- •Эконометрическая модель.
- •Измерения в экономике. Шкалы измерений.
- •Случайные события и случайные переменные. Распределение случайных величин.
- •Статистические характеристики случайных величин и их свойства.
- •Основные функции распределения.
- •Оценки статистических характеристик и их желательные свойства.
- •Проверка статистических гипотез.
- •Критерий и критическая область.
- •Мощность статистического критерия. Уровень значимости.
- •Модель линейной регрессии.
- •Оценивание параметров регрессии. Метод наименьших квадратов.
- •Система нормальных уравнений мнк и ее решение.
- •Свойства оценок параметров, полученных методом наименьших квадратов. Условия Гаусса – Маркова.
- •Коэффициент детерминации и его свойства.
- •Предположение о нормальном распределении случайной ошибки в рамках классической линейной регрессии и его следствия.
- •Доверительные интервалы оценок параметров и проверка гипотез об их значимости.
- •Прогнозирование по регрессионной модели и его точность. Доверительные и интервалы прогноза.
- •Ковариационная матрица оценок коэффициентов регрессии.
- •Проверка значимости коэффициентов и адекватности регрессии для множественной линейной регрессионной модели.
- •Коэффициент множественной детерминации. Скорректированный коэффициент детерминации.
- •Проблемы спецификации регрессионной модели. Пошаговая регрессия.
- •Проблема смещения Предположим, что переменная у зависит от двух переменных х1, и х2 в соответствии с соотношением:
- •Неприменимость статистических тестов
- •Замещающие переменные. Фиктивные переменные.
- •Мультиколлинеарность. Влияние мультиколлинеарности на оценки параметров уравнения регрессии.
- •Методы борьбы с мультиколлинеарностью.
- •Линеаризация регрессионных моделей путем логарифмических преобразований.
- •Модели с постоянной эластичностью. Производственная функция Кобба - Дугласа.
- •Модель с постоянными темпами роста (полулогарифмическая модель).
- •Полиномиальная регрессия.
- •Кривая Филипса
- •Гетероскедастичность. Последствия гетероскедастичности для оценок параметров регрессии методом наименьших квадратов и проверки статистических гипотез.
- •Признаки гетероскедастичности и ее диагностирование. Обнаружение гетероскедастичности
- •1. Графический анализ остатков
- •2. Тест ранговой корреляции Спирмена
- •3. Тест Голдфелда-Квандта
- •Оценивание коэффициентов множественной линейной регрессии в условиях гетероскедастичности. Обобщенный метод наименьших квадратов.
- •Автокорреляция. Причины автокорреляции.
- •Влияние автокорреляции на свойства оценок мнк.
- •Тест серий. Статистика Дарбина – Уотсона.
- •Способы противодействия автокорреляции.
- •Стохастические объясняющие переменные. Последствия ошибок измерения.
- •Инструментальные переменные.
- •Лаговые переменные и экономические зависимости между разновременными значениями переменных.
- •Модели с распределенными лагами.
- •Модели авторегрессии как эквивалентное представление моделей с распределенными лагами.
- •Ожидания экономических агентов и лаговые переменные в моделях
- •Модели наивных и адаптивных ожиданий.
- •Модель гиперинфляции Кейгана.
- •44. Модель гиперинфляции Кейгана
- •Понятие об одновременных уравнениях. Структурная и приведенная форма модели.
- •Структурная и приведённая форма. Идентифицируемость
- •Примеры
- •Проблема идентификации. Неидентифицируемость и сверхидентифицированность.
- •Оценивание системы одновременных уравнений. Косвенный и двухшаговый мнк.
- •Системы эконометрических уравнений с лаговыми переменными.
- •Модель Кейнса.
- •Модель Клейна.
- •Матричная форма записи модели Клейна
2. Тест ранговой корреляции Спирмена
Значения и (абсолютные величины) ранжируются (упорядочиваются по величинам). Затем определяется коэффициент ранговой корреляции:
(4.1)
где – разность между рангами и , ; – число наблюдений.
Например, если является 25-ым по величине среди всех наблюдений, а является 32-м, то .
Затем рассчитывается статистика:
(4.2)
Если значение, рассчитанное по формуле (4.2), превышает критическое (определяемое по приложению 1), то необходимо отклонить гипотезу об отсутствии гетероскедастичности. В противном случае гипотеза об отсутствии гетероскедастичности принимается.
Если в модели регрессии больше, чем одна объясняющая переменная, то проверка гипотезы может осуществляться с помощью -статистики для каждой из них отдельно.
3. Тест Голдфелда-Квандта
В данном случае предполагается, что стандартное отклонение пропорционально значению переменной в этом наблюдении, т.е. , .
Тест Голдфелда-Квандта состоит в следующем:
Все наблюдений упорядочиваются по величине .
Вся упорядоченная выборка после этого разбивается на три подвыборки размерностей соответственно.
Оцениваются отдельные регрессии для первой подвыборки ( первых наблюдений) и для третьей подвыборки ( последних наблюдений). Для парной регрессии Голдфелд и Квандт предлагают следующие пропорции: ; . Если предположение о пропорциональности дисперсий отклонений значениям верно, то дисперсия регрессии по первой подвыборке (рассчитываемая как ) будет существенно меньше дисперсии регрессии по третьей подвыборке (рассчитываемой как ).
Для сравнения соответствующих дисперсий строится соответствующая -статистика:
(4.3)
Здесь – число степеней свободы соответствующих выборочных дисперсий ( – количество объясняющих переменных в уравнении регрессии).
Построенная -статистика имеет распределение Фишера с числом степеней свободы .
Если (где , определяется из приложения 2, – выбранный уровень значимости), то гипотеза об отсутствии гетероскедастичности отклоняется.
Этот же тест может использоваться при предположении об обратной пропорциональности между и значениями объясняющей переменной. При этом статистика Фишера имеет вид:
(4.4)
Для множественной регрессии данный тест обычно проводится для той объясняющей переменной, которая в наибольшей степени связана с . При этом должно быть больше, чем . Если нет уверенности относительно выбора переменной , то данный тест может осуществляться для каждой из объясняющих переменных.
Оценивание коэффициентов множественной линейной регрессии в условиях гетероскедастичности. Обобщенный метод наименьших квадратов.
Обобщенный метод наименьших квадратов.
При нарушении гомоскедастичности и наличии автокорреляции ошибок рекомендуется заменять традиционный метод наименьших квадратов (OLS) обобщенным методом (GLS).
Обобщенный метод наименьших квадратов применяется к преобразованным данным и позволяет получить оценки, которые обладают не только свойством несмещенности, но и имеют меньшие выборочные дисперсии.
Предположим, что среднее значение остатков равно нулю, а дисперсия их пропорциональна величине , т.е.
, где - дисперсия ошибки при конкретном i-м значении фактора; - постоянная дисперсия ошибки при соблюдении предпосылки о гомоскедастичности остатков; - коэффициент пропорциональности.
При этом предполагается, что неизвестна, а в отношении величины K выдвигается гипотезы, характеризующие структуру гетероскедастичности.
В общем виде для уравнения y = a + b x + модель примет вид:
В данной модели остаточные величины гетероскедастичны. Предположив в них отсутствие автокорреляции, перейдем к уравнению с гомоскедастичными остатками, поделив все переменные, зафиксированные в ходе i-го наблюдения, на . Тогда дисперсия остатков будет величиной постоянной, т.е. = . Иными словами, от регрессии y по x мы перейдем к регрессии на новых переменных: .
Дальнейшее преобразование уравнения регрессии и затем системы нормальных уравнений, то получим коэффициент регрессии:
.
При обычном применении метода наименьших квадратов к уравнению линейной регрессии для переменных в отклонениях от средних уровней коэффициент регрессии b определяется по формуле
Как видим, при использовании обобщенного МНК с целью корректировки гетероскедастичности коэффициент регрессии b представляет собой взвешенную величину по отношению к обычному методу наименьших квадратов 1/K.