- •1. Оцінка параметрів лінійної регресії методом найменших квадратів
- •2. Коефіцієнт кореляції та детермінації
- •3. Властивості оцінок параметрів лінійної регресії
- •4. Перевірка лінійної регресії на адекватність (значимість) за допомогою f-критерію Фішера.
- •5. Перевірка значимості параметрів регресійної моделі за допомогою t-критерію Ст’юдента
- •6. Коефіцієнт еластичності. Довірчі інтервали (інтервали довіри). Прогнозування за допомогою моделі парної лінійної регресії
- •7.Нелінійна регресія
- •8. Поняття мультиколінеарності, основні її ознаки та наслідки
- •9. Методи усунення мультиколінеарності
- •10. Алгоритм Фарара-Глобера
- •11. Поняття гетероскедастичності та її наслідки
- •12. Тест Голдфельда-Квандта
- •13. Знаходження оцінок параметрів моделі за допомогою узагальненого методу найменших квадратів (метод Ейткена)
- •14. Поняття автокореляції та її наслідки
- •15. Критерій Дарбіна-Уотсона
- •16. Оцінювання параметрів економетричної моделі узагальненим методом найменших квадратів при наявності автокореляції
11. Поняття гетероскедастичності та її наслідки
Розглянемо економетрична модель множинної лінійної регресії:
Оцінку параметрів моделі можна знаходити методом найменших квадратів, якщо випадкова складова мала нормальний закон розподілу і сталу дисперсію. Зокрема, сталість дисперсії означала, що , для довільних спостережень і, j.
Якщо дисперсія залишків стала (постійна) для кожного спостереження, то ця властивість дисперсії називається гомоскедастичністю.
Гомоскедастичність означає, що ймовірність того, що випадкова величина набуває визначене значення буде однаковою для всіх спостережень.
Якщо дисперсія залишків змінюється для кожного спостереження або групи спостережень це явище називається гетероскедастичність. (графіки)
Наслідки: висновки відносно оцінок параметрів моделі, інтервалі довіри, а також відносно перевірки статистичних гіпотез можуть бути хибними (невірними). Це пов’язано з тим, що оцінка дисперсії помилок при наявності гетероскедастичності не може бути обчислена за формулою:
Для перевірки встановлення наявності гетероскедастичності є різні методи, які залежать від об’єму вибірки. До основних з них можна віднести:
-тест – для великого об’єму вибірки;
ест Парка;
Тест Глейсера;
Тест Голтфельда-Квандта.
Ідея всіх тестів полягає в тому, що в апріорі вважають, що дисперсія залишків має певну залежність. Вид цієї залежності встановлюється з різних припущень.
12. Тест Голдфельда-Квандта
Розглянемо тест Голдфельда-Квандта. Припустимо, що дисперсія залишків моделі змінюється пропорційно до квадрату однієї змінної моделі, тобто:
, де
Ідея тесту: вся вибірка впорядковується в порядку зростання змінної , потім впорядковану вибірку за певним критерієм розбивають на три частини і з розгляду виключають середню частину вибірки. Для кожної із частин, які залишились знаходять оцінки параметрів моделі методом найменших квадратів. У отриманих двох вибіркових моделях обчислюють суми квадратів залишків і за допомогою F-критерію встановлюють відсутність чи наявність гетероскедастичності.
Алгоритм тесту:
Вибірку впорядковують по зростанню фактора (всі елементи вибірки):
Розбивають вибірку на три частини. Значення c вибирають таким чином, щоб .
З вибірки викидають середні значення.
Для першої і третьої частин вибірки знаходять методом найменших квадратів оцінки параметрів моделі. В результаті отримують дві вибіркові регресійні прямі:
Знаходять суми квадратів залишків для кожної із моделей:
Задають F-критерій:
Вважають, що він має розподіл Фішера з ступенями вільності.
Формулюють статистичні гіпотези:
присутня гомоскедастичність
присутня гетероскедастичність
Знаходять фактичне значення критерію .
За таблицями розподілу Фішера знаходять критичне значення для ступенів вільності і заданого рівня значимості .
Якщо , приймається нульова гіпотеза і вважається, що присутня гомоскедастичність. Якщо , приймається альтернативна гіпотеза і вважається, що присутня гетероскедастичність.