- •4.1 Цели и задачи лабораторной работы
- •4.2 Понятие мультиколлениарности и гетероскедостичности, методы выявления и устранения
- •4.2.1 Мультиколлениарность, выявление и устранение
- •4.2.2 Гетероскедостичность, выявление и устранение
- •4.3 Рекомендуемая литература
- •4.4 Мультиколлениарность, выявление и устранение
- •4.4.1 Методы выявления мультиколлениарности
- •4.4.2 Устранение мультиколлениарности
- •4.5 Гетероскедостичность выявление и устранение
- •4.5.1 Графический анализ отклонений
- •4.5.2 Тест ранговой корреляции Спирмена
- •4.5.3 Тест Гольфельда-Квандта
- •4.5.4 Методы устранения гетероскедостичности
- •4.6 Анализ нормальности распределения случайного члена уравнения
- •4.7 Тесты для самоконтроля
- •4.8 Задание для самостоятельного выполнения
4.5.3 Тест Гольфельда-Квандта
Шаг 1. Для проведения данного теста в системе STATISTICA 6.0 необходимо воспользоваться исходными данными (Приложение 4А) и упорядочить совокупность по величине исследуемой независимой переменной. Для этого в главном меню выберем Date Sort… (Данные Сортировка…).
В появившемся окне Sort Options (Установки сортировки) необходимо указать переменную, по которой проводится сортировка, в нашем случае это X4 и нажать ОК.
Шаг 2. Воспользуемся модулем Multiple Regression, в стартовом окне Multiple Linear Regression в качестве зависимой переменной укажем Y в качестве не зависимой – X4. Также (в этом же окне) необходимо выбрать кнопу Select Cases (Выбор значений).
Шаг 3. В появившемся окне Analysis/Graph cases Selection conditions необходимо установить флажок в поле Enable Selection Conditions Specific, selected by:
После активации поля By Expression введем v0<=11, т.е. регрессия будет строиться по значениям с 1 – 11 (так как в нашем случае n30 соответственно k=11).
Рисунок 4.9 – Окно выбора подмножества для оценки первой регрессии (приведена часть исходного окна)
Шаг 4. Нажмем ОКОК. В окне Multiple Regression Results (Результаты множественной регрессии) во вкладке Advanced (Расширенные) выберем кнопку ANOVA (Overall goodness of fit) получим следующую таблицу:
Таблица 4.9 – Результаты дисперсионного анализа для модели по первым 11 наблюдениям
|
Sums of Squares |
df |
Mean Squares |
F |
p-level |
Regress. |
546,68 |
1 |
546,684 |
0,252 |
0,628 |
Residual |
19529,86 |
9 |
2169,985 |
|
|
Total |
20076,55 |
|
|
|
|
Шаг 5. Повторяем процедуру для последних 11 значений при этом в поле By Expression необходимо указать v0>24. В результате оценивания модели получаем следующие оценки.
Таблица 4.10 – Результаты дисперсионного анализа для модели по последним 11 наблюдениям
|
Sums of Squares |
df |
Mean Squares |
F |
p-level |
Regress. |
27948,1 |
1 |
27948,07 |
2,252 |
0,168 |
Residual |
111706,5 |
9 |
12411,83 |
|
|
Total |
139654,5 |
|
|
|
|
Шаг 4. Рассчитываем фактическое значение F-статистики Гольфельда-Квандта, для этого возьмем соответствующие значения, стоящие на пересечении строки Residual и столбца Sums of Squares, т.е. 19529,86/111706,5 = 0,175. Табличное значение F-критерия Фишера при степенях свободы v1=8 и v2=8 равно 3,44, т.е. получаем Fфакт<Fтабл значит, гипотеза об отсутствии гетероскедостичности принимается.
