Эконометрика
.pdf6. |
14400 |
14891,52 |
241587,14 |
21. |
11200 |
10976,36 |
50013,22 |
7. |
15000 |
15674,55 |
455011,57 |
22. |
12100 |
11759,39 |
116012,49 |
8. |
15900 |
16457,58 |
310890,73 |
23. |
13200 |
12542,42 |
432405,88 |
9. |
16900 |
17240,61 |
116012,49 |
24. |
13600 |
13325,45 |
75375,21 |
10. |
17200 |
18023,64 |
678376,86 |
25. |
14200 |
14108,48 |
8375,02 |
11. |
10900 |
10976,36 |
5831,40 |
26. |
15300 |
14891,52 |
166859,87 |
12. |
11700 |
11759,39 |
3527,64 |
27. |
16400 |
15674,55 |
526284,30 |
13. |
12600 |
12542,42 |
3314,97 |
28. |
16900 |
16457,58 |
195739,21 |
14. |
13300 |
13325,45 |
647,93 |
29. |
18100 |
17240,61 |
738557,94 |
15. |
14000 |
14108,48 |
11768,96 |
30. |
18500 |
18023,64 |
226922,31 |
4. Построение графика квадратов остатков (см. рис. 3.1.2.1). График зависимости квадратов остатков регрессии от независимой переменной имеет вид, вынуждающий предполагать гетероскедастичность.
Ри с. 3.1.2.1. График зависимости квадратов остатков от величины дохода
5.Проверка данных с помощью теста Уайта.
5.1.Вычисление xi2 и построение регрессионного уравнения (см. Вывод итогов 3.1.2.2) ei2 0 1xi 2xi2 vi .
5.2.Расчет nR2 30 0,19 5,82 и сравнение этой величины с крити-
ческим значением 2 1 3,84. Результаты сравнения позволяют отвергнутьнуль-гипотезу(отсутствиегетероскедастичности).
ВЫВОД ИТОГОВ 3.1.2.2
Регрессионная статистика
Множественный R |
0,440291 |
R-квадрат |
0,193856 |
Нормированный R- |
0,134142 |
квадрат |
|
Стандартная ошибка |
190982,8 |
41
Наблюдения |
30 |
|
|
|
|
|
Дисперсионный анализ |
|
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
|
Регрессия |
2 |
2,37E+11 |
1,18E+11 |
3,246397 |
0,054521 |
|
Остаток |
27 |
9,85E+11 |
3,65E+10 |
|
|
|
Итого |
29 |
1,22E+12 |
|
|
|
|
|
Коэффи- |
Стандартная |
t-статис- |
P- |
Нижние |
Верхние |
|
циенты |
ошибка |
тика |
Значение |
95% |
95% |
Y-пересечение |
427676,8 |
1283048 |
0,333329 |
0,741461 |
-2204919 |
3060273 |
Переменная X 1 |
-64,7853 |
158,8192 |
-0,40792 |
0,68655 |
-390,655 |
261,0846 |
Переменная X 2 |
0,002874 |
0,004799 |
0,598982 |
0,554178 |
-0,00697 |
0,01272 |
6.Проверка данных с помощью теста Бреуша – Пагана. 6.1. Вычисление оценки дисперсии
|
|
ˆ2 |
1/n e2 4948727,27:30 164957,58. |
|
|||||||||
6.2. Расчет e |
2 / ˆ2 |
|
t |
|
|
|
|
|
|
|
|||
и построение регрессионного уравнения (см. |
|||||||||||||
|
|
i |
|
|
|
|
|
|
|
|
|
||
|
|
|
ˆ |
2 |
/ ˆ |
2 |
0 |
1xi vi. |
|
|
|||
Вывод итогов 3.1.2.3) yˆ |
ei |
|
|
|
|||||||||
ВЫВОД ИТОГОВ 3.1.2.3 |
|
|
|
|
|
|
|
|
|
|
|
||
Регрессионная статистика |
|
|
|
|
|
|
|
|
|
|
|||
Множественный R |
|
0,427954 |
|
|
|
|
|
|
|
|
|
|
|
R-квадрат |
|
0,183144 |
|
|
|
|
|
|
|
|
|
|
|
Нормированный R- |
|
|
|
|
|
|
|
|
|
|
|
|
|
квадрат |
|
0,153971 |
|
|
|
|
|
|
|
|
|
|
|
Стандартная ошиб- |
|
|
|
|
|
|
|
|
|
|
|
|
|
ка |
|
1,144436 |
|
|
|
|
|
|
|
|
|
|
|
Наблюдения |
|
|
30 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Дисперсионный анализ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
df |
|
|
|
SS |
|
|
|
MS |
F |
Значимость F |
|
Регрессия |
|
1 |
|
|
|
8,222216 |
|
8,222216 |
6,27778 |
0,018316 |
|
||
Остаток |
|
|
28 |
|
|
36,67252 |
|
1,309733 |
|
|
|
||
Итого |
|
|
29 |
|
|
44,89474 |
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
||||
|
|
Коэффи- |
|
Стандартная |
|
t-статис- |
P- |
Нижние |
Верхние |
||||
|
|
циенты |
|
ошибка |
|
|
тика |
Значение |
95% |
95% |
|||
Y-пересечение |
|
-2,0074 |
|
|
1,218345 |
|
-1,64764 |
0,110604 |
-4,50307 |
0,488272 |
|||
Переменная X 1 |
|
0,000182 |
|
|
7,27E-05 |
|
2,50555 |
0,018316 |
3,33E-05 |
0,000331 |
6.3. Вычисление среднего, расчетных значений, квадратов отклонений расчетных значений от среднего и RSS как суммы квадратов этих отклонений. Оформление результатов расчетов в виде табл. 3.1.2.3.
42
Т а б л и ц а 3.1.2.3
|
|
|
e2 |
|
|
|
|
|
|
|
|
|
e2 |
|
|
|
|
|
|
||
№ п.п. |
|
|
yˆ |
ˆ |
|
ˆ |
|
№ п.п. |
|
yˆ |
ˆ |
|
ˆ |
|
|||||||
|
|
i |
|
|
|
|
|
i |
|
|
|
||||||||||
|
y |
|
|
ˆ |
yˆ |
yˆ |
2 |
|
y |
|
|
ˆ |
yˆ |
yˆ |
2 |
||||||
|
|
|
ˆ2 |
|
|
|
|
|
|
ˆ2 |
|
|
|
||||||||
1. |
10700 |
0,4630 |
0,1798 |
0,6727 |
|
16. |
14900 |
0,0004 |
1,0911 |
0,0083 |
|
||||||||||
2. |
11400 |
0,7830 |
0,3621 |
0,4070 |
|
17. |
15700 |
0,0039 |
1,2734 |
0,0747 |
|
||||||||||
3. |
12300 |
0,3563 |
0,5443 |
0,2076 |
|
18. |
16500 |
0,0109 |
1,4557 |
0,2076 |
|
||||||||||
4. |
13000 |
0,6421 |
0,7266 |
0,0747 |
|
19. |
17500 |
0,4079 |
1,6379 |
0,4070 |
|
||||||||||
5. |
13800 |
0,5769 |
0,9089 |
0,0083 |
|
20. |
17800 |
0,3032 |
1,8202 |
0,6727 |
|
||||||||||
6. |
14400 |
1,4645 |
1,0911 |
0,0083 |
|
21. |
11200 |
0,3032 |
0,1798 |
0,6727 |
|
||||||||||
7. |
15000 |
2,7584 |
1,2734 |
0,0747 |
|
22. |
12100 |
0,7033 |
0,3621 |
0,4070 |
|
||||||||||
8. |
15900 |
1,8847 |
1,4557 |
0,2076 |
|
23. |
13200 |
2,6213 |
0,5443 |
0,2076 |
|
||||||||||
9. |
16900 |
0,7033 |
1,6379 |
0,4070 |
|
24. |
13600 |
0,4569 |
0,7266 |
0,0747 |
|
||||||||||
10. |
17200 |
4,1124 |
1,8202 |
0,6727 |
|
25. |
14200 |
0,0508 |
0,9089 |
0,0083 |
|
||||||||||
11. |
10900 |
0,0354 |
0,1798 |
0,6727 |
|
26. |
15300 |
1,0115 |
1,0911 |
0,0083 |
|
||||||||||
12. |
11700 |
0,0214 |
0,3621 |
0,4070 |
|
27. |
16400 |
3,1904 |
1,2734 |
0,0747 |
|
||||||||||
13. |
12600 |
0,0201 |
0,5443 |
0,2076 |
|
28. |
16900 |
1,1866 |
1,4557 |
0,2076 |
|
||||||||||
14. |
13300 |
0,0039 |
0,7266 |
0,0747 |
|
29. |
18100 |
4,4773 |
1,6379 |
0,4070 |
|
||||||||||
15. |
14000 |
0,0713 |
0,9089 |
0,0083 |
|
30. |
18500 |
1,3756 |
1,8202 |
0,6727 |
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
СРЗНАЧ |
|
RSS |
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1,0000 |
8,2222 |
|
6.4. Вычисление статистики RSS/2 = 8,22/2 = 4,11. При нулевой гипотезе отсутствия гетероскедастичности эта статистика имеет рас-
пределение 2 1 , 95%-критическое значение которой равно 3,84. Поскольку 4,11 > 3,84, гипотеза о гомоскедастичности отвергается.
Задание 3.1.2.2. По данным табл. 3.1.2.4 постройте линейную регрессионную модель, характеризующую зависимость показателя y от факторов x1 и x2.
Т а б л и ц а 3.1.2.4
№ |
x1 |
x2 |
y |
№ |
x1 |
x2 |
y |
1. |
13 |
43 |
79 |
11. |
58 |
161 |
207 |
2. |
28 |
56 |
110 |
12. |
23 |
108 |
152 |
3. |
33 |
24 |
97 |
13. |
69 |
86 |
199 |
4. |
42 |
98 |
171 |
14. |
8 |
143 |
144 |
5. |
12 |
176 |
204 |
15. |
60 |
42 |
140 |
6. |
44 |
124 |
174 |
16. |
11 |
199 |
183 |
7. |
36 |
130 |
184 |
17. |
26 |
145 |
178 |
8. |
33 |
291 |
311 |
18. |
61 |
115 |
185 |
9. |
34 |
141 |
206 |
19. |
18 |
111 |
152 |
10. |
21 |
95 |
128 |
20. |
30 |
192 |
204 |
Построение модели следует начать с тестирования на гетероскедастичность. Считая наиболее вероятной ситуацию с двухуровневой дисперсией, используйте для проверки тест Голдфельда – Куандта. Если проверкой будет установлена неоднородность данных, то при
43
построении модели примените многоэтапную процедуру оценивания ее коэффициентов с помощью доступного МНК.
Решение с помощью табличного процессора Excel
1.Ввод исходных данных.
2.Проверка данных с помощью теста Голдфельда – Куандта. 2.1. Упорядочивание исходных данных по переменной x2 в
предположении, что уровень дисперсии зависит от этой переменной, и удаление шести наблюдений, оказавшихся в середине выборки. Представление результатов в виде табл. 3.1.2.5.
Т а б л и ц а 3.1.2.5
№ |
x1 |
x2 |
y |
№ |
x1 |
x2 |
y |
1. |
33 |
291 |
311 |
14. |
42 |
98 |
171 |
2. |
11 |
199 |
183 |
15. |
21 |
95 |
128 |
3. |
30 |
192 |
204 |
16. |
69 |
86 |
199 |
4. |
12 |
176 |
204 |
17. |
28 |
56 |
110 |
5. |
58 |
161 |
207 |
18. |
13 |
43 |
79 |
6. |
26 |
145 |
178 |
19. |
60 |
42 |
140 |
7. |
8 |
143 |
144 |
20. |
33 |
24 |
97 |
2.2. Построение по упорядоченным данным двух регрессионных уравнений по первым семи наблюдениям (первое регрессионное уравнение, см. Вывод итогов 3.1.2.4) и по последним семи наблюдениям (второе регрессионное уравнение, см. Вывод итогов 3.1.2.5).
ВЫВОД ИТОГОВ 3.1.2.4 |
|
|
|
|
|
|
|
|
|
|
|
||
|
Регрессионная статистика |
|
|
|
|
|
|
|
|
|
|
||
Множественный R |
|
0,965091 |
|
|
|
|
|
|
|
|
|
|
|
R-квадрат |
|
0,931401 |
|
|
|
|
|
|
|
|
|
|
|
Нормированный R- |
|
0,897101 |
|
|
|
|
|
|
|
|
|
|
|
квадрат |
|
|
|
|
|
|
|
|
|
|
|
||
Стандартная ошибка |
|
16,65463 |
|
|
|
|
|
|
|
|
|
|
|
Наблюдения |
|
7 |
|
|
|
|
|
|
|
|
|
|
|
Дисперсионный анализ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
df |
|
SS |
MS |
|
F |
Значимость F |
|
|||
Регрессия |
2 |
|
15064,2081 |
7532,104 |
27,1548 |
0,0047059 |
|
|
|
||||
Остаток |
4 |
|
1109,50616 |
277,3765 |
|
|
|
|
|
|
|
||
Итого |
6 |
|
16173,7143 |
|
|
|
|
|
|
|
|
||
|
|
Коэффици- |
Стандартная |
t-статис- |
|
P- |
Нижние |
Верхние |
|
||||
|
|
|
енты |
|
ошибка |
тика |
Значение |
95% |
95% |
|
|||
Y-пересечение |
|
13,86422 |
26,6435024 |
0,52036 |
0,630286 |
-60,11015 |
87,838598 |
|
|||||
Переменная X 1 |
|
0,889493 |
0,39236032 |
2,267031 |
0,086009 |
-0,199876 |
1,978862 |
|
|||||
Переменная X 2 |
|
0,89948 |
0,13496104 |
6,66474 |
0,002633 |
0,524767 |
1,274193 |
|
|||||
|
ВЫВОД ИТОГОВ 3.1.2.5 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Регрессионная статистика |
|
|
|
|
|
|
|
|
|
|
||
|
Множественный R |
|
0,99412 |
|
|
|
|
|
|
|
|
|
|
|
R-квадрат |
|
0,988274 |
|
|
|
|
|
|
|
|
|
|
|
Нормированный R-квадрат |
0,982411 |
|
|
|
|
|
|
|
|
|
||
|
Стандартная ошибка |
|
5,576546 |
|
|
|
|
|
|
|
|
|
|
|
Наблюдения |
|
|
7 |
|
|
|
|
|
|
|
|
|
44
Дисперсионный анализ |
|
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
|
Регрессия |
2 |
10483,6085 |
5241,804 |
168,5583 |
0,000138 |
|
Остаток |
4 |
124,391476 |
31,09787 |
|
|
|
Итого |
6 |
10608 |
|
|
|
|
|
|
|
|
|
|
|
|
Коэффици- |
Стандартная |
|
|
Нижние |
Верхние |
|
енты |
ошибка |
t-статис-тика |
P-Значение |
95% |
95% |
Y-пересечение |
23,49446 |
6,3630766 |
3,692312 |
0,020976 |
5,827693 |
41,161232 |
Переменная X 1 |
1,476582 |
0,11317714 |
13,04665 |
0,000199 |
1,162351 |
1,7908128 |
Переменная X 2 |
0,826054 |
0,07856709 |
10,51399 |
0,000463 |
0,607916 |
1,0441916 |
2.3. Получение расчетных значений и вычисление остатков e1 и |
||||||
e2, с помощью которых составляется статистика Fрасч e1e1 |
/e2e2 . |
Оформление результатов в виде табл. 3.1.2.6.
|
|
|
|
|
|
|
Т а б л и ц а 3.1.2.6 |
|
№ |
|
x1 |
x2 |
|
y |
yˆ |
|
(y yˆ)2 |
1. |
|
33 |
291 |
|
311 |
304,97 |
|
36,41 |
2. |
|
11 |
199 |
|
183 |
202,65 |
|
385,93 |
3. |
|
30 |
192 |
|
204 |
213,25 |
|
85,55 |
4. |
|
12 |
176 |
|
204 |
182,85 |
|
447,46 |
5. |
|
58 |
161 |
|
207 |
210,27 |
|
10,70 |
6. |
|
26 |
145 |
|
178 |
167,42 |
|
112,03 |
7. |
|
8 |
143 |
|
144 |
149,61 |
|
31,43 |
|
|
|
|
|
|
e1e1=1109,51 |
|
|
14. |
|
42 |
98 |
|
171 |
166,46 |
|
20,57 |
15. |
|
21 |
95 |
|
128 |
132,98 |
|
24,78 |
16. |
|
69 |
86 |
|
199 |
196,42 |
|
6,66 |
17. |
|
28 |
56 |
|
110 |
111,10 |
|
1,21 |
18. |
|
13 |
43 |
|
79 |
78,21 |
|
0,62 |
19. |
|
60 |
42 |
|
140 |
146,78 |
|
46,02 |
20. |
|
33 |
24 |
|
97 |
92,05 |
|
24,53 |
|
|
|
|
|
|
e2e2=124,39 |
||
|
Fрасч e1e1 /e2e2 |
1109,51/124,39 8,92; |
Fc 4, 4 6,39. |
Так как Fрасч Fc , то гипотеза H0 отвергается и, следовательно, в
данных наблюдается гетероскедастичность с двухуровневой дисперсией. Поэтому для построения регрессии по данным табл. 3.1.2.4 необходимо применить многоэтапную процедуру доступного МНК.
3. Построение регрессии с помощью доступного взвешенного МНК.
3.1.Построение регрессии обычным МНК по данным табл.
3.1.2.4(см. Вывод итогов 3.1.2.6).
45
ВЫВОД ИТОГОВ 3.1.2.6 |
|
|
|
|
|
|
Регрессионная статистика |
|
|
|
|
|
|
Множественный R |
0,968969836 |
|
|
|
|
|
R-квадрат |
0,938902544 |
|
|
|
|
|
Нормированный R- |
|
|
|
|
|
|
квадрат |
0,931714608 |
|
|
|
|
|
Стандартная ошибка |
13,07464604 |
|
|
|
|
|
Наблюдения |
20 |
|
|
|
|
|
|
|
|
|
|
|
|
Дисперсионный анализ |
|
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
|
Регрессия |
2 |
44658,7117 |
22329,36 |
130,622 |
4,8E-11 |
|
Остаток |
17 |
2906,08827 |
170,9464 |
|
|
|
Итого |
19 |
47564,8 |
|
|
|
|
|
|
|
|
|
|
|
|
Коэффици- |
Стан- |
t-статис- |
P- |
Нижние |
Верхние |
|
дартная |
|||||
|
||||||
|
енты |
ошибка |
тика |
Значение |
95% |
95% |
Y-пересечение |
36,78068243 |
9,43676522 |
3,897594 |
0,001158 |
16,87082 |
56,690545 |
Переменная X 1 |
1,191842832 |
0,16975113 |
7,021119 |
2,06E-06 |
0,833699 |
1,5499869 |
Переменная X 2 |
0,760391162 |
0,04869436 |
15,61559 |
1,63E-11 |
0,657655 |
0,8631274 |
3.2. Получение расчетных оценок yˆi и вычисление абсолютных значений отклонений. Оформление результатов в виде табл. 3.1.2.7.
Т а б л и ц а 3.1.2.7
№ |
x |
x |
|
y |
yрасч |
y yрасч |
|
y yрасч |
|
|
|
|
|||||||
1 |
|
2 |
|
|
|
|
|
|
|
-1- |
-2- |
-3- |
-4- |
-5- |
-6- |
-7- |
|
||
1. |
13 |
43 |
79 |
84,971 |
-5,971 |
5,971 |
|
||
2. |
28 |
56 |
110 |
112,734 |
-2,734 |
2,734 |
|
||
3. |
33 |
24 |
97 |
94,361 |
2,639 |
2,639 |
|
||
4. |
42 |
98 |
171 |
161,356 |
9,644 |
9,644 |
|
||
5. |
12 |
176 |
204 |
184,912 |
19,088 |
19,088 |
|
||
6. |
44 |
124 |
174 |
183,510 |
-9,510 |
9,510 |
|
||
7. |
36 |
130 |
184 |
178,538 |
5,462 |
5,462 |
|
||
8. |
33 |
291 |
311 |
297,385 |
13,615 |
13,615 |
|
||
9. |
34 |
141 |
206 |
184,518 |
21,482 |
21,482 |
|
||
10. |
21 |
95 |
128 |
134,047 |
-6,047 |
6,047 |
|
||
11. |
58 |
161 |
207 |
228,331 |
-21,331 |
21,331 |
|
||
12. |
23 |
108 |
152 |
146,315 |
5,685 |
5,685 |
|
||
13. |
69 |
86 |
199 |
184,411 |
14,589 |
14,589 |
|
||
14. |
8 |
143 |
144 |
155,051 |
-11,051 |
11,051 |
|
||
15. |
60 |
42 |
140 |
140,228 |
-0,228 |
0,228 |
|
||
16. |
11 |
199 |
183 |
201,209 |
-18,209 |
18,209 |
|
||
17. |
26 |
145 |
178 |
178,025 |
-0,025 |
0,025 |
|
||
18. |
61 |
115 |
185 |
196,928 |
-11,928 |
11,928 |
|
||
19. |
18 |
111 |
152 |
142,637 |
9,363 |
9,363 |
|
||
20. |
30 |
192 |
204 |
218,531 |
-14,531 |
14,531 |
|
46
3.3. Деление наблюдений с помощью Автофильтра на две группы I1 и I2 со значениями остатков, по абсолютной величине превосходящих и не превосходящих заданный уровень. (Анализ последнего столбца табл. 3.1.2.7 позволил в качестве такого уровня выбрать 7.)
3.4. Расчет среднеквадратических ошибок по остаткам, не превосходящих заданный уровень, и среднеквадратических ошибок по остаткам, превосходящих заданный уровень.
S |
|
1 |
e |
2 |
1/ 2 |
4,31; |
S |
|
|
1 |
e |
2 |
1/2 |
15,16. |
||||
|
|
|
2 |
|
|
|
|
|||||||||||
1 |
|
1 |
i |
|
|
|
n |
2 |
|
i |
|
|||||||
|
|
|
1 |
|
|
|
|
|
|
|
i I |
2 |
|
|
|
|||
|
|
|
n |
i I |
|
|
|
|
|
|
|
|
|
|
|
|
3.5.Преобразование исходных данных путем деления зависимой
инезависимых переменных каждого наблюдения первой группы на S1 , а второй группы – на S2 и оформление результатов в виде табл.
3.1.2.8.
Т а б л и ц а 3.1.2.8
№ |
x |
x |
2 |
y |
x1 /S |
x |
2 |
/S |
|
y/S |
|
1 |
|
|
|
|
|
|
|||||
1. |
13 |
43 |
79 |
3,014 |
9,968 |
|
18,314 |
||||
2. |
28 |
56 |
110 |
6,491 |
12,982 |
25,500 |
|||||
3. |
33 |
24 |
97 |
7,650 |
5,564 |
|
22,487 |
||||
4. |
42 |
98 |
171 |
2,771 |
6,465 |
|
11,281 |
||||
5. |
12 |
176 |
204 |
0,792 |
11,611 |
13,458 |
|||||
6. |
44 |
124 |
174 |
2,903 |
8,180 |
|
11,479 |
||||
7. |
36 |
130 |
184 |
8,346 |
30,137 |
42,655 |
|||||
8. |
33 |
291 |
311 |
2,177 |
19,198 |
20,517 |
|||||
9. |
34 |
141 |
206 |
2,243 |
9,302 |
|
13,590 |
||||
10. |
21 |
95 |
128 |
4,868 |
22,023 |
29,673 |
|||||
11. |
58 |
161 |
207 |
3,826 |
10,621 |
13,656 |
|||||
12. |
23 |
108 |
152 |
5,332 |
25,037 |
35,237 |
|||||
13. |
69 |
86 |
199 |
4,552 |
5,674 |
|
13,128 |
||||
14. |
8 |
143 |
144 |
0,528 |
9,434 |
|
9,500 |
||||
15. |
60 |
42 |
140 |
13,909 |
9,736 |
|
32,455 |
||||
16. |
11 |
199 |
183 |
0,726 |
13,128 |
12,073 |
|||||
17. |
26 |
145 |
178 |
6,027 |
33,614 |
41,264 |
|||||
18. |
61 |
115 |
185 |
4,024 |
7,587 |
|
12,205 |
||||
19. |
18 |
111 |
152 |
1,187 |
7,323 |
|
10,028 |
||||
20. |
30 |
192 |
204 |
1,979 |
12,666 |
13,458 |
3.6. Построение регрессионной модели по преобразованным данным табл. 3.1.2.8 Использование преобразованных данных для построения регрессионной модели эквивалентно применению взвешенного МНК к исходным данным (см. Вывод итогов 3.1.2.7).
ВЫВОД ИТОГОВ 3.1.2.7
47
|
|
|
|
|
|
|
Регрессионная статистика |
|
|
|
|
|
|
Множественный R |
0,985102 |
|
|
|
|
|
R-квадрат |
0,970425 |
|
|
|
|
|
Нормированный R-квадрат |
0,966946 |
|
|
|
|
|
Стандартная ошибка |
1,948194 |
|
|
|
|
|
Наблюдения |
20 |
|
|
|
|
|
|
|
|
|
|
|
|
Дисперсионный анализ |
|
|
|
|
|
|
|
df |
SS |
MS |
F |
Значимость F |
|
Регрессия |
2 |
2117,1754 |
1058,588 |
278,9088 |
1,01E-13 |
|
Остаток |
17 |
64,5228463 |
3,795462 |
|
|
|
Итого |
19 |
2181,69825 |
|
|
|
|
|
|
|
|
|
|
|
|
Коэффици- |
Стандартная |
t-статис- |
P- |
Нижние |
Верхние |
|
енты |
ошибка |
тика |
Значение |
95% |
95% |
Y-пересечение |
0,148364 |
0,95183574 |
0,155871 |
0,877971 |
-1,85984 |
2,1565644 |
Переменная X 1 |
1,818385 |
0,14250896 |
12,75979 |
3,91E-10 |
1,517717 |
2,1190528 |
Переменная X 2 |
0,915585 |
0,05632975 |
16,25403 |
8,6E-12 |
0,79674 |
1,034431 |
Таким образом, уравнение регрессии, построенное с учетом гетероскедастичности, имеет вид
y 0,148 1,818x1 0,916x2 .
3.1.3. Задания для самостоятельной работы
Задание 3.1.3.1. По данным табл. 3.1.3.1 построить линейную регрессионную модель, характеризующую зависимость показателя y от факторов x1, x2 и x3. Построение модели начать с тестирования на гетероскедастичность. Считая наиболее вероятной ситуацию зависимости дисперсии ошибки от независимых переменных x1и x2 , использовать для проверки тест Бреуша – Пагана. Если проверкой будет установлена неоднородность данных, то при построении модели применить многоэтапную процедуру оценивания ее коэффициентов с помощью доступного МНК.
Задание 3.1.3.2. В табл. 3.1.3.2 приведены числовые данные о государственных расходах на образование (y, млрд. у.е.) и валовом внутреннем продукте (х, млрд. у.е.) для 34 стран. Проверьте эти данные на наличие гетероскедастичности, используя критерий Гольдфельда – Куандта. В случае подтверждения гипотезы о присутствии гетероскедастичности примените для построения модели, отражающей зависимость расходов на образование от ВВП, взвешенный метод наименьших квадратов.
48
Т а б л и ц а 3.1.3.1
№ |
x1 |
x2 |
x3 |
y |
№ |
x1 |
x2 |
x3 |
y |
1. |
123 |
53 |
538 |
1882 |
9. |
153 |
25 |
782 |
2565 |
2. |
122 |
83 |
734 |
2006 |
10. |
164 |
23 |
627 |
1757 |
3. |
143 |
48 |
605 |
2083 |
11. |
193 |
93 |
945 |
3055 |
4. |
159 |
29 |
864 |
2388 |
12. |
151 |
119 |
590 |
1636 |
5. |
133 |
42 |
703 |
2334 |
13. |
148 |
33 |
770 |
2529 |
6. |
183 |
69 |
457 |
1310 |
14. |
103 |
88 |
574 |
1563 |
7. |
139 |
141 |
565 |
1983 |
15. |
140 |
114 |
344 |
1389 |
8. |
162 |
51 |
390 |
1117 |
16. |
129 |
31 |
449 |
1254 |
|
|
|
|
|
Т а б л и ц а 3.1.3.2 |
|
№ |
у |
Х |
№ |
у |
|
х |
1. |
0,34 |
5,67 |
18. |
5,31 |
|
101,65 |
2. |
0,22 |
10,13 |
19. |
6,40 |
|
115,97 |
3. |
0,32 |
11,34 |
20. |
7,15 |
|
119,49 |
4. |
1,23 |
18,88 |
21. |
11,22 |
|
124,15 |
5. |
1,81 |
20,94 |
22. |
8,66 |
|
140,98 |
6. |
1,02 |
22,16 |
23. |
5,56 |
|
153,85 |
7. |
1,27 |
23,83 |
24. |
13,41 |
|
169,38 |
8. |
1,07 |
24,67 |
25. |
5,46 |
|
186,33 |
9. |
0,67 |
27,56 |
26. |
4,79 |
|
211,78 |
10. |
1,25 |
27,57 |
27. |
8,92 |
|
249,72 |
11. |
0,75 |
40,15 |
28. |
18,90 |
|
261,41 |
12. |
2,80 |
51,62 |
29. |
15,95 |
|
395,52 |
13. |
4,90 |
57,71 |
30. |
29,90 |
|
534,97 |
14. |
3,50 |
63,03 |
31. |
33,59 |
|
655,29 |
15. |
4,45 |
66,32 |
32. |
38,62 |
|
815,00 |
16. |
1,60 |
66,97 |
33. |
61,61 |
|
1040,45 |
17. |
4,26 |
76,88 |
34. |
181,30 |
|
2586,40 |
Задание 3.1.3.3. Проверьте данные, представленные в табл. 3.1.3.3, на наличие гетероскедастичности, используя тест: 1) Уайта; 2) Бреуша – Пагана.
Т а б л и ц а 3.1.3.3
№ п.п. |
x |
y |
№ п.п. |
x |
y |
1. |
10,00 |
110,00 |
11. |
15,00 |
111,64 |
2. |
10,50 |
110,66 |
12. |
15,50 |
119,65 |
3. |
11,00 |
110,06 |
13. |
16,00 |
126,36 |
4. |
11,50 |
112,83 |
14. |
16,50 |
125,12 |
5. |
12,00 |
112,92 |
15. |
17,00 |
121,76 |
6. |
12,50 |
113,17 |
16. |
17,50 |
125,98 |
7. |
13,00 |
108,35 |
17. |
18,00 |
122,87 |
8. |
13,50 |
120,18 |
18. |
18,50 |
117,34 |
9. |
14,00 |
115,07 |
19. |
19,00 |
109,94 |
10. |
14,50 |
117,08 |
20. |
19,50 |
120,50 |
49
Задание 3.1.3.4. В табл. 3.1.3.4 приведены данные о государственных расходах (G, млрд. долл.), инвестициях (I, млрд. долл.), валовом внутреннем продукте (Y, млрд. долл.) для 30 стран. Исследователь изучает, происходит ли «вытеснение» инвестиций государственными расходами. С этой целью ему необходимо построить регрессионное уравнение, отражающее зависимость величины инвестиций от государственных расходов и ВНП. Выполните задачу, поставленную перед исследователем. Проведите тестирование ошибок уравнения множественной регрессии на гетероскедастичность. Указание: используйте тест Голдфельда – Куандта, упорядочив данные по возрастанию Y. В случае обнаружения гетероскедастичности постройте регрессионное уравнение, применив взвешенный МНК.
Т а б л и ц а 3.1.3.4
Страна |
I |
G |
Y |
Страна |
I |
G |
Y |
Австралия |
94,5 |
75,5 |
407,9 |
Нидерланды |
73,0 |
49,9 |
360,5 |
Австрия |
46,0 |
39,2 |
206,0 |
Новая Зеландия |
12,9 |
9,9 |
65,1 |
Канада |
119,3 |
125,1 |
631,2 |
Норвегия |
35,3 |
30,9 |
153,4 |
Чехия |
16,0 |
10,5 |
52,0 |
Филиппины |
20,1 |
10,7 |
82,2 |
Дания |
34,2 |
42,9 |
169,3 |
Польша |
28,7 |
23,4 |
135,6 |
Финляндия |
20,2 |
25,0 |
121,5 |
Португалия |
25,6 |
19,9 |
102,1 |
Франция |
255,9 |
347,2 |
1409,2 |
Россия |
84,7 |
94,0 |
436,0 |
Германия |
422,5 |
406,7 |
2102,7 |
Сингапур |
35,6 |
9,0 |
95,9 |
Греция |
24,0 |
17,7 |
119,9 |
Испания |
109,5 |
86,0 |
532,0 |
Исландия |
1,4 |
1,5 |
7,5 |
Швеция |
31,2 |
58,8 |
227,8 |
Ирландия |
14,3 |
10,1 |
73,2 |
Швейцария |
50,2 |
38,7 |
256,0 |
Италия |
190,8 |
189,7 |
1145,4 |
Таиланд |
48,1 |
15,0 |
153,9 |
Япония |
1105,9 |
376,3 |
3901,3 |
Турция |
50,2 |
23,3 |
189,1 |
Южная Корея |
154,9 |
49,3 |
442,5 |
Великобритания |
210,1 |
230,7 |
1256,0 |
Малайзия |
41,6 |
10,8 |
97,3 |
США |
1517,7 |
1244,1 |
8110,9 |
Задание 3.1.3.5. Табл. 3.1.3.5 содержит данные об уровнях запасов I, объемах продаж S (млн. долл.) и процентных ставках по кредитам R в 35 фирмах некоторой отрасли. Постройте регрессия I на S и R; проведите тестирование на гетероскедастичность. В случае если будет выявлена гетероскедастичность, осуществите соответствующую корректировку, предполагая, что дисперсия ошибки пропорциональна S2 . Указание: если после такой корректировки в остатках снова обнаружится гетероскедастичность, попробуйте применить более сложную (экспоненциальную) модель t2 exp( 0 1Rt 2 St ).
50