- •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
3.1.4. Виконання за мнк основних припущень щодо оцінювання параметрів
У табл. 3.1 для нашого наскрізного прикладу за економетричною моделлю рентабельності (3.3) представлені розрахунки оцінок рентабельності й визначені помилки оцінок (залишки). Отримані результати, по – перше, підтверджують формальну правильність оцінок параметрів рівняння регресії тому, що Р = =282,6 і еj = 0, і, по друге, вони знадобляться нам у подальших оцінках якості отриманої моделі.
Таблиця 3.1 − Розрахунок оцінок рентабельності за моделлю
= 3,2427 + 0,6556Е + 0,0569К
j |
P |
E |
K |
0,6556E |
0,0569K |
еj | |
1 |
6,7 |
1,5 |
46 |
0.98 |
2,62 |
6,84 |
– 0,14 |
2 |
7,3 |
1,7 |
49 |
1,12 |
2,79 |
7,15 |
0,15 |
3 |
11,5 |
6,4 |
68 |
4,20 |
3,87 |
11,31 |
0.19 |
… |
… |
… |
… |
… |
… |
… |
… |
29 |
12,0 |
7,1 |
56 |
4,66 |
3,19 |
11,10 |
0,90 |
30 |
9,5 |
5,2 |
60 |
3,41 |
3,41 |
10,06 |
– 0,56 |
∑ |
282,6 |
– |
– |
– |
– |
282,60 |
0 |
Викладений і проілюстрований на прикладі метод найменших квадратів дозволяє отримати незміщені, обгрунтовані й ефективні оцінки, тобто найкращі BLUE – оцінки параметрів рівняння регресії (див. підрозділ 3.1), але тільки за умови виконання припущень,викладенних в підрозділі 3.2.
Припущення 1 для лінійної і квазілінійної регресії виконується автоматично, а для суттєво нелінійної – лише шляхом лінеаризації рівняння регресії.
Припущення 2 (Е (ε) = 0) завдяки властивостям методу найменших квадратів також не порушується. Такі ж висновки можна зробити відносно припущень 5, 6. Припущення 7 про некорельованість незалежних змінних у принципі порушується завжди. Але, якщо за γ – тектом вилучити сильно корельовані змінні xi, які можуть мати ненадійні і навідь алогічні оцінки параметрів аi, явище мультиколінеарності можна достатньо суттєво усунути (див. підрозділи 3.4 і 3.5).
Отже, лишаються припущення 3 щодо гомоскедастичності і припущення 4 щодо відсутності автокореляції залишків еj.
3.1.5. Гетероскедастичність
Нагадаємо, що припущення 3 про гомоскедастичність залишків еj полягає в тому, що De = = const, тобто що De ≠ f(xi).
Д
а) б)
Рис. 3.2 − Графічні ознаки
відсутності й наявності гетероскедастичності
Серед аналітичних тестів наявності (відсутності) гетероскедастичності найпростішим є тест рангової кореляції Спірмана
rs = 1 – , (3.10)
де – різниця в рангах незалежної змінної xj і залишку еj. Для множинної кореляції, врховуючи, що xi це x1 , x2 , …, xm і те, що у = f (x1 , x2 , …, xm), замість xi можна без суттєвої помилки ранжувати yj.
Спочатку ранжуємо yj від найменшого до найбільшого значень і присвоюємо їм ранги від 1 до n, потім визначаємо за тим же принципом ранги відповідних еj і, нарешті, знаходимо різниці в рангах для кожної пари yj і еj , тобто dj.
Для нашого наскрізного прикладу такі розрахунки наведені в табл. 3.2.
Таблиця 3.2 − Розрахунок dj для визначення коефіцієнта рангової кореляції Спірмана
j |
Pj |
Ранг Pj |
еj |
Ранг еj |
dj | |
1 |
6,7 |
2 |
– 0,14 |
5 |
– 3 |
9 |
2 |
7,3 |
3 |
0,15 |
6 |
– 3 |
9 |
3 |
11,5 |
24 |
0,19 |
10 |
14 |
196 |
… |
… |
… |
… |
… |
… |
… |
29 |
12,0 |
26 |
0,90 |
24 |
2 |
4 |
30 |
9,5 |
14 |
– 0,56 |
18 |
– 4 |
16 |
∑ |
282,6 |
– |
0 |
– |
– |
3492 |
За даними табл. 3.2 коефіцієнт рангової кореляції у нашому прикладі становить за формулою (3.10)
= 1 – = 0,14
Перевіримо значущість отриманого коефіцієнта рангової кореляції за t – статистикою Стьюдента. Для цього визначимо t – статистику за формулою
t = , (3.11)
де – коефіцієнт рангової кореляції, і порівняємо його з критичним за таблицеюt – розподілу Стьюдента (додаток 3). Якщо t ≤ tкр, то коефіцієнт рангової кореляції є незначущим і гетероскедастичність залишків еj вважається відсутньою і навпаки.
У нашому прикладі за формулою (3.11) маємо
t = == 0,734.
За додатком 3 визначаємо при числі ступенів свободи 29 – 2 – 1 = 26 і P = 0,95, що tкр = 2,05. Отже залишки еj в моделі (3.3) гомоскедастичні, тому що 0,734 < 2,05. Таким чином, за тестуванням на наявність гетероскедастичності параметри моделі (3.3) незміщені, обгрунтовані і ефективні.