Эконометрика / 12
.docx
1. Суть гетероскедастичности и её последствия.
2. Обнаружение гетероскедастичности.
1. Суть гетероскедастичности.
Одной из ключевых предпосылок МНК является условие постоянства дисперсий случайных отклонений: дисперсия случайных отклонений постоянна. для любых наблюдений i иj.
Выполнимость данной предпосылки называется гомоскедастичностъю (постоянством дисперсии отклонений). Невыполнимость данной предпосылки называется гетероскедастичностъю (непостоянством дисперсий отклонений).
Наличие гетероскедастичности можно наглядно видеть из поля корреляции (рис. 1).
а б
в
Рис. 1 Примеры гетероскедастичности.
На рис. 1 изображено: а – дисперсия остатков растет по мере увеличения ; б – дисперсия остатков достигает максимальной величины при средних значениях переменной и уменьшается при минимальных и максимальных значениях ; в – максимальная дисперсия остатков при малых значениях и дисперсия остатков однородна по мере увеличения значений .
Последствия гетероскедастичности:
- оценка параметров уравнения регрессии становятся неэффективными;
- оценки стандартных ошибок параметров регрессии будут неверными.
2. Обнаружение гетероскедастичности.
Наиболее популярным является тест Голдфелда-Квандта.
Данный тест используется для проверки следующего типа гетероскедастичности: когда среднее квадратическое отклонение случайной составляющей пропорционально значению признака-фактора в -м наблюдении. При этом делается предположение, что случайная составляющая распределена нормально.
Алгоритм-тест Голдфелда-Квандта приведен ниже.
Все наблюдения ; упорядочиваются по значению .
Оценивается регрессия: для первых наблюдений.
Оценивается регрессия: для последних наблюдений .
Рассчитывают суммы квадратов отклонений фактических значений признака-результата от его расчетных значений для обеих регрессий:
и .
Находят отношение сумм квадратов отклонений: (или ). В числителе должна быть наибольшая из сумм квадратов отклонений. Данное отношение имеет распределение со степенями свободы: и , где - число оцениваемых параметров в уравнении регрессии.
Если , то гетероскедастичность имеет место.
Если в модели более одного фактора, то наблюдения должны упорядочиваться по тому фактору, который, как предполагается, теснее связан с , и должно быть больше, чем .