- •Гетероскедастичность.
- •Определение гетероскедастичности. Причины ее возникновения. Последствия.
- •Выявление гетероскедастичности.
- •Тесты для проверки гетероскедастичности произвольной формы.
- •Тесты для проверки гетероскедастичности по конкретной переменной.
- •Устранение последствий гетероскедастичности.
- •GLS в случае гетероскедастичности – метод взвешенных наименьших квадратов (weighted least square) WLS.
- •FGLS при гетероскедастичности.
- •Устойчивая к гетероскедастичности оценка ковариационной матрицы МНК оценок White 1980.
- •Список рекомендуемой литературы по GLS и по гетероскедастичности.
Материалы по курсу эконометрика-1. Подготовил Выдумкин Платон
Вывод: FGLS хороший метод, но не всегда его применение в условиях гетероскедастичности будет успешным. Поэтому в следующей части мы рассмотрим альтернативное решение проблемы.
Устойчивая к гетероскедастичности оценка ковариационной матрицы МНК оценок White 1980.
Выше мы говорили, что наличие в модели гетероскедастичности приводит к двум проблемам. Во-первых, МНК оценки теряют свойства эффективности. Во-вторых, выведенная для условий гомоскедастичности оценка ковариационной матрицы МНК оценок перестает быть верной, и поэтому не работают процедуры проверки гипотез в модели регрессии. Метод FGLS решает обе эти проблемы, но он не всегда хорошо работает. Поэтому мы рассмотрим более простое решение, которое состоит в том, что мы смиряемся с неэффективностью МНК оценок, но при этом используем формулу вычисления ковариационной матрицы, которая будет работать в условиях гетероскедастичности. То есть, из двух проблем решаем только одну.
Рассмотрим, как будет выглядеть оценка ковариационной матрицы МНК оценки β = (X T X )−1 X TY для модели Y = X β +ε , если cov(ε)=Σ, а не cov(ε)= Iσ2 .
(5.35) |
cov(β)= (X T X )−1 X T cov(Y )X (X T X )−1 = (X T X )−1 X T ΣX (X T X )−1 |
Когда |
cov(ε)= Iσ2 , у нас все взаимноуничтожалось, и получалась хорошая |
формула cov (β)= (X T X )−1 σ2 , а теперь, как мы видим из (5.35), ничего не сокращается.
Кроме того, ковариационная матрица зависит от Σ , которую мы обычно не знаем.
White в 1980 году предложил для случая гетероскедастичности оценивать (5.35)
следующим образом: |
|
|
|
|
|||
(5.36) |
|
|
|
|
cov(β)=(X T X )−1 X T ΣX (X T X )−1 |
||
|
σ12 |
0 |
|
e12 |
0 |
|
|
|
|
|
|
|
|
|
|
где Σ = |
|
|
|
= |
|
|
|
|
0 |
2 |
|
|
0 |
2 |
|
|
σn |
|
|
en |
|
Оценка (5.36) будет состоятельной оценкой cov(β), то есть она дает хорошие
результаты в больших выборках. Преимуществом этой оценки является то, что ее можно применять при любом типе гетероскедастичности. Используя диагональные элементы (5.36), можно вычислить устойчивые к гетероскедастичности t-статистики для проверки значимости коэффициентов. Так же существует алгоритм для вычисления устойчивых к гетероскедастичности F-статистики, статистики теста Вальда, множителей Лагранжа и т.д. Корни из диагональных элементов (5.36), часто обозначают сокращением HCSE Heteroskedasticity Consistent Standard Errors, (не путать с HSE=). Так как существует несколько способов их вычисления, то указывают и на автора, например, White HCSE.
Мы говорили, что в cross section данных гетероскедастичность в той или иной степени будет почти всегда. Поэтому встает вопрос, зачем мы вообще считаем обычные стандартные ошибки, а не используем сразу HCSE?.
“One reason they are still used in cross-sectional work is that, if the homoskedasticity assumption holds and the errors are normally distributed, then the usual t statistics have exact t distributions, regardless of the sample size. The robust standard errors and robust t statistics are justified only as the sample size becomes large. With small sample sizes, the robust t statistics can have distributions that are not very close to the t distribution, which could throw off our inference.
15