- •ОГЛАВЛЕНИЕ
- •ПРЕДИСЛОВИЕ
- •МЕТОДИЧЕСКИЕ МАТЕРИАЛЫ
- •РАБОЧАЯ ПРОГРАММА ДИСЦИПЛИНЫ
- •РЕКОМЕНДАЦИИ ПО САМОСТОЯТЕЛЬНОЙ РАБОТЕ СТУДЕНТА
- •ТЕОРЕТИЧЕСКИЕ МАТЕРИАЛЫ
- •ГЛАВА 1. СТАТИСТИЧЕСКИЕ ПОНЯТИЯ И РАСПРЕДЕЛЕНИЯ
- •§ 1. Введение
- •§ 2. Суть регрессионного анализа
- •§ 3. Некоторые статистические определения
- •§ 4. Нормальное (гауссовское) распределение
- •§ 5. (хи-квадрат)-распределение
- •§ 6. Распределение Стьюдента (t-распределение)
- •§ 7. F-распределение (распределение дисперсионного отношения)
- •§ 8. Статистическая проверка гипотез
- •§ 9. Определение критических значений распределений Стьюдента и Фишера с использованием программы Microsoft Office Excel
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 2. ПАРНАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ. УСЛОВИЯ ГАУССА–МАРКОВА
- •§ 1. Основные понятия
- •§ 2. Метод наименьших квадратов
- •§ 3. Предпосылки метода наименьших квадратов
- •§ 4. Анализ точности определения оценок коэффициентов регрессии
- •§ 5. Проверка статистической значимости коэффициентов парной линейной регрессии
- •§ 6. Интервальные оценки коэффициентов линейного уравнения регрессии
- •§ 7. Доверительные интервалы для зависимой переменной
- •§ 8. Проверка общего качества уравнения регрессии. Коэффициент детерминации
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 3. МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Определение параметров уравнения регрессии
- •§ 2. Расчет коэффициентов множественной линейной регрессии
- •§ 3. Дисперсии и стандартные ошибки коэффициентов
- •§ 4. Проверка статистической значимости коэффициентов уравнения регрессии
- •§ 5. Интервальные оценки коэффициентов теоретического уравнения регрессии
- •§ 6. Проверка общего качества уравнения регрессии
- •§ 7. Проверка равенства двух коэффициентов детерминации
- •§ 8. Проверка гипотезы о совпадении уравнений регрессии для двух выборок
- •§ 10. Частные уравнения регрессии
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 4. АВТОКОРРЕЛЯЦИЯ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Суть и причины автокорреляции
- •§ 2. Последствия автокорреляции
- •§ 3. Обнаружение автокорреляции. Критерий Дарбина–Уотсона
- •§ 4. Методы устранения автокорреляции
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 5. ГЕТЕРОСКЕДАСТИЧНОСТЬ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Последствия гетероскедастичности
- •§ 3. Обнаружение гетероскедастичности
- •§ 4. Методы смягчения проблемы гетероскедастичности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 6. МУЛЬТИКОЛЛИНЕАРНОСТЬ
- •§ 1. Общие понятия и последствия мультиколлнеарности
- •§ 2. Определение мультиколлинеарности
- •§ 3. Методы устранения мультиколлинеарности
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 7. ФИКТИВНЫЕ ПЕРЕМЕННЫЕ В РЕГРЕССИОННЫХ МОДЕЛЯХ
- •§ 1. Модель с одной фиктивной (бинарной) переменной
- •§ 3. Сравнение двух регрессий
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 8. НЕЛИНЕЙНАЯ РЕГРЕССИЯ
- •§ 1. Общие понятия
- •§ 2. Степенные модели (логарифмические)
- •§ 3. Обратная модель (гиперболическая)
- •§ 4. Полиномиальная модель
- •§ 5. Показательная модель (лог-линейная)
- •§ 6. Выбор формы модели
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 9. ВРЕМЕННЫЕ РЯДЫ
- •§ 1. Общие понятия
- •§ 2. Моделирование тренда временного ряда
- •§ 4. Стационарные ряды
- •§ 5. Процесс авторегрессии AR(p)
- •§ 6. Процессы скользящего среднего MA(q)
- •§ 7. Комбинированные процессы авторегрессии-скользящего среднего ARMA(p, q)
- •§ 8. Модели ARMA, учитывающие наличие сезонности
- •§ 9. Нестационарные временные ряды. Процессы авторегрессии и проинтегрированного скользящего среднего ARIMA(p, k, q)
- •§ 10. Регрессионные модели с распределенными лагами
- •§ 11. Полиномиально распределенные лаги Ш. Алмон
- •Резюме
- •Вопросы для самопроверки
- •ГЛАВА 10. СИСТЕМЫ ОДНОВРЕМЕННЫХ УРАВНЕНИЙ
- •§ 1. Общие понятия
- •§ 2. Идентификация структурной формы модели
- •§ 3. Косвенный метод наименьших квадратов
- •§ 4. Двухшаговый метод наименьших квадратов
- •§ 5. Трехшаговый метод наименьших квадратов
- •Резюме
- •Вопросы для самопроверки
- •ЗАКЛЮЧЕНИЕ
- •ЗАДАНИЯ ДЛЯ КОНТРОЛЯ
- •Тесты для самоконтроля
- •Ключи к тестам для самоконтроля
- •Контрольная работа
- •Вопросы к зачету (экзамену)
- •ГЛОССАРИЙ
- •СПИСОК ЛИТЕРАТУРЫ
где y — прибыль, x1 — выручка, x2 — затраты. Каким числам будут равны коэффициенты уравнения? Чему равен коэффициент детерминации? Как называется такая зависимость?
ГЛАВА 4. АВТОКОРРЕЛЯЦИЯ СЛУЧАЙНЫХ ВОЗМУЩЕНИЙ
Цель: изучение нарушения одной из предпосылок условий Га- усса–Маркова, а именно: независимости случайных возмущений в различных наблюдениях.
Методические указания
Внимание следует обратить на обнаружение автокорреляции остатков, ее последствия и методы устранения. Перед изучением главы следует вернуться к определению коэффициента корреляции. Особое внимание следует обратить на статистику Дарбина– Уотсона и метод Кохрана–Оркатта. Отметим, что при переводе фамилий некоторых ученых на русский язык встречаются различные варианты их написания. Для определения критических значений статистики Дарбина–Уотсона придется обратиться к соответствующей таблице. Обратите внимание на вычисление коэффициентов по формуле Эйткена и сравните ее с формулой обычного метода наименьших квадратов. Запомните, что метод, применяемый в случае автокорреляции остатков и (или) гетероскедастичности остатков, называется обобщенным методом наименьших квадратов.
§1. Суть и причины автокорреляции
Вклассической регрессии предполагается, что случайная составляющая модели во всех наблюдениях имеет математическое ожидание, равное нулю. Данное условие фактически всегда выполняется, поскольку ненулевое математическое ожидание случайной составляющей всегда можно включить в свободный член уравнения регрессии. Чтобы глубже понять роль предпосылок о гомоскедастичности и некоррелированности случайного фактора в различных наблюдениях, рассмотрим ковариационную матрицу вектора случайных отклонений:
87
|
σε2 |
1 |
|
σε1ε2 |
σε1ε3 ... |
||||||
|
|
|
|
|
σε2 |
|
|
σε2ε3 ... |
|||
σε2ε1 |
2 |
|
|||||||||
M [ε εT ]= σ |
ε3ε1 |
σ |
ε3ε2 |
σ2 ... |
|||||||
|
|
|
ε |
3 |
|
||||||
... |
|
|
|
... |
|
|
... ... |
||||
σε |
ε |
1 |
σε |
ε |
2 |
σε |
ε |
... |
|||
|
|
n |
|
|
n |
|
n |
|
3 |
σε1εn
σε2εn
σε3εn . (4.1)
...
σε2 n
Данная матрица симметрична.
В случае гомоскедастичности случайных возмущений и при их некоррелированности (отсутствии автокорреляции):
|
|
|
σ2ε |
0 |
... |
0 |
|
|
|
|
T |
|
0 |
σ2ε |
... |
0 |
|
2 |
|
M ε ε |
= ... |
... |
... |
... |
=σεE , |
(4.2) |
|||
|
|
|
0 |
0 |
... |
|
|
|
|
|
|
|
σ2ε |
|
|
где E — единичная матрица. При выполнении данных предпосылок оценки параметров модели, полученные методом наименьших квадратов, имеют минимальную дисперсию, т. е. обладают свойством эффективности.
В эконометрической литературе линейную модель регрессии с ковариационной матрицей общего вида называют обобщенной ли-
нейной регрессионной моделью.
Важной предпосылкой построения качественной регрессионной модели по МНК является независимость значений случайных отклонений εi от значений отклонений во всех других наблюдениях. Отсутствие зависимости гарантирует отсутствие коррелированности между любыми отклонениями (σ (εi ,ε j )= cov(εi ,ε j )= 0 при i ≠ j)
и, в частности, между соседними отклонениями σ(εi−1, εi)=0; при
i = 2, 3, …, n.
Автокорреляция (последовательная корреляция) определяется как корреляция между наблюдаемыми показателями, упорядоченными во времени (временные ряды) или в пространстве (перекрестные данные). Автокорреляция остатков (отклонений) обычно встречается в регрессионном анализе при использовании данных
88
временных рядов. При использовании перекрестных данных наличие автокорреляции (пространственной корреляции) крайне редко. Поэтому в дальнейших выкладках вместо символа i порядкового номера наблюдения будем использовать символ t, отражающий момент наблюдения. Объем выборки при этом будем обозначать символом T вместо n. В экономических задачах значительно чаще встречается так называемая положительная ав-
токорреляция (σ(εt−1, εt )>0), нежели отрицательная автокорре-
ляция (σ(εt−1, εt )<0). В большинстве случаев положительная авто-
корреляция вызывается направленным постоянным воздействием некоторых не учтенных в модели факторов.
Суть автокорреляции поясним следующим примером. Пусть исследуется спрос Y на прохладительные напитки в зависимости от дохода X по ежемесячным данным. Зависимость, отражающая увеличение спроса с ростом дохода, может быть представлена линейной функцией Y = β0 +β1X , изображенной на рис. 4.1.
Y |
X |
Рис. 4.1. Положительная автокорреляция |
Отрицательная автокорреляция фактически означает, что за положительным отклонением следует отрицательное и наоборот. Возможная схема рассеивания точек в этом случае представлена на рис. 4.2. Такая ситуация может иметь место, например, если ту же зависимость между спросом на прохладительные напитки и доходами рассматривать по сезонным данным (зима — лето).
89
Среди основных причин, вызывающих появление автокорреляции, можно выделить ошибки спецификации, инерцию в изменении экономических показателей, эффект паутины, сглаживание данных.
Ошибки спецификации. Отсутствие в модели какой-либо важной объясняющей переменной либо неправильный выбор формы зависимости обычно приводит к системным отклонениям точек наблюдений от линии регрессии, что может обусловить автокорреляцию.
Рис. 4.2. Отрицательная автокорреляция
Инерция. Многие экономические показатели (например, инфляция, безработица, ВНП и т. п.) обладают определенной цикличностью, связанной с волнообразностью деловой активности.
Эффект паутины. Во многих производственных и других сферах экономические показатели реагируют на изменение экономических условий с запаздыванием (временным лагом). Например, предложение сельскохозяйственной продукции реагирует на изменение цены с запаздыванием (равным периоду созревания урожая). Большая цена сельскохозяйственной продукции в прошедшем году вызовет (скорее всего) ее перепроизводство в текущем году, следовательно, цена на нее снизится и т. д.
Сглаживание данных. Зачастую данные по некоторому продолжительному временному периоду получают усреднением данных по составляющим его интервалам. Это может привести к определенному сглаживанию колебаний, которые имелись внутри
90