Взвешенный метод наименьших квадратов Опции

[Pinus]

Разбираю взвешенный МНК (для регрессий с неоднородной дисперсией остатков). Никак не могу подобрать веса. Диаграммы рассеяния по взвешенным данным получаются какие-то кривые, и гетероскедастичность снимается не так уж хорошо. Использую подход, описанный в кн. Дрейпер, Смит Прикладной регрессионный анализ Т1, с. 149.
Есть ли какие-нибудь хорошие опробованные методы определения весов и алгоритмы взвешивания?
Как взвесить две переменные в Statistica (одну переменную вроде бы можно)?

[Pinus]

Со взвешенным МНК в целом разобрался, но смущают некоторые моменты. Для взвешивания необходимо определить матрицу весов, которая определяется исходя из дисперсий наблюдений. В книгах пишут, что поскольку дисперсии для каждого наблюдения, как правило, неизвестны, то применяют различные приближенные методы (подход Глейсера, определение чистой ошибки на каждом уровне X и др.). Все это понятно и осуществимо, но на практике эффект от такого взвешивания не тот, что предполагается теоретически (по крайней мере, я не очень доволен). Вот и подумал о следующем.
Игорь, в одном из постов в теме Нелинейная регрессия Вы писали:

Боюсь, у Афифи неточность (небрежность перевода + небрежность автора, знакомая по другим разделам, отмеченным на данном форуме). В этой формуле SD должно быть не Yi-го, а SD оценки - это корень квадратный из дисперсии ошибки регрессии.
Хотя, в принципе, для каждого наблюдения можно построить свою дисперсию. Например, методом скользящего среднего. Данный подход как раз используется для построения ДИ в модуле "Анализ временных рядов" AtteStat. Но данный подход не предполагает формулировку параметрической модели. Тут же как раз параметрический случай.

Посоветуйте, есть ли смысл, и вообще корректно и правильно ли это будет, использовать метод скользящего среднего для определения дисперсии каждого отдельного наблюдения в выборке с целью последующего задания матрицы весов?

Сообщение отредактировал Pinus - 23.02.2010 - 12:03