$ 를 이용한 ρ 추정 및 소표본에서 $n, k$ 기반 보정계수를 곱한 타일–네이거 추정량의 바이어스 완화·대표본 수렴 특성 정리 • 1차 자기상관 회귀모형과 GLS 추정: AR(1) 오차를 갖는 회귀에서 $y_t-\rho y_{t-1}=\alpha(1-\rho)+\beta(x_t-\rho x_{t-1})+u_t$ 형태의 GLS 변환 구조와 이를 활용한 ρ 추정 및 회귀계수 추정 절차 개념화 • ρ 추정 방법 비교: Durbin–Watson 기반 단순 추정, Durbin의 2단계 추정법, Cochrane–Orcutt 반복 추정법, Hildreth–Lu 격자 탐색법의 추정 절차·SSE 수렴 특성·사용 조건 및 선택 기준 비교 정리 |
||
|
[56강] 자기상관 (7)
|
0:
33:
21
|
|
|
고차 자기상관 검증과 Breusch-Godfrey LM 테스트 요약
• 고차 자기상관과 Breusch-Godfrey LM 검정: 오차의 AR(p) 구조 존재 여부를 잔차 보조회귀식과 LM 통계량 $LM=(n-p)R^2 \approx nR^2$의 $\chi^2(p)$ 분포 비교로 검정하는 방법 • 표본수와 검정력, 한계: 소표본에서는 LM 근사와 p-value가 불안정해 F검정과 결과 차이가 발생할 수 있으며, 충분한 표본에서 AR 계수 추정·고차 자기상관 검정을 수행하는 것이 바람직함 • GLS 추정과 반복 절차: 추정된 AR(p) 계수로 $(1-\hat\rho_1L-\dots-\hat\rho_pL^p)$ 필터를 데이터에 적용해 GLS를 수행하고, 잔차–AR(p)–GLS 변환을 반복하여 계수 수렴 시 보다 효율적인 추정량을 얻는 절차 |
||
|
[57강] 자기상관 (8)
|
0:
32:
04
|
|
|
Summary Content: GLS 추정, Durbin-Watson, Thiel-네이그 방법, Prais-Winsten 변환 요약
• AR(1) 자기상관 회귀모형과 Durbin-Watson 검정: AR(1) 오차 구조 하에서 Durbin-Watson 통계량과 임계값 비교로 양의 자기상관 존재 여부 및 판단 불능 영역을 판별하는 절차 정리 • ρ 추정과 GLS 변환: Durbin-Watson 기반 근사와 Thiel-Neigh 보정식으로 소표본에서의 ρ 추정을 수행하고, 추정된 ρ를 사용해 y*, x*로 일반화 차분(AR(1) GLS 변환)을 적용하여 자기상관을 교정한 GLS 추정량 도출 • Prais-Winsten 변환과 소표본 자유도 보정: Prais-Winsten 변환으로 첫 관측치를 복원해 자유도 손실을 방지하고, OLS·GLS·Prais-Winsten 결과의 계수 추정치·분산·t-통계량을 비교하여 소표본에서의 추정 안정성과 유의성 변화를 해석 |
||
|
[58강] 자기상관 (9)
|
0:
35:
55
|
|
|
시계열에서 자기상관과 ARCH형 이분산이 동시에 존재하는 경우의 GLS 교정
• ARCH형 조건부 이분산 구조: ARCH(1)에서 오차 분산이 직전 오차항 제곱 또는 직전 분산에 자기회귀적으로 의존하며, 경제 시계열에서 충격 이후 변동성 클러스터링을 설명하는 조건부 이분산 모형 • 자기상관·이분산 동시 존재 시 공분산 행렬: 오차항이 AR(1)과 ARCH형 이분산을 동시에 가질 때 주대각은 시점별 분산 σt², 비대각은 ρ│t−s│와 과거 분산 σmin(t,s)²가 곱해진 항으로 구성되는 대칭 공분산 행렬 구조 • GLS 교정 절차: 먼저 AR(1) 자기상관 제거를 위해 Cochrane–Orcutt형 변환 yt−ρyt−1, xt−ρxt−1을 적용하고, 이어 추정된 ARCH 분산 σ̂t로 나누는 가중 최소제곱 변환을 결합해 공분산 행렬을 σ²I 형태에 가깝게 만드는 GLS 추정 절차 |
||
| 정오표 | ||
|
[59강] 강의 정오표-교재만 있음
|
0:
00:
00
|
|
|
|
||
김재현 교수님
계량경제학 문제풀이Ⅰ
