- •Економетрія
- •Змістовий модуль 1: постановка задачі економетричного моделювання
- •1.1. Предмет, заВдання і зміст економетричного моделювання
- •1.1.1. Предмет економетрії
- •1.1.2. Проблеми і завдання економетричного моделювання
- •1.1.3. Зміст (послідовність) економетричного моделювання
- •1.2. Формування матриці даних для економетричного моделювання
- •1.2.1 Загальна характеристика матриці
- •1.2.2 Змінні в матриці
- •1.2.3. Об’єкти спостереження в матриці
- •1.2.4. Вимоги до розмірів матриці
- •1.2.5. Показники варіації змінних
- •1.2.6. Поля кореляції і їх аналіз
- •1.2.7. Вилучення аномальних об’єктів спостереження
- •1.3. Комплекс контрольних завдань
- •Навчальні елементи, що підлягають контролю і оцінюванню:
- •1.3.1. Тестові завдання
- •1.3.2. Логічні вправи
- •1.3.3. Розрахункові вправи
- •Змістовий модуль 2: специфікація економетричних моделей
- •2.1. Ідентифікація незалежних змінних
- •2.1.1. Мета і послідовність ідентифікації
- •2.1.2. Коефіцієнти парної кореляції і детермінації
- •2.1.3. Тестування суттєвості (невипадковості) коефіцієнтів кореляції
- •2.1.4. Інтервали довіри для коефіцієнтів кореляції
- •2.1.5 Мультиколінеарність
- •2.1.6. Бета - коефіцієнти
- •2.1.7. Тестування автономії екзогенних змінних
- •2.1.8. Коефіцієнт множинної кореляції і детермінації
- •2.1.9. Тестування значущості вкладу факторів у множинну детермінацію
- •2.1.10. Вилучення екзогенних змінних
- •2.2. Специфікація аналітичної форми рівнянь регресії
- •2.2.1. Мета і способи специфікації
- •2.2.2. Аналітичні форми рівнянь регресії
- •2.2.3. Спосіб перших різниць
- •2.2.4. Лінеаризація нелінійних рівнянь регресії
- •2.3. Комплекс контрольних завдань
- •Навчальні елементи, що підлягають контролю і оцінюванню:
- •2.3.1. Тестові завдання
- •2.3.2. Логічні вправи
- •2.3.3. Розрахункові вправи
- •Змістовий модуль 3: оцінювання параметрів економетричних моделей
- •3.1. Оцінювання параметрів рівнянь регресії
- •3.1.1. Мета і вимоги до оцінювання параметрів
- •3.1.2. Основні припущення щодо оцінювання параметрів
- •3.1.3. Метод найменших квадратів
- •3.1.4. Виконання за мнк основних припущень щодо оцінювання параметрів
- •3.1.5. Гетероскедастичність
- •3.1.6. Автокореляція
- •3.1.7. Значущість (адекватність) рівняння регресії
- •3.1.8. Перевірка значущості параметрів моделі
- •3.1.9. Інтервали довіри до коефіцієнтів регресії
- •3.2. Прогнозування залежної змінної
- •3.2.1. Прогнозування на парних моделях
- •3.2.2. Прогнозування на множинних моделях
- •3.3. Комплекс контрольних завдань
- •Навчальні елементи, що підлягають контролю і оцінюванню:
- •3.3.1. Тестові завдання
- •3.3.2. Логічні вправи
- •3.3.3. Розрахункові вправи
- •4. Відповіді до розрахункових вправ
- •Економетричних моделей
- •Список літератури
- •Критичні значення t для побудови прямокутного шаблону двомірного розсіювання*
- •Значення f – критерію Фішера
- •Навчальне видання
- •61002, Харків, хнамг, вул. Революції, 12
- •61002, Харків, хнамг, вул. Революції, 12
2.1.5 Мультиколінеарність
Термін «мультиколінеарність» вперше ввів Р. Фріш (1934р.). За Фрішем мультиколінеарність означає, що в багатофакторній регресійній моделі дві або більше, навіть всі незалежні змінні (фактори) зв‘язані між собою і мають певний ступінь кореляції (≠0, і ≠ j ). Це наслідок глобальної тенденції одночасної зміни економічних показників. В економіці взагалі важко уявити відсутність кореляції, її наявність об‘єктивна.
У нашому прикладі кореляція між енергоозброєністю праці і коефіцієнтом постійності ПВП складає (див. табл. 1.5 і 2.1):
,
що свідчить про більш ніж помірну колінеарність цих двох факторів.
Чому наявність мультиколінеарності є проблемою, які негативні наслідки в економетричному моделюванні вона породжує? Відповідь проста: мультиколінеарність не дозволяє обґрунтовано оцінити параметри рівняння регресії, помилки цих оцінок великі. При наявності сильної мультиколінеарності (1,і ≠ j) може статися, що не тільки абсолютні величини коефіцієнтів регресії оцінені неправильно , а і їх знаки.
Тестування наявності і визначення сили мультиколінеарності не має єдиного підходу. Тому наведемо кілька простих методів тестування.
Мультиколінеарність наявна, якщо сума парних коефіцієнтів детермінації перевищує 1, тобто
>1.
У нашому прикладі саме це і спостерігається . Це означає, що оцінкиізавищені саме через колінеарність цих факторів.
Чим більше перевищує одиницю, тим більше сила мультиколінеарності, тому що за відсутності мультиколінеарності
<1.
Поширеним тестом на наявність мультиколінеарності є великі величини коефіцієнтів кореляції між окремими парами змінних. Якщо значення хоча б одного коефіцієнта кореляції більше 0,8, то мультиколінеарність є серйозною проблемою. Але недоліком цього тесту є те, що високе значення парних коефіцієнтів кореляції – необхідна, але не достатня умова наявності мультиколінеарності.
Для визначення наявності й сили (рівня) колінеарності можна застосувати порівняння коефіцієнтів взаємної кореляції () з коефіцієнтами кореляції залежної змінної з факторами ():
матриця коефіцієнтів взаємної кореляції |
вектор коефіцієнтів кореляції |
Тести такі:
якщо ≠0, мультиколінеарність наявна;
якщо всі <, мультиколінеарність є , але вона слабка;
якщо всі знаходяться в межах віддо, мультиколінеарність помірна;
якщо хоча б один >, мультиколінеарність сильна.
У нашому прикладі з двома незалежними змінними це порівняння полягає в співставленні двох матриць
Мультиколінеарність, як бачимо, наявна, оскільки. Але її сила або рівень невисокий, слабкий, тому що 0,5774< 0,8981 і 0,7513.
Що робити, коли мультиколінеарність виявлено? Безпомилкових порад немає, оскільки вона є прикладною проблемою. Можна запропонувати декілька простих методів вилучення явища мультиколінеарності, принаймні зниження її рівня:
перетворення незалежних змінних;
вилучення незалежних змінних;
тестування незалежних змінних на автономність.
Перетворення незалежних змінних полягає, наприклад, в заміні якоїсь із сильно корельованих змінних на, заміні абсолютних значеньвідносними величинами, заміні операційної характеристики змінноїіншою і т.п. Це може привести до послаблення мультиколеніарності факторів.
Вилучення незалежних змінних як засіб вилучення або послаблення мультиколеніарності полягає в тому, що з двох змінних з високою коленіарністю (1) вилучають ту, яка має менший коефіцієнт кореляції із залежною змінною (). Але вилучення незалежної змінної з моделі може призводити до помилки ідентифікації. Так, за економічною теорією, для моделювання залежності споживання необхідно включати фактори доходу і багатства, але доход і багатство є сильно корельованими факторами. Тоді вилучення будь-якої з них створюватиме помилку ідентифікації моделі. У таких випадках треба шукати інший спосіб зниження рівня мультиколінеарності.
Сутність методу тестування незалежних змінних на автономність розглянемо в наступному підрозділі.