- •1. Эконометрическая модель и проблемы эконометрического моделирования
- •1.1. Общие понятия
- •1.2. Экономическая модель
- •1.3. Эконометрическая модель
- •1.4. Элементы эконометрической модели и их свойства
- •1.5. Задачи эконометрики
- •1.6. Эконометрика и её место в ряду математических и экономических дисциплин
- •1.7. Резюме по теме.
- •1.8. Вопросы для повторения
- •2. Элементы теории вероятностей и математической статистики
- •2.1. Дискретные, непрерывные случайные величины
- •2.2. Зависимые случайные величины
- •2.3. Понятия генеральной совокупности и выборки (выборочной совокупности)
- •2.4. Оценки параметров генеральной совокупности. Несмещённость и состоятельность оценок
- •2.5. Резюме по теме
- •2.6. Вопросы для повторения
- •3. Модели и методы регрессионного анализа
- •3.1. Основные понятия регрессионного анализа
- •3.2. Линейная парная регрессия
- •3.2.1. Определения
- •3.2.2. Принцип, метод наименьших квадратов
- •3.2.3. Свойства оценок параметров парной линейной регрессии
- •3.2.4. Анализ статистической значимости коэффициентов линейной регрессии
- •3.3. Нелинейная регрессия
- •3.4. Характеристики парной регрессии
- •3.5. Множественная регрессия
- •3.6. Гомо- и гетероскедастичность остатков
- •Методы определения гетероскедастичности
- •Тест ранговой корреляции Спирмена
- •3.7. Резюме по теме.
- •3.8. Вопросы для повторения
- •4. Анализ временных рядов
- •4.1. Общие понятия
- •4.2. Понятие временного ряда
- •4.3. Основные понятия и модели анализа временных рядов
- •4.4. Трендовые модели генерации значений временного ряда.
- •4.5. Фильтрация и сглаживание временного ряда
- •4.5.1. Медианная фильтрация (сглаживание)
- •Проверка гипотезы о наличии тренда во временном ряде
- •4.6. Методы сглаживания временного ряда
- •4.6.1. Общие понятия
- •4.6.2. Аналитические методы
- •4.6.3. Метод скользящего среднего
- •4.6.4. Метод экспоненциально взвешенного скользящего среднего (метод Брауна)
- •4.7. Стационарные временные ряды
- •4.7.1. Основные понятия
- •4.7.2. Корреляционная функция
- •4.7.3. Использование автокорреляции для выявления структуры временного ряда
- •4.8. Модели авторегрессии стационарных временных рядов и их идентификация
- •4.8.1. Основные понятия
- •4.8.2. Модель авторегрессии 1-го порядка
- •4.8.3. Модель авторегрессии второго порядка
- •4.8.4. Оценивание параметров моделей авторегрессии. Метод инструментальных переменных.
- •4.9. Моделирование сезонных и циклических колебаний
- •4.9.1. Расчет сезонной компоненты и построение модели временного ряда
- •4.9.2. Использование сезонных фиктивных компонент при моделировании сезонных колебаний
- •4.10. Специфика изучения взаимосвязей по временным рядам. Исключение сезонных колебаний. Исключение тенденции.
- •4.10.1. Метод отклонений от тренда
- •4.10.2. Метод последовательных разностей
- •4.11. Резюме по теме.
- •4.12. Вопросы для повторения
- •5. Системы одновременных уравнений
- •5.1. Модель спроса и предложения
- •5.2. Структурная и приведённая форма системы
- •5.3. Идентифицируемость систем одновременных уравнений
- •5.4. Резюме по теме.
- •5.5. Вопросы для повторения
- •Задачник
- •Примеры решения типовых задач
- •Задачи для самостоятельного решения
- •Варианты задач
- •Нелинейные модели регрессии и их линеаризация
- •Решение типовых задач
- •Задачи для самостоятельного решения.
- •Варианты задач
- •Решение типовых задач.
- •Постановка задачи
- •Варианты для самостоятельного решения.
3.6. Гомо- и гетероскедастичность остатков
Свойства оценок коэффициентов регрессии напрямую зависят от свойств случайного члена в уравнении регрессии. Для получения качественных оценок необходимо следить за выполнимостью предпосылок МНК (условий Гаусса-Маркова), так как при их нарушении МНК может давать оценки с плохими статистическими свойствами. Одной из ключевых предпосылок МНК является условие постоянства дисперсий случайных отклонений (D(gi)=D(gj)=F2для любых наблюдений i и j).
Гомоскедастичность остатков означает, что дисперсии возмущающих воздействий постоянны:
2i = 2j, i, j = 1, 2,..., n.
Гетероскедастичность означает непостоянство этих дисперсий.
Непосредственное применение МНК даёт неточные оценки параметров регрессии. Для коррекции гетероскедастичности применяют взвешенный МНК, суть которого в том, чтобы «взвешивать» каждое наблюдение. При этом минимизируется взвешенная сумма квадратов отклонений
.
Проблема заключается в оценке этих дисперсий.
Для экономических данных достаточно часто величина средней ошибки может быть пропорциональна абсолютному значению независимой величины. В этом случае коррекция гетероскедастичности достаточно проста: следует перейти к модифицированным данным
.
Соотношения между оценками исходной и модифицированной регрессии:
a = b*, b = a*.
Методы определения гетероскедастичности
Не существует какого-либо однозначного метода определения гетероскедастичности. Наиболее популярные: графический анализ отклонений, тест ранговой корреляции Спирмена и др.
При использовании графического анализа при выполнении условия гомоскедастичности все отклонения (или их квадраты) находятся внутри полуполосы постоянной ширины, параллельной оси абсцисс, что говорит о независимости дисперсий ei2 от значений переменной Х и их постоянстве.
Тест ранговой корреляции Спирмена
При использовании данного теста предполагается, что дисперсия отклонения будет либо увеличиваться, либо уменьшаться с увеличением значений Х. Поэтому для регрессии, построенной по МНК, абсолютные величины отклонений ei и значения хi СВ Х будут коррелированны. Значения ei и хi ранжируются (упорядочиваются по величинам). Затем определяется коэффициент ранговой корреляции:
,
где di - разность между рангами хi и ei, i=1, 2, … , n; n - число наблюдений.
Например, если х20 является 25-м по величине среди всех наблюдений Х, а е20 является 32-м, то di =25 - 32= -7.
Доказано, что если коэффициент корреляции Dx,e для генеральной совокупности равен нулю, то статистика
(*)
Имеет распределение Стьюдента с числом степеней свободы .
Следовательно, если наблюдаемое значение t–статистики, вычисленное по формуле (*), превышает (определяемое по таблице критических точек распределения Стьюдента), то необходимо отклонить гипотезу о равенстве нулю коэффициента корреляции Dx,e, а, следовательно, и об отсутствии гетероскедастичности. В противном случае гипотеза об отсутствии гетероскедастичности принимается.
Если в модели регрессии больше чем одна объясняющая переменная, то проверка гипотезы может осуществляться с помощью t–статистики для каждой из них отдельно.