Задача оценивания параметров безусловных линейных регрессионных моделей в условиях плохой обуслов-
ленности корреляционной матрицы и квазимультиколлинеарности не может быть достаточно точно решена
при использовании классического метода наименьших квадратов (МНК). Разработан метод оценивания пара-
метров регрессионной модели на основе МНК и сингулярного разложения матриц эмпирических данных на слу-
чай квазимультиколлинеарности и плохой обусловленности корреляционной матрицы.
The problem of estimating the parameters of unconditional linear regression models in conditions of poor conditionality
of the correlation matrix, quasimulticollinearity, cannot be precisely solved when using the classical least
squares method (LSM). Developed a method for estimating the parameters of a regression model based on the LSM and
the singular value decomposition of matrices of empirical data in case of quasimulticollinearity and poor conditionality
of the correlation matrix.
Оцінювання параметрів безумовних лінійних регресійних моделей в умовах поганої обумовленості кореля-
ційної матриці і квазімультиколінеарності не може бути досить точно вирішена при використанні класично-
го методу найменших квадратів (МНК). Розроблено метод оцінювання параметрів регресійної моделі на осно-
ві МНК і сингулярного розкладання матриць емпіричних даних у разі квазімультиколінеарності і поганої обу-
мовленості кореляційної матриці.
