A theorem concerning the linearity of regression.
\textit{R. Frisch} hat folgende Frage aufgeworfen: Gegeben zwei Zufallsgrößen \(x\) und \(y\) von folgendem Bau: \[ x=a\xi +\alpha,\quad y=b\xi +\beta . \] Hierin sind \(\xi \), \(\alpha \) und \(\beta \) gegenseitig unabhängige Zufallsvariable, \(a\) und \(b\) dagegen Konstante, deren Wert nicht bekannt ist. Unter welchen Bedingungen ist die Regression von \(y\) zu \(x\) linear? Verf. kann eine, wenn auch beschränkte Antwort geben mit dem Satz: Wenn die ersten beiden Momente von \(\beta \) und alle Momente von \(\xi \) und \(\alpha \) endlich sind, dann ist es für die Linearität der Regression von \(y\) zu \(x\) notwendig und hinreichend, daß \(\xi \) und \(\alpha \) beide normal verteilt sind, welche Werte die Konstanten \(a\) und \(b\) auch haben mögen. Der Beweis dieses Satzes macht den Hauptteil der Arbeit aus. Lehrreich ist aber noch ein Gegenbeispiel, bei dem \(\xi \) und \(\alpha \) nicht normal verteilt sind. In der Tat ergibt sich keine lineare Regression von \(y\) zu \(x\).
This page was built for publication: A theorem concerning the linearity of regression.
Report a bug (only for logged in users!)Click here to report a bug for this page (MaRDI item Q2599472)
