- •Министерство образования и науки Российской Федерации
- •Введение
- •Измерения в экономике
- •Глава 1. Простой корреляционный и регрессионный анализ
- •Коэффициент парной корреляции
- •1.2. Парная (простая) линейная регрессия
- •1.2.1. Метод наименьших квадратов (мнк) и его предпосылки
- •1.2.2. Оценки точности уравнения регрессии и его параметров
- •1.3.2. Проверка остатков регрессии на автокорреляцию (статистика Дарбина – Уотсона)
- •Глава 2. Множественная корреляция и регрессия
- •2.1. Множественный корреляционный анализ
- •2.1.1. Анализ матрицы парных коэффициентов корреляции
- •2.1.2. Частная и множественная корреляция
- •2.2. Множественный регрессионный анализ
- •2.2.1. Метод наименьших квадратов и его предпосылки
- •2.2.2 Свойства мнк-оценок
- •2.2.3. Показатели точности уравнения регрессии и оценок его параметров
- •2.2.4. Мультиколлинеарность
- •2.2.5. Тестирование предпосылок мнк для множественной регрессии Анализ остатков уравнения множественной регрессии на автокорреляцию
- •Тестирование остатков на гомоскедастичность
- •Тестирование ошибки спецификации уравнения регрессии
- •2.2.6. Учёт некоторых нарушений стандартных предположений о модели
- •2.2.7. Обобщённый метод наименьших квадратов
- •2.2.8. Стандартизованное уравнение множественной регрессии
- •2.2.9. Дискретные переменные в регрессионном анализе
- •2.2.10. Дискретные (качественные) зависимые переменные
- •2.2.11. Пошаговый регрессионный анализ
- •Глава 3. Стохастические объясняющие переменные в регрессионном анализе
- •3.1. Инструментальные переменные
- •3.2. Системы одновременных уравнений
- •3.2.1. Оценивание параметров системы одновременных уравнений
- •Библиографический список
- •Оглавление
- •Глава 1. Простой корреляционный и регрессионный анализ……………… 5
- •Глава 2. Множественная корреляция и регрессия………………………… 23
- •Глава 3. Стохастические объясняющие переменные
- •Учебное издание
Тестирование остатков на гомоскедастичность
Как уже отмечалось, одной из важных предпосылок МНК является предпосылка о гомоскедастичности остатков, т. е. о постоянстве дисперсии остаточных членов уравнения регрессии. Выполнение этой предпосылки (наряду с другими) обеспечивает хорошие качества МНК-оценок.
Последствия невыполнения этой предпосылки схожи с аналогичными при наличии автокорреляции в остатках (неэффективность оценок и смещённость их ошибок). В результате этого статистические выводы на основе полученных оценок могут быть ошибочными и привести к неверным заключениям по построенной модели.
Гетероскедастичность встречается как при анализе пространственной информации, особенно, когда анализируются абсолютные показатели, отражающие масштаб изучаемого явления или процесса (доходы, прибыль, зарплата и т. д.), так и временных рядов, если их уровни растут с течением времени.
Разработаны различные методы по выявлению гетероскедастичности остатков. Так, выше был рассмотрен критерий Голдфелда – Квандта (Goldfeld – Quandt test), но он «работает» только в случае, если остатки пропорциональны значениям независимой переменной. А если переменных несколько, то не совсем понятно, по какой из них надо производить упорядочение.
Рассмотрим один из альтернативных методов, реализованном в EViews. Это тест Уайта (White test) на гетероскедастичность.
Идея этого теста в следующем. Оценивается исходное уравнение регрессии и затем строится вспомогательное уравнение зависимости квадрата остатков исходного уравнения от всех независимых переменных, их квадратов и попарных произведений.
Так, если исходное уравнение имеет две независимые переменные – , то вспомогательное уравнение (уравнение теста) имеет вид.
При этом проверяется нулевая гипотеза о том, что не существует связи между дисперсией остатков исходного уравнения и независимыми переменными, т. е. остатки гомоскедастичны. Доказано, что если верна нулевая гипотеза, тоследует распределению(хи-квадрат распределению сp степенями свободы), где n – объём выборки, – коэффициент множественно детерминации вспомогательного уравнения,p – число регрессоров во вспомогательном уравнении (без константы).
Если , тогипотеза о гомоскедастичности остатков отклоняется. В этом случаеProbability для Obs*R-squared будет больше принятого уровня значимости .
Для проведения теста Уайта (после оценки уравнения регрессии) в EViews нужно выбрать «View/Residual Test/ White Heteroskedasticity (cross term)».
Тестирование остатков на нормальный закон распределения
Тестов на нормальный закон распределения разработано достаточно много. У каждого из них есть свои преимущества и недостатки. Остановимся здесь на одном из них, реализованном в эконометрическом пакете EViews. Этот тест носит название своих авторов (Jarque – Bera test).
Статистика Jarque – Bera (JB) (Харке – Бера) предназначена для проверки нулевой гипотезы о нормальном законе распределения для значений рассматриваемой переменной. Статистика (JB) в EViews рассчитывается из соотношения
JB = (n–k)
где S – асимметрия; К – эксцесс; n – объём выборки; k – число оцениваемых параметров в регрессии. Известно, что для нормального закона распределения S = 0, К = 3, тогда и JB = 0. JB-статистика в предположении верности нулевой гипотезы имеет хи-квадрат распределение с двумя степенями свободы ((2)). И если расчётное значение статистикиJB окажется больше критического значения статистики хи–квадрат при фиксированном уровне значимости , то гипотеза о нормальном законе распределения отклоняется (при этомProbability для JB будет меньше ).
Отметим ещё раз, что критерии Дарбина – Уотсона и Голдфелда – Квандта являются точными (неасимптотическими) в том смысле, что они непосредственно учитывают количество наблюдений в выборке. В противоположность этому критерии Харке – Бера, Бройша – Годфри и Уайта являются асимптотическими и хорошо приближаются распределением хи-квадрат только при большом объёме наблюдений. Поэтому вполне полагаться на результаты применения последних можно только при больших объёмах выборки..