- •Эконометрика
- •Введение
- •1. Модели статистической взаимосвязи
- •1.1. Типы взаимосвязи между явлениями
- •1.2. Типы данных
- •1.3. Типы моделей
- •Контрольные вопросы
- •2. Двухмерная модель линейной регрессии
- •2.1. Определение параметров млр. Метод наименьших квадратов
- •2.2. Матричная форма записи при определении параметров млр
- •2.3. Корреляционный анализ млр
- •2.4. Оценка ошибок моделирования
- •2.4.1. Основные условия (гипотезы) анализа ошибок
- •2.4.2. Ошибки оценок параметров модели
- •2.4.3. Оптимальность оценок мнк Теорема Гаусса-Маркова.
- •2.4.4. Оценка прогноза показателя и ошибок прогнозирования
- •2.5. Установление существенности связи на основе теории статистической проверки гипотез
- •2.5.1. Распределения случайных величин Нормальное распределение (Гаусса)
- •Распределение Пирсона (2-распределение)
- •Распределение Фишера
- •Распределение Стьюдента (t-распределение)
- •Статистическая проверка гипотез
- •Контрольные вопросы
- •3. Многомерная модель линейной регрессии
- •3.1. Определение параметров модели методом наименьших квадратов
- •3.2. Определение оценок параметров млр через отклонения (уменьшение числа уравнений системы до k – 1)
- •3.3. Статистические свойства оценок параметров млр
- •3.3.1. Условия анализа
- •3.3.2. Среднеквадратичные ошибки оценок параметров млр
- •3.3.3. Ошибки прогнозирования
- •3.4. Коэффициент детерминации многомерной млр
- •3.5. Определение существенности статистической связи между факторами и показателем
- •Контрольные вопросы
- •4. Мультиколлинеарность
- •4.1. Выражение для оценки параметров млр в стандартизованной форме
- •4.2. Тестирование на мультиколлинеарность методом Феррара-Глобера
- •4.2.1. Проверка на общую мультиколлинеарность
- •4.2.2. Проверка мультиколлинеарности между парами факторов
- •Контрольные вопросы
- •5. Автокорреляция
- •5.1. Обобщенный метод наименьших квадратов
- •5.2. Авторегрессионый процесс первого порядка
- •5.3. Тест Дарбина-Уотсона на автокорреляцию
- •Контрольные вопросы
- •6. Двухмерная модель нелинейной регрессии
- •6.1. Трехпараметрическая парабола
- •6.2. Двухпараметрическая парабола
- •6.3. Обзор двухпараметрических нелинейных моделей парной регрессии
- •Экспоненциальная модель
- •Логарифмическая модель
- •Гиперболическая модель
- •Контрольные вопросы
- •Литература
- •Приложение 1
- •Приложение 2
- •Приложение 3
- •Приложение 4
- •Приложение 5
5.3. Тест Дарбина-Уотсона на автокорреляцию
О наличии или отсутствии автокорреляции во временном ряде ограниченного объема n можно судить по остаткам регрессии еi. Как обычно, задаются две альтернативные гипотезы: Н0 – гипотеза об отсутствии автокорреляции ( = 0) с вероятностью Р; Н1 – гипотеза о наличии автокорреляции ( 0) с вероятностью 1 – Р.
Дарбин и Уотсон (Durbin-Watson) предложили оценивать наличие автокорреляции с помощью статистики
(5.11)
Её можно выразить следующим образом
(5.12)
Здесь нормировка функции (5.1) к сумме квадратов ошибок определяется как выборочный коэффициент автокорреляции первого порядка
(5.13)
При больших объемах выборки можно пренебречь последним слагаемым в (5.12) (его порядок – 2/n), тогда с учетом (5.13) статистика Дарбина-Уотсона
DW 2(1 – r). (5.14)
Область значений величины DW лежит в пределах от 0 до 4. При сильной положительной автокорреляции r → 1 и DW → 0. Напротив, при сильной отрицательной корреляции r → – 1 и DW → 4. Наконец, в отсутствии автокорреляции r = 0 и DW = 2.
На основе распределения величины DW и заданного уровня значимости (например, с вероятностью Р = 0,95) Дарбин и Уотсон рассчитали верхние и нижние границы критических значений статистики (5.11) du (upper – верхняя) и dl (low – нижняя). Эти значения для известных Р, n и k табулированы (Приложение 5). При положительной автокорреляции область рассчитанных значений du < DW 2 отвечает гипотезе Н0 (отсутствие автокорреляции с вероятностью Р), а область 0 < DW < dl – гипотезе Н1 (наличие автокорреляции). Промежуточные значения dl < DW < du называют областью неопределенности (не принимается ни одна из гипотез). Тест Дарбина и Уотсона применим также и для случая отрицательной автокорреляции, которая наблюдается при частой смене знаков остатков регрессии ei . В этом случае область 2 DW < 4 – du отвечает гипотезе Н0 (отсутствие автокорреляции с вероятностью Р), область 4 – du < DW < 4 – dl является областью неопределенности, и, наконец, область 4 – dl < DW < 4 – гипотезе Н1 (наличие автокорреляции). Перечисленные области представлены в таблице 5.1.
Таблица 5.1
DW: |
(0, dl) |
(dl , du) |
(du, 4 – du) |
(4 – du, 4 – dl) |
(4 – dl, 0) |
Нi: |
Гипотеза Н1: есть автокорреляция |
??? |
Гипотеза Н0: нет автокорреляции |
??? |
Гипотеза Н1: есть автокорреляция |
Пример 5.1. Оценим наличие автокорреляции для данных примера 4.3. Согласно расчетам, приведенным в таблице 4.3, имеем
Получили небольшую отрицательную автокорреляцию. Тогда
DW = 2(1 – r) = 2,4.
Из Приложения 5 для k = 4, n = 11 и P = 0,95 выписываем значения границ: dl = 0,60, du = 1,93. Отсюда следует, что значение DW = 2,4 попадает в интервал [4 – 1,93, 4 – 0,6] = [2,07; 3,4]. Эта область, как видно из таблицы 5.1, является областью неопределенности. Таким образом, нельзя с определенностью (с вероятностью 0,95) утверждать ни о наличии, ни об отсутствии автокорреляции в данной модели.
Заметим, что выборочный коэффициент автокорреляции (5.13) r обычно используется как оценка параметра авторегрессионной модели. Его следует учитывать при коррекции оценок параметров модели за счет наличия автокорреляции (формулы (5.4), (5.8)). Для этого может использоваться рассмотренная в п.5.2 итерационная процедура Кохрейна-Оркотта.
Задачи
Данные о числе ДТП в области за 10 месяцев года приведены в таблице
№ месяца |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Число ДТП |
223 |
226 |
241 |
236 |
234 |
243 |
249 |
257 |
252 |
247 |
Построить линейный тренд (с МНК оценками параметров тренда), найти остатки регрессии тренда, коэффициент автокорреляции остатков и значение DW. C вероятностью 0,95 сделать заключение о наличии или отсутствии автокорреляции (на основе теста Дарбина-Уотсона).
Изменение курса доллара (приращение в коп.) за 7 дней недели характеризуется средними данными
№ дня |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
Приращение курса, коп. |
1 |
1,4 |
2 |
1,8 |
1,4 |
0,5 |
0 |
Методом наименьших квадратов построить линейный тренд изменения курса доллара, найти остатки регрессии тренда, коэффициент автокорреляции остатков и значение DW-статистики. Протестировать модель на автокорреляцию с помощью процедуры Дарбина-Уотсона. Используя найденное значение r как первое приближение, найти ОМНК оценки параметров тренда и второе приближение для коэффициента автокорреляции r.