- •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
Рис 8.5. Показательная модель (линейная в координатах (x, lny).
Ряд экономических показателей моделируется через функции, являющиеся композицией перечисленных функций, что позволяет также свести их к линейным. Например, широко известна производственная функция Кобба–Дугласа с учетом научно-техническо- го прогресса:
Y = AK αLβeγt |
(8.11) |
(здесь не указано случайное возмущение).
Прологарифмировав данную функцию, получим соотношение:
lnY =ln A+αln K +βln L+γ t , |
(8.12) |
которое сводится к линейному заменами:
a =ln A, k =ln K , l =nL, y =LnY .
§ 6. Выбор формы модели
Многообразие и сложность экономических процессов предопределяет многообразие моделей, используемых для эконометрического анализа. Это существенно усложняет процесс нахождения максимально адекватной формулы зависимости. Для случая парной регрессии подбор модели обычно осуществляется по виду расположения наблюдаемых точек на корреляционном поле. Однако нередки ситуации, когда расположение точек приблизительно соответствует нескольким функциям и необходимо из них выявить
154
наилучшую. Еще более неоднозначна ситуация для множественной регрессии, так как наглядное представление статистических данных в этом случае невозможно.
На практике неизвестно, какая модель является верной, и зачастую подбирают такую, которая наиболее точно соответствует реальным данным. При этом необходимо учитывать, что идеальной модели не существует. Поэтому, чтобы выбрать качественную модель, необходимо ответить на ряд вопросов, возникающих при ее анализе.
Обычно выделяют следующие признаки «хорошей» модели. Скупость (простота). Из двух моделей, приблизительно одинаково отражающих реальность, предпочтение отдается содержа-
щей меньшее число объясняющих переменных.
Единственность. Для любого набора статистических данных определяемые коэффициенты должны вычисляться однозначно.
Максимальное соответствие. Уравнение тем лучше, чем большую часть разброса зависимой переменной оно может объяснить. Поэтому стремятся построить уравнение с максимально воз-
можным скорректированным коэффициентом детерминации R2 .
Согласованность с теорией. Никакое уравнение не может быть признано качественным, если оно не соответствует известным теоретическим предпосылкам. Вообще говоря, теория тоже может оказаться ошибочной.
Прогнозные качества. Модель может быть признана качественной, если полученные на ее основе прогнозы подтверждаются реальностью.
Другим критерием прогнозных качеств оцененной модели регрессии может служить следующее отношение:
|
|
V = |
|
S |
|
, |
(8.13) |
|
|
|
|
|
|||||
|
|
|
|
y |
|
|
|
|
где S = |
∑ei2 |
|
|
|
||||
|
|
|
||||||
|
— стандартная ошибка регрессии, y — среднее |
|||||||
n−m−1 |
значение зависимой переменной уравнения регрессии. Если величина V мала (а она определяет относительную ошибку прогноза в
155
процентах) и отсутствует автокорреляция остатков (определяемая по величине статистики DW Дарбина–Уотсона), то прогнозные качества модели высоки.
Если уравнение регрессии используется для прогнозирования, то величина V обычно рассчитывается не для того периода, на котором оценивалось уравнение, а для некоторого следующего за ним временного интервала, для которого известны значения зависимой и объясняющих переменных. Тем самым на практике проверяются прогнозные качества модели. В случае положительного решения, если можно спрогнозировать значения объясняющих переменных на некоторый последующий период, построенная модель обоснованно может быть использована для прогноза значений объясняемой переменной Y. Следует помнить, что период прогнозирования должен быть, по крайней мере, в три раза короче периода, по которому оценивалось уравнение регрессии.
Рассмотрим виды ошибок спецификации. Одним из базовых предположений построения качественной модели является правильная (хорошая) спецификация уравнения регрессии. Правильная спецификация уравнения регрессии означает, что оно в целом верно, отражает соотношение между экономическими показателями, участвующими в модели. Это является необходимой предпосылкой дальнейшего качественного оценивания.
Неправильный выбор функциональной формы или набора объясняющих переменных называется ошибками спецификации. Рассмотрим основные типы ошибок спецификации.
1. Отбрасывание значимой переменной.
Последствия данной ошибки достаточно серьезны. Оценки, полученные с помощью МНК, являются смещенными и несостоятельными даже при бесконечно большом числе испытаний. Следовательно, возможные интервальные оценки и результаты проверки соответствующих гипотез будут ненадежными.
2. Добавление незначимой переменной.
В некоторых случаях в уравнения регрессии включают слишком много объясняющих переменных, причем не всегда обоснованно. Последствия данной ошибки будут не столь серьезными, как в предыдущем случае. Оценки коэффициентов модели остаются, как пра-
156
вило, несмещенными и состоятельными. Однако их точность уменьшается, увеличивая при этом стандартные ошибки, т. е. оценки становятся неэффективными, что отразится на их устойчивости.
3. Выбор неправильной функциональной формы.
Последствия такой ошибки будут весьма серьезными. Обычно ошибка приводит либо к получению смещенных оценок, либо к ухудшению статистических свойств оценок коэффициентов регрессии и других показателей качества уравнения. В первую очередь это связано с нарушением условий Гаусса–Маркова для отклонений. Прогнозные качества модели в этом случае очень низки.
Обнаружение и корректировка ошибок спецификации
При построении уравнений регрессии, особенно на начальных этапах, ошибки спецификации весьма нередки. Они допускаются обычно из-за поверхностных знаний об исследуемых экономических процессах либо из-за недостаточно глубоко проработанной теории, или из-за погрешностей сбора и обработки статистических данных при построении эмпирического уравнения регрессии. Важно уметь обнаружить и исправить эти ошибки. Сложность процедуры определяется типом ошибки и нашими знаниями об исследуемом объекте.
Если в уравнении регрессии имеется одна несущественная переменная, то она обнаружит себя по низкой t-статистике. В дальнейшем эту переменную исключают из рассмотрения.
Если в уравнении несколько статистически незначимых объясняющих переменных, то следует построить другое уравнение регрессии без этих незначимых переменных. Затем с помощью
F-статистики |
F = |
R12 |
− R22 |
× |
n − m −1 |
сравниваются коэффициенты |
||
1 |
− R12 |
k |
||||||
|
|
|
|
детерминации для первоначального и дополнительного уравнений регрессий. Здесь n — число наблюдений, m — число объясняющих переменных в первоначальном уравнении, k — число отбрасываемых из первоначального уравнения объясняющих переменных. Возможные рассуждения и выводы для данной ситуации приведены ранее.
157
При наличии нескольких несущественных переменных, возможно, имеет место мультиколлинеарность. Рекомендуемые выходы из этой ситуации подробно рассмотрены ранее.
Однако осуществление указанных проверок имеет смысл лишь при правильном подборе вида (функциональной формы) уравнения регрессии, что можно осуществить, если согласовывать его стеорией.
Отметим, что выбор модели далеко не всегда осуществляется однозначно, и в дальнейшем требуется сравнивать модель как с теоретическими, так и с эмпирическими данными, совершенствовать ее. Напомним, что при определении качества модели обычно анализируются следующие параметры:
а) скорректированный коэффициент детерминации R2 ;
б) t-статистики;
в) статистика Дарбина–Уотсона (DW);
г) согласованность знаков коэффициентов с теорией; д) прогнозные качества (ошибки) модели.
Если все эти показатели удовлетворительны, то данная модель может быть предложена для описания исследуемого реального процесса. Если же какая-либо из описанных выше характеристик не является удовлетворительной, то есть основания сомневаться в качестве данной модели (неправильно выбрана функциональная форма уравнения; не учтена важная объясняющая переменная; имеется объясняющая переменная, не оказывающая значимого влияния на зависимую переменную).
Для более детального анализа адекватности модели может быть предложено исследование остаточного члена модели.
Исследование остаточного члена модели
Графическое представление поведения остаточного члена e (т. е. графическое представление случайных отклонений ei , (i =1, 2, ..., n)
позволяет, прежде всего, проанализировать наличие автокорреляции и гетероскедастичности (непостоянства дисперсий отклонений). Кроме того, с помощью графического представления отклонений ei может быть также обнаружена неправильная спецификация уравнения. Для этого строится график зависимости величин отклонений ei от номера наблюдения i.
158
Если зависимость, изображенная на этом графике, имеет регулярный (неслучайный) характер, то это означает, что исследуемое уравнение регрессии неверно специфицировано.
Существует и ряд других тестов обнаружения ошибок спецификации, среди которых можно выделить:
1.Тест Рамсея RESET (Regression specification error test).
2.Тест (критерий) максимального правдоподобия (The Likelihood Ratio test).
3.Тест Валда (The Wald test).
4.Тест множителя Лагранжа (The Lagrange multiplier test).
5.Тест Хаусмана (The Hausman test).
6.Преобразование Бокса–Кокса (Box–Cox transformation).
Подробное описание данных тестов выходит за рамки вводного
курса. Отметим, что суть указанных тестов состоит либо в осуществлении преобразований случайных отклонений, либо в масштабировании зависимой переменной, с тем чтобы можно было сравнить начальное и преобразованное уравнения регрессии на основе известного критерия.
Итак, стандартная схема анализа зависимостей состоит в осуществлении ряда последовательных процедур.
•Подбор начальной модели осуществляется на основе экономической теории, предыдущих знаний об объекте исследования, опыта исследователя и его интуиции.
•Оценка параметров модели на основе имеющихся статистических данных.
•Осуществление тестов проверки качества модели (обычно используются t-статистики для коэффициентов регрессии, F-ста- тистика для коэффициента детерминации, статистика Дарбина– Уотсона для анализа отклонений и ряд других тестов).
•При наличии хотя бы одного неудовлетворительного ответа по какому-либо тесту модель совершенствуется с целью устранения выявленного недостатка.
•При положительных ответах по всем проведенным тестам модель считается качественной. Она используется для анализа и прогноза объясняемой переменной.
159