Исключено пропущенных или неполных наблюдений: 78 Зависимая переменная: l_Price__rub_

	Коэффициент	Ст. ошибка	t-статистика	P-значение
const	10,565	0,440554	23,9811	<0,00001	***
l_Vehicle__l_	0,999481	0,12093	8,2650	<0,00001	***
Italy	0,201361	0,0789088	2,5518	0,01181	**
Germany	0,358607	0,0509984	7,0317	<0,00001	***
UK	0,490686	0,226332	2,1680	0,03189	**
Euro_NCAP_Rating____	0,063475	0,0330255	1,9220	0,05668	*
l_Horsepower	0,460569	0,101125	4,5545	0,00001	***

Среднее зав. перемен	13,79815		Ст. откл. зав. перемен	0,599340
Сумма кв. остатков	6,769634		Ст. ошибка модели	0,222291
R-квадрат	0,868210		Испр. R-квадрат	0,862438
F(6, 137)	150,4220		Р-значение (F)	9,56e-58
Лог.правдоподобие	15,80322		Крит. Акаике	-17,60645
Крит. Шварца	3,182246		Крит. Хеннана-Куинна	-9,159095

ТЕСТ НА МУЛЬТИКОЛЛИНЕАРНОСТЬ

Метод инфляционных факторов

Минимальное возможное значение = 1.0

Значения > 10.0 могут указывать на наличие мультиколлинеарности

l_Vehicle__l_ 5,024

Italy 1,063

Germany 1,155

UK 1,029

Euro_NCAP_Rating____ 1,042

l_Horsepower 5,144

VIF(j) = 1/(1 - R(j)^2), где R(j) - это коэффициент множественной корреляции

между переменной j и другими независимыми переменными

Свойства матрицы X'X:

1-я норма = 8099,8234

Детерминант = 93529800

Обратное условное число = 2,0634936e-005

Мультиколлинеарность отсутствует.

Следующим этапом нашего проекта была работа над устранением гетероскедастичности. Исходя из результатов теста Бреуша-Пагана, мы сделали вывод о том, что дисперсия зависит от заданного набора переменных. Применим в данном случае взвешенный МНК.

Будем предполагать, что дисперсия случайных ошибок в нашей модели зависит не только от всех ее независимых переменных, но и от марки машины. Выбрав наилучшую спецификацию, мы изначально получаем следующую модель: