- •1. Анализ вариации зависимой переменной в регрессии
- •2. Тест Дарбина – Уотсона некоррелированности случайных возмущений в схеме Гаусса – Маркова
- •3. Метод имитационного моделирования. Исследование последствий нарушения условий теоремы Гаусса – Маркова
- •4. Анализ вариации зависимой переменной в регрессии
- •5. Коэффициент детерминации как мера качества спецификации эконометрической модели
- •6. Компьютерное моделирование эконометрических систем
- •8. Процедура точечного прогнозирования по оцененной линейной эконометрической модели парной регрессии значений эндогенной переменной
- •9. Интервальное прогнозирование по оцененной линейной эконометрической модели парной регрессии значений эндогенной переменной
- •10. Множественная линейная регрессионная модель. Оценивание параметров множественной регрессии методом наименьших квадратов
- •11. Определение границ доверительных интервалов точечных оценок множественной регрессионной модели
- •12. Оценивание параметров модели взвешенным методом наименьших квадратов
- •13. Модель Марковица
- •14. Определение границ доверительного интервала прогноза зависимой переменной
- •15. Проверка гипотез относительно коэффициентов парной регрессии
- •16. Автокорреляция случайного возмущения
- •17. Гетероскедастичность случайного возмущения
- •18. Система нормальных уравнений и явный вид ее решения при оценивании методом наименьших квадратов линейной модели множественной регрессии
- •19. Модель парной регрессии. Границы доверительных интервалов
- •20. Гетероскедастичность случайной компоненты. Тесты на наличие гетероскедастичности
- •21. Автокорреляция случайной составляющей. Тесты на наличие автокорреляции
- •22. Спецификация и преобразование к приведенной форме динамических моделей. Лаговые и предопределенные переменные динамической модели
- •23. Уточнение эконометрических моделей путем датирования переменных
- •24. Парная регрессия. Оценивание параметров методом наименьших квадратов
- •25. Тест Голдфелда–Квандта гомоскедастичности случайных возмущений в схеме Гаусса – Маркова
- •26. Дисперсионный анализ в парной регрессии
16. Автокорреляция случайного возмущения
Автокорреляция случайных возмущений означает наличие корреляции между остатками текущих и предыдущих (последующих) наблюдений. Отсутствие автокорреляции остаточных величин обеспечивает состоятельность и эффективность оценок коэффициентов регрессии.
В классической регрессионной модели выполнение третьего условия Гаусса-Маркова (Соv(εt εS) = 0,при t ≠ s) гарантирует некоррелированность значений случайных членов в различные моменты наблюдений и это позволяет получить несмещенные МНК-оценки с минимальной дисперсией. Зависимость значений случайных членов в различные моменты времени называется автокорреляцией (сериальной корреляцией).
Формальной причиной автокорреляции в регрессионных моделях является нарушение третьего условия теоремы Гаусса-Маркова, действительной же причиной может быть: неправильная спецификация переменных (пропуск важной объясняющей переменной); наличие неучтенных факторов; использование ошибочной функциональной зависимости, а иногда и характер наблюдений (например, временные ряды).
Для проверки на автокорреляцию используется ряд критериев, из которых наиболее широкое применение получил критерий Дарбина-Уотсона
Последствия автокорреляции в определенной степени сходны с последствиями гетероскедастичности. Среди них при применении МНК обычно выделяются следующие:
-
Оценки параметров, оставаясь линейными и несмещенными, перестают быть эффективными. Следовательно, они перестают обладать свойствами наилучших линейных несмещенных оценок
-
Дисперсии оценок являются смещенными. Зачастую дисперсии, вычисляемые по стандартным формулам, являются заниженными, что приводит к увеличению t-статистик. Это может привести к признанию статистически значимыми объясняющие переменные, которые в действительности таковыми могут и не являться.
-
Оценка дисперсии регрессии является смещенной оценкой истинного значения , во многих случаях занижая его.
-
В силу вышесказанного выводы по t- и F-статистикам, определяющим значимость коэффициентов регрессии и коэффициента детерминации, возможно, будут неверными. Вследствие этого ухудшаются прогнозные качества модели.
17. Гетероскедастичность случайного возмущения
Вторым условием Гаусса-Маркова для классической регрессионной модели является независимость дисперсии возмущения от номера (момента) наблюдений (гомоскедастичность – одинаковый разброс). Нарушение этого условия принято называть гетероскедастичностью (неодинаковый разброс).
При наличии гетероскедастичности количественные характеристики вектора возмущений равны:
Причины:
-
Неоднородность исследуемых объектов (например, при анализе зависимости спроса от дохода потребителя выясняется, что чем больше доход, тем больше индивидуальное значение спроса колеблется относительно ожидаемого значения);
-
Характер наблюдений (например, данные временного ряда).
Последствия:
-
При наличии гетероскедастичности МНК обеспечивает несмещенные оценки параметров, но оценка дисперсии возмущений – смещенная, т.е.
И это приводит к неадекватным оценкам:
-
Автоковариационной матрицы оценок параметров
-
Границ доверительных интервалов параметров модели и значений зависимой переменно,
Т.е. последствия такие же, как и от автокорреляции.
Проверка на гетероскедастичность (Тест GQ)
Предпосылки теста:
1)пропорциональность дисперсии случайного возмущения величине некоторого регрессора Xj
2)случайное возмущение распределено нормально и не подвержено автокорреляции
Алгоритм теста:
-
Упорядочить выборочные данные по величине регрессора Xtj, t=1,…,n, относительно которого есть подозрение на гетероскедастичность (или по сумме модулей регрессоров)
-
По первым и последним n’ данным выборки оцениваются две частные регресии и векторы остатков e1 и e2 соответственно
k+1< n’≈ n/3, k+1 – число параметров модели.
-
По остаткам частных регрессий вычисляются суммы квадратов остатков:
-
вычисляются статистики, имеющие F-распределение:
GQ =Qост1/Qост2, GQ-1=Qост2/Qост1
-
по таблице распределения с двумя параметрами v1 = v2 = n’- k – 1 – число степеней свободы, для уровня значимости α определяется Fкр
-
гипотеза об отсутствии гетероскедастичности принимается, если справедливы оба неравенства GQ ≤ Fkp, GQ-1≤ Fkp, в противном случае делается вывод о гетероскедастичности случайных возмущений.