- •1. Основні теоретичні положення регресійного аналізу
- •1.1. Кореляційна залежність
- •1.2. Основні математичні поняття,
- •1.3. Передумови використання
- •2. Парний регресійний аналіз
- •2.1. Лінійна парна регресія
- •2.2. Властивості оцінок
- •2.3. Лінійний коефіцієнт кореляції
- •2.4. Коефіцієнт детермінації
- •2.5. Оцінка значущості рівняння регресії
- •2.6. Прогноз залежної змінної.
- •2.7. Приклад 1.
- •2.8. Нелінійна парна регресія
- •2.9. Дослідження нелінійних рівнянь
- •2.10. Приклад 2.
- •2.11. Побудова функції парної регресії
- •2.12. Побудова графіку функції
- •2.13. Питання для самоперевірки
- •3. Багатофакторний регресійний аналіз
- •3.1. Класична нормальна лінійна модель
- •3.2. Коефіцієнти детермінації і кореляції.
- •3.3. Перевірка значущості параметрів
- •3.4. Прогноз залежної змінної
- •3.5. Приклад 3. Знаходження двофакторної моделі
- •3.6. Використання пакету анализ данных
- •3.7. Використання Excel для розрахунку
- •Введення і підготовка даних
- •4. Мультиколінеарність
- •4.1. Поняття і наслідки мультиколінеарності
- •4.2. Алгоритм Фаррара – Глобера
- •4.3. Приклад 4.
- •4.5. Питання для самоперевірки
- •5. Гетероскедастичність
- •5.1. Поняття гетероскедастичності
- •5.2. Виявлення гетероскедастичності.
- •5.3. Приклад 5. Дослідження даних
- •5.4. Виявлення гетероскедастичності.
- •5.5. Приклад 6. Дослідження даних
- •5.6. Непараметричний тест Гольдфельда-Квандта
- •5.7. Питання для самоперевірки
- •6. Автокореляція
- •6.1. Поняття автокореляції.
- •6.2. Критерій Дарбіна-Уотсона
- •6.3. Приклад 7. Дослідження моделі на наявність
- •6.4. Питання для самоперевірки
- •7. Індивідуальні комплексні завдання
- •Завдання 2
- •Завдання 3
- •Завдання 4
- •Завдання 5
- •Предметний покажчик
- •Література
- •Коефіцієнтів автокореляції залишків
- •Критичні значення і для коефіцієнта автокореляції залишків критерія Дарбіна-Уотсона для
- •Критичні значення і для коефіцієнта автокореляції залишків критерія Дарбіна-Уотсона для
- •Значення критерія Пірсона
- •Квантилі розподілу Стьюдента
- •83050, М. Донецьк, вул. Щорса, 31.
- •83023, М. Донецьк, вул. Харитонова, 10
5.2. Виявлення гетероскедастичності.
Тест Гольдфельда-Квандта
Природа гетероскедастичності, як зазначалося, може приймати різні форми. Для її виявлення застосовують різні методи і тести. Тестів на виявлення гетероскедастичності, по крайній мірі, сім. Як правило, у всіх цих тестах перевіряється основна гіпотеза (залишки гомоскедастичні) проти альтернативної : дисперсія залишків не постійна (залишки гетероскедастичні).
Розглянемо детальніше параметричний тест Гольдфельда-Квандта. Даний тест перевіряє гіпотези – : залишки – гомоскедастичні, проти альтернативної : залишки – гетероскедастичні, коли , тобто дисперсія зростає пропорційно до квадрата однієї із незалежних змінних. В цьому тесті робиться цілком природне для багатьох випадків припущення: розсіяння тим більше, чим більшими є значення фактора.
Тест застосовується до значних за обсягом вибірок, причому ставиться умова, щоб число спостережень було вдвічі більшим за число змінних. Для реалізації тесту необхідно виконати шість кроків.
Крок 1-й. Впорядковуємо спостереження в порядку зростання значень незалежної змінної , . Якщо пояснювальна змінна не одна, то вибирають одну з них, яка найбільш важлива, найбільш сильно впливає на пояснювальну змінну . Якщо таких важливих змінних декілька, то необхідно кожну з них перевіряти на гетероскедастичність.
Крок 2-й. Відкидаємо спостережень. Відкидаються ті спостереження, що знаходяться в центрі впорядкованої сукупності. Емпірично встановлено, що число відкинутих спостережень знаходиться із співвідношення
,
де – обсяг вибірки. Звичайно, що – ціле число.
Решта даних спостереження утворюють дві рівновеликі вибірки, одну з яких утворюють ті спостереження, де значення змінної менші, друга вибірка – та, де значення більші. Якщо виявиться так, що відкинувши спостережень залишиться непарне число спостережень, то можна відкинути ще одне значення, або в одній з двох новоутворених вибірок відкинути одне з крайніх спостережень.
Крок 3-й. Будуються дві економетричні моделі, на основі 1МНК за двома утвореними сукупностями. Ясно, що для побудови цих моделей необхідно, щоб
,
де – число параметрів моделі, - обсяг двох новоутворених рівновеликих вибірок
Для кожної із побудований моделей обчислюються залишки .
Крок 4-й. Обчислюємо суму квадратів залишків для першої і другої моделі:
, .
Крок 5-й. Обчислюємо значення статистики
.
Зауваження. |
В чисельнику повинно стояти більше значення, тобто сума квадратів залишків для сукупності, де значення змінної більші. |
Крок 6-й. Порівнюємо обчислене значення статистики з табличним. Статистика має розподіл Фішера. Обчислене значення порівнюється з табличним , для числа ступенів свободи і рівня значущості , якщо
,
то відкидається гіпотеза про гомоскедастичність залишків, в протилежному випадку приймається.
Якщо виявлено явище гетероскедастичності, то одним із шляхів для побудови економетричної моделі є застосовування узагальненого методу найменших квадратів або ще як він називається, методу Ейткена. Метод Ейткена буде розглянутий в наступних розділах.