- •ОГЛАВЛЕНИЕ
- •ПРЕДИСЛОВИЕ
- •МЕТОДИЧЕСКИЕ МАТЕРИАЛЫ
- •РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ
- •РЕКОМЕНДАЦИИ ПО САМОСТОЯТЕЛЬНОЙ РАБОТЕ СТУДЕНТА
- •ТЕОРЕТИЧЕСКИЕ МАТЕРИАЛЫ
- •ГЛАВА 1. СТАТИСТИЧЕСКИЕ ПОНЯТИЯ И РАСПРЕДЕЛЕНИЯ
- •§ 1. Введение
- •§ 2. Суть регрессионного анализа
- •§ 3. Некоторые статистические определения
- •§ 4. Нормальное (гауссовское) распределение
- •§ 5. (хи-квадрат)-распределение
- •§ 6. Распределение Стьюдента (t-распределение)
- •§ 7. F-распределение (распределение дисперсионного отношения)
- •§ 8. Статистическая проверка гипотез
- •§ 9. Определение критических значений распределений Стьюдента и Фишера с использованием программы Microsoft Office Excel
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 2. ПАРНАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ. УСЛОВИЯ ГАУССА–МАРКОВА
- •§ 1. Основные понятия
- •§ 2. Метод наименьших квадратов
- •§ 3. Предпосылки метода наименьших квадратов
- •§ 4. Анализ точности определения оценок коэффициентов регрессии
- •§ 5. Проверка статистической значимости коэффициентов парной линейной регрессии
- •§ 6. Интервальные оценки коэффициентов линейного уравнения регрессии
- •§ 7. Доверительные интервалы для зависимой переменной
- •§ 8. Проверка общего качества уравнения регрессии. Коэффициент детерминации
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 3. МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Определение параметров уравнения регрессии
- •§ 2. Расчет коэффициентов множественной линейной регрессии
- •§ 3. Дисперсии и стандартные ошибки коэффициентов
- •§ 4. Проверка статистической значимости коэффициентов уравнения регрессии
- •§ 5. Интервальные оценки коэффициентов теоретического уравнения регрессии
- •§ 6. Проверка общего качества уравнения регрессии
- •§ 7. Проверка равенства двух коэффициентов детерминации
- •§ 8. Проверка гипотезы о совпадении уравнений регрессии для двух выборок
- •§ 10. Частные уравнения регрессии
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 4. АВТОКОРРЕЛЯЦИЯ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Суть и причины автокорреляции
- •§ 2. Последствия автокорреляции
- •§ 3. Обнаружение автокорреляции. Критерий Дарбина–Уотсона
- •§ 4. Методы устранения автокорреляции
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 5. ГЕТЕРОСКЕДАСТИЧНОСТЬ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Последствия гетероскедастичности
- •§ 3. Обнаружение гетероскедастичности
- •§ 4. Методы смягчения проблемы гетероскедастичности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 6. МУЛЬТИКОЛЛИНЕАРНОСТЬ
- •§ 1. Общие понятия и последствия мультиколлнеарности
- •§ 2. Определение мультиколлинеарности
- •§ 3. Методы устранения мультиколлинеарности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 7. ФИКТИВНЫЕ ПЕРЕМЕННЫЕ В РЕГРЕССИОННЫХ МОДЕЛЯХ
- •§ 1. Модель с одной фиктивной (бинарной) переменной
- •§ 3. Сравнение двух регрессий
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 8. НЕЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Общие понятия
- •§ 2. Степенные модели (логарифмические)
- •§ 3. Обратная модель (гиперболическая)
- •§ 4. Полиномиальная модель
- •§ 5. Показательная модель (лог-линейная)
- •§ 6. Выбор формы модели
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 9. ВРЕМЕННЫЕ РЯДЫ
- •§ 1. Общие понятия
- •§ 2. Моделирование тренда временного ряда
- •§ 4. Стационарные ряды
- •§ 5. Процесс авторегрессии AR(p)
- •§ 6. Процессы скользящего среднего MA(q)
- •§ 7. Комбинированные процессы авторегрессии-скользящего среднего ARMA(p, q)
- •§ 8. Модели ARMA, учитывающие наличие сезонности
- •§ 9. Нестационарные временные ряды. Процессы авторегрессии и проинтегрированного скользящего среднего ARIMA(p, k, q)
- •§ 10. Регрессионные модели с распределенными лагами
- •§ 11. Полиномиально распределенные лаги Ш. Алмон
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 10. СИСТЕМЫ ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Идентификация структурной формы модели
- •§ 3. Косвенный метод наименьших квадратов
- •§ 4. Двухшаговый метод наименьших квадратов
- •§ 5. Трехшаговый метод наименьших квадратов
- •Резюме
- •Вопросы для самопроверки
- •ЗАКЛЮЧЕНИЕ
- •ЗАДАНИЯ ДЛЯ КОНТРОЛЯ
- •Тесты для самоконтроля
- •Ключи к тестам для самоконтроля
- •Контрольная работа
- •Вопросы к зачету (экзамену)
- •ГЛОССАРИЙ
- •СПИСОК ЛИТЕРАТУРЫ
3.Как выглядит ковариационная матрица вектора случайных отклонений, если предпосылки Гаусса–Маркова выполняются?
4.Как выглядит ковариационная матрица вектора случайных отклонений в случае автокорреляции?
5.Как выглядит ковариационная матрица вектора случайных отклонений в случае автокорреляции этих отклонений в соседних наблюдениях?
6.Сохраняется ли несмещенность оценок параметров линейной модели при автокорреляции случайных возмущений?
7.Сохраняется ли эффективность оценок параметров линейной модели при автокорреляции случайных возмущений?
8.Сохраняется ли состоятельность оценок параметров линейной модели при автокорреляции случайных возмущений?
9.По какой формуле рассчитывается статистика Дарбина– Уотсона?
10.Сколько критических значений имеет статистика Дарбина– Уотсона?
11.В каких диапазонах статистики Дарбина–Уотсона имеется автокорреляция случайных возмущений?
12.Запишите формулы, по которым преобразуются переменные
вметоде Кохрана–Оркатта.
13.Когдаприменяетсяобобщенныйметоднаименьшихквадратов?
ГЛАВА 5. ГЕТЕРОСКЕДАСТИЧНОСТЬ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
Цель: изучение нарушения одной из предпосылок условий Га- усса–Маркова, а именно: постоянство дисперсии случайных возмущений в различных наблюдениях.
Методические указания
Внимание следует обратить на методы обнаружения гетероскедастичности остатков, ее последствия и методы ее устранения. Подробно разбирается тест Голдфелда–Квандта и устранение гетероскедастичности при определенных предположениях о дисперсии случайных возмущений. Обратите внимание на вычисление коэффициентов по формуле Эйткена и сравните ее с формулой обычного
105
метода наименьших квадратов. Запомните, что метод, применяемый в случае автокорреляции остатков и (или) гетероскедастичности остатков, называется обобщенным методом наименьших квадратов.
§ 1. Общие понятия
При рассмотрении классической линейной регрессионной модели МНК дает наилучшие линейные несмещенные оценки лишь при выполнении ряда предпосылок, одной из которых является постоянство дисперсии отклонений (гомоскедастичность):
σi2 =σ2 =const, i =1, ..., n .
Выполнимость данной предпосылки называется гомоскеда-
стичностью (постоянством дисперсии отклонений). Невыполни-
мость данной предпосылки называется гетероскедастичностью
(непостоянством дисперсий отклонений).
Требование постоянства дисперсии случайных отклонений может показаться странным. При каждом i-м наблюдении имеется единственное значение εi. Откуда же появляется дисперсия случайного члена? Дело в том, что при рассмотрении выборочных данных мы имеем дело с конкретными реализациями зависимой переменной yi и соответственно с определенными случайными отклонениями εi , i =1, ..., n . Но до осуществления выборки эти показатели
априори могли принимать произвольные значения на основе некоторых вероятностных распределений. Одним из требований к этим распределениям является равенство дисперсий. Данное условие подразумевает, что, несмотря на то, что при каждом конкретном наблюдении случайное отклонение может быть большим либо маленьким, положительным либо отрицательным, не должно быть априорной причины, вызывающей большую ошибку (отклонение) при одних наблюдениях и меньшую — при других.
Однако на практике гетероскедастичность не так уж и редка. Зачастую есть основания считать, что вероятностные распределения случайных отклонений εi при различных наблюдениях будут различными. Это не означает, что случайные отклонения обязательно будут большими при определенных наблюдениях и малыми — при других, но это означает, что априорная вероятность этого ве-
106
лика. Ниже (рис. 5.2) показано как будет выглядеть характерная |
диаграмма рассеяния в случае гетероскедастичности остатков. |
Y |
X |
Рис. 5.1. Модель с гомоскедастичным случайным членом |
Y |
X |
Рис. 5.2. Модель с гетероскедастичным случайным членом |
Во многих эконометрических исследованиях, в особенности базирующихся на перекрестных данных, предположение о постоянстве дисперсии возмущения оказывается нереалистичным. При изучении бюджетов потребителей можно заметить, что дисперсия остатков относительно линии регрессии увеличивается с ростом дохода. Аналогично при перекрестном анализе деятельности фирм дисперсия остатков должна возрастать с увеличением размера
107
фирм. Напомним, что перекрестными называются данные, относящиеся к различным объектам.
Модель с гетероскедастичностью является частным случаем обобщенной модели регрессии (наряду с автокорреляцией случайных возмущений). Матрица ковариаций вектора возмущений в случае гетероскедастичности принимает диагональный вид:
|
|
σ2 |
0 |
... |
0 |
|
|
|
|
ε1 |
2 |
... |
|
|
|
|
T |
0 |
0 |
|
|
||
σε2 |
|
||||||
|
|
|
|
|
|
(5.1) |
|
M ε ε = |
|
... |
... |
|
. |
||
|
... |
... |
|
||||
|
|
0 |
0 |
... |
2 |
|
|
|
|
σεn |
|
|
Диагональные элементы матрицы в случае гетероскедастичности различны. Напомним, что в случае гомоскедастичности остатков:
σ2ε1 =σ2ε2 =...=σ2εn =σ2ε =const .
Матрицу ковариаций представляют в виде:
|
|
|
1 |
0 |
... |
0 |
|
|
|
||
|
|
|
|
|
|
|
|
||||
|
|
|
λ1 |
|
|
||||||
|
|
|
|
1 |
|
|
|
|
|
||
|
T |
|
2 |
0 |
... |
0 |
|
2 |
|
||
|
|
|
|
|
|
||||||
|
|
|
|
λ2 |
|
|
|
(5.2) |
|||
M ε ε |
=σ |
|
|
|
|
|
=σ Ω, |
||||
|
|
|
|
... |
... |
|
|
|
|
||
|
|
|
... |
... |
|
|
|||||
|
|
|
|
0 |
0 |
... |
1 |
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
λn |
|
|
где элементы матрицы Ω — известные положительные числа, σ2 — неизвестная величина. Таким образом, если величины λi
известны, параметры модели необходимо оценивать не обычным методом наименьших квадратов, по формуле Эйткена:
B =(X T Ω−1X )−1 X T Ω−1Y .
§ 2. Последствия гетероскедастичности
108