- •Предисловие
- •Основные понятия
- •Глава 1. Анализ одномерных временных рядов
- •1.1. Анализ временного ряда на стационарность (автокорреляционная функция)
- •1.2. Компоненты временного ряда
- •1.3. Показатели точности прогноза
- •1.4. Сглаживание уровней временных рядов
- •1.5. Аналитическое выравнивание временных рядов
- •1.6. Проверка стабильности модели тренда (тест Чоу)
- •1.7. Применение фиктивных переменных при моделировании тренда
- •1.8. Сезонная декомпозиция временного ряда
- •1.9. Полиномиальные модели экспоненциально взвешенных средних
- •1.10. Моделирование стационарных временных рядов
- •1.10.1. Процессы белого шума и случайного блуждания
- •1.10.2. Процесс случайного блуждания и единичный корень
- •1.10.3. Модели скользящего среднего и процесс белого шума
- •1.10.4. Модели авторегрессии – скользящего среднего (методология Бокса – Дженкинса)
- •Глава 2. Многомерные модели временных рядов
- •2.1. Динамические модели со стационарными переменными
- •2.1.1. Модель коррекции остатков
- •2.1.2. Модель частичного приспособления
- •2.1.3. Уравнения модели с полиномиально распределённым лагом (лаги Алмон)
- •2.1.4. Уравнения модели с геометрически распределённым лагом (метод Койка)
- •2.2. Динамические модели с нестационарными переменными
- •2.2.1. Ложная регрессия
- •2.2.2. Единичные корни и коинтеграция
- •Глава 3. Векторные модели авторегрессии
- •3.1. Общие положения
- •3.2. Тест Гренджера на причинность
- •3.3. Модель коррекции остатков для нестационарных временных рядов
- •Глава 4. Панельные данные
- •4.1. Основные понятия
- •4.2. Модель с фиксированными эффектами
- •4.3. Модель со случайными эффектами
- •4.4. Фиксированные эффекты или случайные?
- •4.5. Качество подгонки панельных данных моделью
- •Библиографический список
- •Оглавление
- •Глава 1. Анализ одномерных временных рядов………….………………...5
- •Глава 2. Многомерные модели временных рядов…………… ……….…45
- •Глава 3. Векторные модели авторегрессии………………………………...64
- •Глава 4. Панельные данные…………………………………………….……76
- •680042, Хабаровск, ул. Тихоокеанская, 134, хгаэп, риц
4.3. Модель со случайными эффектами
В регрессионном анализе обычно предполагается, что все факторы, которые влияют на зависимую переменную, но не вошли в модель в качестве регрессоров, могут в итоге суммироваться в случайном остаточном члене уравнения. В случае панельных данных это приводит к предположению, что эффекты αi являются случайными факторами, независимо и одинаково распределёнными по объектам. В этом случае модель случайных эффектов может быть записана в виде
yit =µ + β + αi + εit, εit НОР(0 , αi НОР(0 ,
где αi + εit рассматривается как остаточный член, состоящий из двух компонент: индивидуальной специфической компоненты, которая не изменяется во времени, и компоненты остатка, которая по предположению является не коррелированной во времени, таким образов, вся корреляция остатков во времени приписывается индивидуальным эффектам αi. Предполагается также, что αi и εit взаимно независимы и независимы от xjs (для всех j и s). Это означает, что МНК-оценки для µ и β в модели со случайными эффектами являются несмещёнными и состоятельными. Структура компонент остатков подразумевает, что составной остаток αi + εit будет иметь определённый вид автокорреляции (если . Следовательно, обычно вычисляемые стандартные ошибки для МНК-оценок будут некорректны и этом случае лучше воспользоваться обобщённым МНК (ОМНК), используя структуру ковариационной матрицы остатков. Так можно получить ОМНК-оценку параметром модели со случайными эффектами.
Оценки параметров модели со случайными эффектами получаются аналогично рассмотренным ранее оценкам с фиксированными эффектами из уравнения регрессии в отклонениях от индивидуальных средних, но взятых с весами υ = 1 – ψ2, где ψ = ):
= µ β + uit.
Оценки со случайными эффектами обозначаются как (random effects).
При ψ = 0 имеем модель с фиксированными эффектами. При ψ = 1 ОМНК-оценка просто является МНК-оценкой. Можно показать, что ОМНК-оценка является средневзвешенной оценкой внутригрупповой и межгрупповой оценок для вектора параметров β. Межгрупповая оценка является обычной МНК-оценкой вектора параметров β в модели индивидуальных средних:
= µ + β + αi + , i = 1,2,…,n.
Таким образом, ОМНК-оценка (оценка параметров модели со случайными эффектами) является матрично-взвешенным средним межгрупповой и внутригрупповой оценок, где веса зависят от соотношения дисперсий этих двух оценок.
Межгрупповая оценка игнорирует любую внутригрупповую информацию. ОМНК-оценка является оптимальной комбинацией внутригрупповой и межгрупповой оценок и поэтому более эффективна, чем любая из этих двух оценок в отдельности. Если объясняющие переменные независимы от всех εit и всех αi, то ОМНК-оценка является несмещённой и состоятельной.
Отметим, что компоненты дисперсий и на практике неизвестны и оцениваются предварительно на основе реализуемого ОМНК. В разных статистических пакетах они могут оцениваться по-разному, поэтому результаты таких оценок могут различаться для разных пакетов.
Оценка, полученная реализуемым ОМНК, называется оценкой со случайными эффектами для вектора неизвестных параметров β (и µ).
По аналогии с моделью с фиксированными эффектами встаёт вопрос: различаются ли компоненты ошибки αi у разных объектов наблюдения?
С этой целью вместо проверки гипотезы о том, что αi = αj для любых i,j формулируется гипотеза в соответствии с постановкой модели со случайными эффектами: H0 : αi = 0 против альтернативы Hа : αi > 0. Для проверки этой гипотезы применяют тест множителей Лагранжа с тестовой статистикой вида (тест Бреуша – Пагана)
LM = )2.
Здесь Если верна нулевая гипотеза и выполняется предпосылка о нормальном распределении ошибок, LM-тест имеет асимптотическое χ2-распределение с одной степенью свободы. Если нулевая гипотеза отклоняется, то имеем модель со случайными эффектами, в противном случае – объединённую модель.