Осмысленное и наглядное представление практической

Измерение и наглядное представление практической значимости регрессионных связей
В сложившейся исследовательской практике интерпретация результатов оценивания
регрессионных моделей сводится, по большей части, к двум аспектам: истолкованию оценок
коэффициентов регрессии и их статистической значимости. При этом во многих моделях
(особенно нелинейных) оценки с трудом поддаются интерпретации, а выявление значимости
регрессионной связи с помощью аппарата проверки статистических гипотез даёт
исследователю весьма скудную информацию о практической важности этой связи по многим
причинам:
 «однобокость» вывода (можно обнаружить связь, но не её отсутствие),
 невозможность ранжировки объясняющих переменных по значимости их вклада,
 возможность высокой статистической значимости совершенно незначительных с
практической точки зрения коэффициентов,
 сомнительная применимость вероятностных методов к не экспериментальным данным.
При попытке оценить практическую значимость связей или выявить наиболее важные
объясняющие переменные в регрессионной модели исследователь может обратиться к
стандартизированным коэффициентам регрессии. Их анализ позволяет решить некоторые из
перечисленных проблем, однако стандартизированные коэффициенты имеют важный
недостаток: их значения плохо поддаются интерпретации.
В докладе рассматривается способ представления оценок регрессионных моделей,
отражающий практическую значимость связи и при этом позволяющий дать ясное
истолкование полученным результатам. Предлагается численная оценка вклада отдельных
переменных в разброс значений регрессанта (интерпретируемый аналог стандартизированных
коэффициентов регрессии) и её графическое представление для основных спецификаций
регрессионных моделей.
Assessing and visualizing practical significance of statistical relationships
Interpretation of regression analysis commonly involves two aspects: describing point estimates
and reporting their statistical significance. However, a variety of models (especially, nonlinear ones)
has parameters which are hardly interpretable. As for significance tests, they provide rather scarce and
insufficient information on practical importance of statistical relationships due to the following
reasons:
 statistical tests may reveal a relationship but not its absence,
 such tests cannot help us to assess importance of regressors’ contribution to dispersion of a
response variable,
 practically negligible coefficients may be highly significant,
 probabilistic approach is of doubtful applicability in non-experimental sciences.
Researchers in their attempt to assess practical significance of correlation or to reveal the most
important explanatory variables may turn to standardized regression coefficients. It can help to solve
some of the mentioned problems but interpretation of standardized coefficients seems to be
inconvenient.
The report focuses on an approach to presenting results of regression analysis in a way that
helps to assess practical significance and provides clear interpretation. Numerical and graphical
measures of regressors’ contribution to dispersion of a response variable are presented and supported
by several examples from econometrics.