- •2. Предпосылки классического уравнения регрессии.
- •3 Несмещенная оценка коэффициента уравнения регрессии.
- •4. Эффективная оценка коэффициента уравнения регрессии.
- •5. Состоятельная оценка коэффициента уравнения регрессии.
- •6. Коэффициенты множественной корреляции и детерминации.
- •7. Анализ корреляционной матрицы.
- •8. Для чего и как в эконометрике используется критерий Стьюдента?
- •10. Что показывает критерий Фишера
- •11. Для чего в эконометрике используется критерий Дарбина-Уотсона
- •12. Что показывает коэффициент детерминации.
- •13. Какой критерий применяют для диагностики на гетероскедантичность (непостоянство дисперсии).
- •14. Структура динамического ряда. Основные компоненты.
- •15. Вид уравнения авторегресси первого порядка.
- •16. Вид уравнения скользящей средней.
- •18. Что такое «стационарная модель»?
- •19. Причины линеаризации. Примеры.
- •20. Множественная линейная регрессия
- •21. Использвание t-статистики для проверки статистических гипотез о параметрах регрессии.
- •22. Использование коэф-та детерминации r2 и f-критерия для проверки статистических гипотез о параметрах регрессии.
- •23 Мультиколлинеарность
- •24. Гетероскедастичность и гомоскедастичность
- •25. Условия Гаусса-Маркова
- •26. Оценка степени надежности уравнения регрессии. Коэф-ты корреляции, детерминации, дисперсионное отношение Фишера.
- •27. Проверка значимости коэф-тов регрессии по t-критерию Стьюдента
- •28. Тест Дарбина-Уотсона
- •31. Гетероскедастичность и корреляция во времени
- •32. Модель скользящего среднего ма(q). Процедура идентификации.
- •33. Модель авторегрессии ar(p). Процедура идентификации.
- •34. Модели arma (p, q) и arima (p,q,d)
13. Какой критерий применяют для диагностики на гетероскедантичность (непостоянство дисперсии).
Гетероскедастичность – это свойство стохастической компоненты регрессии, выражающееся в том, что их дисперсия (а, следовательно, разброс значений ошибок) не является постоянной. Следствие гетероскедастичности – найденные оценки коэффициентов регрессии больше не представляют собой наилучшие оценки с наименьшей дисперсией. В результате значение критерия проверки значимости коэффициентов будет искажено: при отрицательном смещении дисперсий он будет неосновательно завышен, при положительном – занижен, что повлечет за собой неверные выводы о значимости оценок коэффициентов регрессии.
Обнаружение (проверка) гетероскедентичности.
Наиболее популярные методы:
Графический анализ отклонений (остатков). Строим графики остатков и если они в рамках какой-либо прямой, то гетероскедентичность отсутствует.
Тест ранговой корреляции Спирмена. При использовании данного теста предполагается, что дисперсия отклонений будет либо увеличиваться, либо уменьшаться с увеличением значений иксов, поэтому для регрессии, построенной по МНК абсолютные величины отклонений и значения иксов будут коррелированны. Значения наблюдений xi и j ранжируются и рассчитывается коэффициент ранговой корреляции.
Тест Парка. Предполагается, что дисперсия номера наблюдения является функцией i-го значения икса (объясняющей переменной). Это дополнение к графическому методу, но оба они имеют недостаток: не учитывается абсолютная величина отклонений.
Тест Глейзера. Аналогичен 3 и дополняет его. По нему оценивается регрессионная зависимость модулей отклонения от xi. Даная зависимость моделируется проектным уравнением регрессии , k=…-1,-0,5,0,+0,5,… наличие к-та k предполагает что гетероскедантичность есть и если значимость β есть, то гетероскедантичность есть.
Тест Годфелда-Квандта. применяют, если есть предположение о прямой зависимости дисперсии ошибки от величины некоторой независимой переменной модели. Для этого надо действовать по следующему алгоритму:
1) все наблюдения упорядочиваются по величине независимой переменной, относительно которой есть подозрение на гетероскедастичность;
2) остатки в этой упорядоченной совокупности делят на две равных группы, при чем находящиеся посредине между ними d наблюдений исключаются из рассмотрения (d обычно равно около четверти от общего количества наблюдений);
3) рассчитывается две независимых регрессии по первой и второй группе, количество наблюдений в которых составляет n/2–d/2 (при этом должно быть n/2 – d/2 > k + 1, где k – число независимых переменных), и находятся соответствующие остатки для первой и для второй регрессии е1 и е2;
4) если предположение о прямой зависимости дисперсии ошибки от величины данной независимой переменной верно, то в первой группе сумма квадратов остатков (а значит и их дисперсия) будет меньше, чем во второй; затем рассчитывают критерий Голдфелда-Квандта: в случае предположения прямой пропорциональности между величиной дисперсии отклонений и значением независимой переменной сумму квадратов остатков во второй группе делят на сумму квадратов остатков в первой. Рассчитанный критерий имеет F-распределение с (n/2–d/2–k) и (n/2–d/2–k) степенями свободы. В случае обратной пропорциональности дисперсии отклонений значению независимой переменной сумму квадратов остатков в первой группе делят на сумму квадратов остатков во второй, распределение критерия также имеет вид F-распределения с теми же степенями свободы.
В случае, когда в модели имеет место гетероскедастичность остатков, требуется изучить взаимосвязь между значениями остатков и переменными модели, после чего скорректировать регрессионную модель таким образом, чтобы она учитывала эту взаимосвязь.