35. Передумови мнк, теорема Гаусса -Маркова.

Можна показати, що властивості оцінок коефіцієнтів регресії ( ), а також і якість побудованої регресії істотно залежать від властивостей випадкового відхилення ( ). Доведено, що для одержання за МНК найкращих результатів необхідно, щоб виконувався ряд передумов щодо випадкового відхилення.

Передумови МНК (умови Гаусса – Маркова):

1°. Математичне сподівання випадкового відхилення дорівнює нулю: для всіх спостережень.

2°. Дисперсія випадкових відхилень постійна: для будь-яких спостережень і .

Здійсненність даної передумови називається гомоскедастичністю, нездійсненність – гетероскедастичністю.

3°. Випадкові відхилення і є незалежними ( ):

(3)

У випадку, якщо дана умова виконується, то говорять про відсутність автокореляції.

4°. Випадкове відхилення незалежне від пояснюючих змінних:

(4)

5°. Модель є лінійною щодо параметрів.

Теорема Гаусса-Маркова. Якщо передумови 1° – 5° виконані, то оцінки, отримані за МНК, мають наступні властивості:

1. Оцінки є незміщеними, тобто , .

2. Оцінки спроможні (обґрунтовані), тобто дисперсія оцінок параметрів при зростанні числа спостережень прагне до нуля: , .

3. Оцінки ефективні, тобто вони мають найменшу дисперсію в порівнянні з будь-якими іншими оцінками даних параметрів, лінійними щодо величин .

В англомовній літературі такі оцінки називаються BLUE – найкращі лінійні незміщені оцінки. Якщо передумови 2° і 3° порушені, то властивості незміщеності і спроможності зберігаються, а властивість ефективності – ні.

36. Поняття гетероскедастичності та її наслідки.

Однією з таких передумов МНК є умова сталості дисперсій випадкових відхилень :

для будь-яких спостережень і .

Якщо дана передумова виконується, то має місце гомоскедастичністъ (сталість дисперсії відхилень). Невиконання даної передумови називається гетероскедастичністю (дисперсія відхилень не є сталою). Наведемо приклади гомо- і гетероскедастичності на рис. 1, 2 .

Рис. 1 Гомоскедастичність Рис. 2 Гетероскедастичність

37. Поняття мультиколінеарності та її наслідки.

Мультиколінеарність означає існування тісної лінійної залежності, або сильної кореляції, між двома чи більше пояснюючими змінними.

Наслідки мультиколінеарності:

1. великі дисперсії (стандартні помилки) оцінок теоретичних параметрів;

2. зменшуються t - статистики коефіцієнтів, що може привести до невірного висновку про вплив відповідної пояснюючої змінної на залежну змінну;

3. оцінки теоретичних параметрів і їхні стандартні помилки стають дуже чуттєвими до найменшої зміни даних, тобто вони стають нестійкими;

4. можливе одержання невірного знака коефіцієнта регресії.

38. Порівняння двох регресійних моделей. Тест Чоу.