- •1. Оцінка параметрів лінійної регресії методом найменших квадратів
- •2.Коефіцієнти кореляції та детермінації
- •3. Властивості оцінок параметрів лінійної регресії
- •2.1. Ознаки мультиколінеарності
- •Високе значення парних коефіцієнтів кореляції між незалежними змінними.
- •12. Параметричний тест Голдфелда-Квондта
- •Алгоритм тесту
- •15. Алгоритм тесту Дарбіна - Уотсона
12. Параметричний тест Голдфелда-Квондта
Цей тест застосовується в основному для невеликих вибірок. В основу цього тесту покладено припущення, що дисперсія залишків зростає пропорційно до квадрату однієї з пояснюючих змінних xj, тобто розглядається випадок коли , де - невідомий коефіцієнт пропорційності (константа). Залишки, при цьому розподілені за нормальним законом і некорельовані.
Алгоритм тесту
Крок 1. Виконується впорядкування (ранжування) спостережень у статистичній вибірці в порядку зростання (або спаду) значень пояснюючої змінної xj.
Крок 2. З усіх спостережень впорядкованої вибірки відкидається с спостережень, які містяться у центрі вибірки. Ця кількість згідно рекомендацій авторів тесту визначається із співвідношення
. ( 6 )
У результаті цього утворюються дві підвибірки розміром .
Крок 3. Для кожної підвибірки на основі 1МНК будується окрема регресійна модель.
Крок 4. Для кожної підвибірки визначається сума квадратів залишків SSE1 і SSE2:
, ( 7 )
, ( 8 )
де е1,i – залишки для першої моделі (побудованої на основі першої підвибірки), е2,i –залишки для другої моделі(побудованої на основі другої підвибірки) .
Крок 5. Для порівняння зазначених дисперсій обчислюється наступна F – статистика (критерій Фішера ) :
, ( 9 )
яка порівнюється з табличним значення F – критерію Fтабл,, що визначається за статистичними таблицями F – розподілу Фішера для заданого рівня значимості і ступенів вільності , де n – загальна кількість спостережень, k – кількість параметрів моделі, с – кількість відкинутих спостережень.
Якщо виконується умова F* > Fтабл, то гетероскедастичність присутня. У протилежному випадку маємо випадок гомоскедастичності. Слід зазначити, чим більше значення критерію F, обчисленому за виразом ( 8 ), тим більше ефект гетероскедастичності стохастичної складової моделі.
13. Економетрична модель, якій притаманна гетероскедастичність є узагальненою моделлю, і для оцінювання її параметрів використовується так званий узагальнений метод найменших квадратів (УМНК) , або метод Ейткена. Свою назву метод отримав внаслідок його застосування для оцінювання параметрів моделі, для якої дисперсійно-коваріаційна матриця стохастичної складової моделі приймається у найбільш загальному вигляді ( 3 ), тобто допускається одночасно і гетероскедастичність і автокореляція залишків.
В основу методу Ейткена покладено ідею трансформації економетричної моделі, якій притаманна гетероскедастичність у класичну гомоскедастичну с подальшим застосуванням до такої трансформованої моделі процедури 1 МНК для оцінювання параметрів узагальненої моделі, якій притаманна гетероскедастичність. Трансформація вихідної моделі у гомоскедастичну відбувається шляхом корегування вихідної статистичної інформації стосовно змінних моделі. Спосіб і форма корегування вихідних даних визначаються, при цьому , формою залежності дисперсії стохастичної складової від тієї чи іншої пояснюючої змінної моделі.
Розглянемо більш докладно цей метод. Нехай є економетрична модель
, ( 10 )
для якої , де - як і раніше, деяка невідома константа , S – відома квадратна додатньо визначена матриця розмірністю nn, яка у випадку гетероскедастичності ,як показано раніше, є діагональною матрицею і має наступний вигляд :
, ( 11 )
де - власні значення цієї матриці.
Оскільки матриця S симетрична і додатньо визначена, то використовуючи теорію матриць її можна подати у наступному вигляді:
, ( 12 )
де матриця P є не виродженою і має вигляд
, ( 13 )
а обернена до неї відповідно :
. ( 14 )
Базуючись на особливостях матриць S i P запишемо деякі співвідношення між ними і оберненими до них :
( 15 )
і . ( 16 )
Помноживши рівняння ( 10 ) на матрицю P-1, дістанемо :
( 17 )
Введемо наступні позначення : .
Тоді модель матиме вигляд:
. ( 18 )
Використовуючи ( 16 ) можна показати, що для цієї перетвореної моделі гетероскедастичність відсутня, оскільки
,
що дає змогу застосувати до трансформаційної моделі (18) 1МНК . Тоді отримаємо :
,
або з врахуванням ( 16 ) остаточно
. ( 19 )
Таким чином, якщо матриця S відома, за формулою ( 19 ) можна завжди обчислити оцінки параметрів моделі у разі гетероскедастичності. Проблема полягає у визначені власних Оскільки дійсні значення випадкової величини ,як правило невідомі, значення і у матриці S можна обчислити користуючись різними гіпотезами відносно зв’язку дисперсії і деякої пояснюючої змінної хj. В основному при цьому використовуються наступні 2 гіпотези.
Гіпотеза 1. Дисперсія залишків пропорційна до зміни пояснюючої змінної хj - . Тоді величини і визначається як:
. ( 20 )
Гіпотеза 2. Дисперсія залишків пропорційна до зміни квадрату пояснюючої змінної хj - . Величини і визначається для цієї гіпотези як:
.
14. Автокореляцією залишків називається залежність між послідовними значеннями стохастичної складової моделі .
Негативними наслідками цього, як і у випадку гетероскедастичності, буде :
завищені значення дисперсії параметрів моделі ;
помилки при використанні t – тестів і F – тестів ;
неефективність прогнозів, тобто отримання прогнозів з дуже великою дисперсією.