
- •Нарушения предположений о векторе и способы адаптации
- •Адаптация к нарушениям предположений ра – мнк
- •Адаптация к гетероскедастичности
- •Адаптация к корреляции по времени
- •Введение качественных («фиктивных») переменных
- •Переход к нелинейной по модели
- •Полный перебор
- •Метод включения (мв)
- •Метод исключения (ми).
- •Метод включения с исключением (мви)
- •Основные понятия
- •Структурная и приведенная формы модели
- •Проблема идентификации
- •Оценивание параметров структурной модели
- •Моделирование одномерных временных рядов
- •Основные элементы временного ряда
- •Автокорреляция уровней временного ряда и выявление его структуры
- •Моделирование тенденции временного ряда
- •Моделирование сезонных и циклических колебаний
Нарушения предположений о векторе и способы адаптации
Нарушение <5.1>. Формальным признаком нарушения <5.1> является применение неполного метода перебора. Однако, даже при полном однокритериальном переборе по ряду причин не удается получить структуру с МНК – оценками, обладающими требуемыми свойствами НЛО, особенно при нарушении условия <3.1>.
Тем не менее на первом этапе исследования необходимо получить структуру, оптимальную по наиболее важному для экспериментатора критерию. В этом случае (при невозможности применить метод полного перебора) рекомендуются методы псевдобулевой оптимизации, ветвей и границ, генетические алгоритмы и т.д. На первом этапе можно применить метод пошаговой регрессии.
Нарушение <5.1>. Соблюдения
условия о независимости откликов
в многооткликовой задаче можно проверить
по коэффициентам парной корреляции
.
При существенном нарушении <5.2> прибегают к специальным методам оценивания.
Адаптация к нарушениям предположений ра – мнк
Адаптация к нарушениям условий <4.4>, <4.5>
Адаптация к гетероскедастичности
Пусть матрица ковариаций вектора ошибок
-диагональна,
но ее элементы на диагонали не равны
друг другу, т.е.
или, что одно и то же, ошибки
некоррелированы, но имеют непостоянные
дисперсии (т.н. гетероскедастичность).
Обобщенный МНК. Рассмотрим
вначале более общий случай, когда для
модели
выполняются все условия за исключением
двух (<4.4>, <4.5>):
,
причем
- недиагональная матрица ковариаций.
Если применить обычный МНК, то
останется несмещенной оценкой, однако
оценка матрицы ковариаций вектора
,
т.е.
,
окажется смещенной, что приведет к
неэффективности оценок
.
Формально для получения наилучших линейных оценок необходимо воспользоваться обобщенным МНК (ОМНК), теоретическим основанием которого является теорема:
Теорема Айткена: В классе линейных
несмещенных оценок вектора
для обобщенной регрессионной модели
оценка
(4)
имеет наименьшую матрицу ковариаций.
Последняя в этом случае запишется в виде
.
(5)
Следует отметить, что при
мера
не может быть использована для оценки
качества модели.
Для применения ОМНК необходимо знать
матрицу
,
которая на практике обычно не известна.
Так как в общем случае
содержит
неизвестных элементов, то по
наблюдениям невозможно получить их
наилучшие линейные оценки.
Приближением к ОМНК является так называемый «доступный» ОМНК, в котором на структуру вводят дополнительные условия.
Взвешенный МНК. Применим ОМНК
для случая, когда матрица ковариаций
вектора ошибок
диагональна, иначе говоря,
.
Часто используют представление
,
где числа
нормированы так, что
.
При
=1
получаем обычный классический случай.
Алгоритм ОМНК здесь достаточно прост, так как он сводится к применению обычного МНК к избыточной системе уравнений
;
,
(6)
где
при
.
Применение ВМНК приводит к уменьшению
стандартных ошибок оценок
по сравнению с обычным МНК.
Частный случай применения доступного
ОМНК. Как правило, ошибки
неизвестны. Для их оценки используем
частное условие: стандартное отклонение
ошибки пропорционально независимой
переменной.
Иногда априори можно считать, что
прямо пропорционально одной из переменных
,
т.е.
.
Чтобы перейти к классическому случаю
разделим каждое
уравнение системы
;
на
и введем новые регрессоры
и отклики
.
При таком преобразовании МНК – оценки
не изменятся. Следует только иметь в
виду, что если
,
то МНК – оценки свободного члена и
коэффициента при
в новой модели будут оценками соответственно
коэффициенты при
и свободного члена в старой модели.