- •Методи побудови загальної лінійної моделі
- •4.1. Поняття моделі та етапи її побудови
- •4.2. Специфікація моделі
- •4.3. Передумови застосування методу найменших квадратів (1мнк)
- •4.4. Оператор оцінювання 1мнк
- •4.5. Властивості оцінок параметрів
- •4.6. Коваріаційна матриця оцінок параметрів моделі
- •4.7. Прогноз
- •4.8. Короткі висновки
- •4.9. Запитання та завдання для самостійної роботи
- •4.10. Основні терміни I поняття
- •Дисперсійний аналіз економетричної моделі
- •5.1. Побудова економетричної моделі на основі покрокової регресії
- •5.2. Множинний коефіцієнт кореляції і детермінації
- •5.3. Частинні коефіцієнти кореляції і коефіцієнти регресії
- •5.4. Перевірка значущості і довірчі інтервали
- •5.4.1. Значущість економетричної моделі
- •5.4.2. Значущість коефіцієнта кореляції
- •5.4.3. Значущість оцінок параметрів моделі
- •5.5. Короткі висновки
- •5.6. Запитання та завдання для самостійної роботи
- •5.7. Основні терміни I поняття
- •Мультиколінеарність
- •6.1. Поняття мультиколінеaрності
- •6.2. Ознаки мультиколінеарності
- •6.3. Алгоритм Фаррара - Глобера
- •6.4. Метод головних компонентів
- •Алгoритм головних компонентів
- •6.5. Короткі висновки
- •6.6. Запитання та завдання для самостійної роботи
- •6.7. Основні терміни і поняття
- •Гетероскедастичність
- •7.1. Поняття гетероскедастичності
- •7.2. Методи визначення гетероскедастичності
- •7.2.1. Перевірка гетероскедастичності на основі критерію
- •7.2.2. Параметричний тест Гольдфельда — Квандта
- •7.2.3. Непараметричний тест Гольдфельда - Квандта
- •7.2.4. Тест Глейсера
- •7.3. Визначення матриці s
- •7.4. Узагальнений метод найменших квадратів (метод Ейткена)
- •7.5. Прогноз
- •7.6. Короткі висновки
- •7.7. Запитання та завдання для самостійної роботи
- •7.8. Основні терміни і поняття
- •Автокореляція
- •8.1. Причини виникнення автокореляції в економетричних моделях
- •8.1.1. Поняття автокореляції
- •8.1.2. Наслідки автокореляції залишків
- •8.2. Перевірка наявності автокореляції
- •8.2.1. Критерій Дарбіна — Уотсона
- •8.2.2. Критерій фон Неймана
- •8.2.3. Нециклічний коефіцієнт автокореляції
- •8.2.4. Циклічний коефіцієнт автокореляції
- •8.3. Оцінка параметрів моделі з автокорельованими залишками
- •8.3.1. Метод Ейткена
- •8.3.2. Метод перетворення вихідної інформації
- •8.3.3. Метод Кочрена — Оркатта
- •8.3.4. Метод Дарбіна
- •8.4. Прогноз
- •8.5. Короткі висновки
- •8.6. Запитання та завдання для самостійної роботи
- •8.7. Основні терміни I поняття
- •Метод інструментальних змінних
- •9.1. Властивості оцінок моделі при стохастичних змінних
- •9.2. Метод інструментальних змінних
- •9.3. Визначення інструментальних змінних
- •9.3.1. Оператор оцінювання Вальда
- •9.3.2. Особливості оцінювання методом Бaртлета
- •9.3.3. Оператор оцінювання Дарбіна
- •9.4. Помилки вимірювання змінних
- •9.5. Короткі висновки
- •9.6. Запитання та завдання для самостійної роботи
- •9.7. Основні терміни I поняття
- •Економетричні моделі на основі системи структурних рівнянь
- •11.1. Системи одночасових структурних рівнянь
- •11.2. Проблеми ідентифікації
- •11.3. Рекурсивні системи
- •11.4. Непрямий метод найменших квадратів (нмнк)
- •Алгоритм непрямого методу найменших квадратів.
- •11.5. Двокроковий метод найменших квадратів (2мнк)
- •11.6. Алгоритм двокрокового методу найменших квадратів (2мнк)
- •11.7. Трикроковий метод найменших квадратів (3мнк)
- •11.8. Прогноз і загальні довірчі інтервали
- •11.9. Короткі висновки
- •11.10. Запитання та завдання для самостійної роботи
- •11.11. Основні терміни і поняття
- •Література
6.6. Запитання та завдання для самостійної роботи
1. Що означає мультиколінеарність змінних?
2. ознаки мультиколінеарності.
3. Як впливає наявність мультиколінеарність змінних на оцінку параметрів моделі?
4. Які статистичні критерії використовуються для виявлення мультиколінеарністі?
5. Дайте коротку характеристику алгоритму Фаррара — Глобера.
6. На чому грунтується метод головних компонентів? Коли він застосовується?
7. Як обчислити головні компоненти і які умови вони задовольняють?
8. Як оцінюються параметри моделі на основі головних компонентів?
9. Покажіть, як можна оцінити параметри моделі , скориставшись параметрами моделі .
10. Для трьох пояснювальних змінних обчислено матрицю:
.
Знайдіть характеристичні числа цієї матриці.
11.
З допомогою матриці
обчисліть власні вектори
:
де елементи нормалізовані.
12. Обчисліть головні компоненти матриці
яка складаєься з трьох власних векторів.
Матрицю стандартизованих змінних візьміть із прикладу 6.1.
13. Обчисліть F-критерій для визначення мультиколінеарності трьох пояснювальних змінних, якщо задано матрицю
Сукупність спостережень n = 20.
14. Використовуючи елементи матриці C із завдання 13, обчисліть коефіцієнти детермінації змінних. Що вони характеризують?
15. Використовуючи матрицю C із завдання 13, обчисліть t-критерій для оцінювання попарної мультиколінеарності змінних.
16. Дано модель , де Х — матриця пояснювальних змінних. Скориставшись параметрами моделі , де Z — головні компоненти, параметри даної моделі можна оцінити так:
де a — матриця, що складається з m власних векторів.
6.7. Основні терміни і поняття
Мультиколінеарність Детермінант кореляційної матриці Стандартизація (нормалізація) змінних Критерій —“хі”-квадрат Ступені свободи Метод головних компонентів Ортогональні змінні |
Характеристичні числа Характеристичні (власні) вектори Функція Лагранжа Множники Лагранжа Головні компоненти Алгоритм Феррара — Глобера |
Розділ 7
Гетероскедастичність
7.1. Поняття гетероскедастичності
Припущення, які були зроблені при оцінюванні параметрів моделі 1МНК [див. (4.2) — (4.5)], на практиці можуть порушуватися.
У розд. 6 було розглянуто проблеми мультиколінеарності, які пов’язані з порушенням умови (4.5).
Тепер розглянемо особливості економетричного моделювання, коли порушується умова (4.3), згідно з якою припускається, що відхилення мають такий розподіл імовірностей, який зберігається для всіх спостережень. Тоді дисперсія залишків лишається незмінною для кожного спостереження.
Означення
7.1.
Якщо дисперсія залишків стала для
кожного спостереження, тобто
,
то ця її властивість називається
гомоскедастичністю.
Часто у практичних дослідженнях явище гомоскедастичності порушується. Випробування на наявність чи відсутність гомоскедастичності звичайно не практикується, але здебільшого можна висунути гіпотези про правдоподібність альтернативних припущень щодо пропорційності помилки до X. Так, наприклад, при побудові економетричної моделі, що характеризує залежність між заощадженнями і доходами населення на підставі теоретичної та практичної інформації, можна висунути гіпотезу, що дисперсія залишків за окремими групами населення змінюватиметься і буде пропорційною до середнього доходу цієї групи. Коли розглядати економетричну модель, що характеризує залежність між дивідендами і розміром прибутку або між витратами на харчування і доходом на одного члена сім’ї, витратами на харчування і загальними витратами, то також можна припустити, що дисперсія залишків для окремих груп спостережень змінюватиметься.
Означення
7.2.
Якщо дисперсія залишків змінюється для
кожного спостереження або групи
спостережень, тобто
,
то це явище називається гетероскедастичністю*.
Якщо існує гетероскедастичність залишків, то це спричинюється до того, що оцінки параметрів моделі 1МНК будуть незміщеними, обгрунтованими, але неефективними. При цьому формулу для стандартної помилки оцінки, строго кажучи, застосувати не можна.
припустимо,
що дисперсія залишків для моделі
пропорційна до величини Х.
Тоді доцільно виконати перетворення
вихідної інформації, поділивши, наприклад,
усі змінні на Х.
Модель набере вигляду
.
У результаті для оцінювання параметрів можна застосувати 1МНК. Зауважимо, що параметри а0 і а1 помінялися ролями. Вільним членом моделі замість а0 став параметр а1.
Приклад 7.1. побудуємо економетричну модель, що характеризує залежність між заощадженнями та доходом населення, млрд ф.ст. (табл. 7.1).
Таблиця 7.1
Рік |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
Заощадження |
0,36 |
0,2 |
0,08 |
0,20 |
0,10 |
0,12 |
0,41 |
0,50 |
0,43 |
Дохід |
8,8 |
9,4 |
10,0 |
10,6 |
11,0 |
11,9 |
12,7 |
13,5 |
14,3 |
Рік |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
Заощадження |
0,59 |
0,90 |
0,95 |
0,82 |
1,04 |
1,53 |
1,94 |
1,75 |
1,99 |
Дохід |
15,5 |
16,7 |
17,7 |
18,6 |
19,7 |
21,1 |
22,8 |
23,9 |
25,2 |
Скориставшись оператором оцінювання 1МНК
дістанемо
= –1,081;
= 0,1178.
Економетрична модель має вигляд
.
Коефіцієнт
детермінації
для цієї моделі
= 0,918,
а це означає, що варіація заощаджень Y
на 91,8% визначається варіацією доходів
населення.
На перший погляд, результат наводить на думку, що специфікація моделі не містить помилки.
Але логічно висунути гіпотезу, що відхилення заощаджень від норми можуть бути пропорційними до доходу, тобто для цієї моделі дуже ймовірне існування гетероскедастичності залишків.
Отже, вихідну інформацію доцільно перетворити, поділивши обидві змінні на величину доходу X (табл. 7.2):
Таблиця 7.2
Рік |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
|
0,041 |
0,022 |
0,008 |
0,019 |
0,009 |
0,010 |
0,032 |
0,037 |
0,030 |
|
0,114 |
0,106 |
0,100 |
0,094 |
0,091 |
0,084 |
0,079 |
0,074 |
0,070 |
Рік |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
17 |
18 |
|
0,038 |
0,054 |
0,054 |
0,044 |
0,053 |
0,073 |
0,085 |
0,073 |
0,079 |
|
0,065 |
0,060 |
0,056 |
0,054 |
0,051 |
0,047 |
0,044 |
0,042 |
0,040 |
Нове рівняння зв’язку згідно з даними табл.7.2 має вигляд
.
У
результаті перетворення вихідних даних
практично повністю змінилася специфікація
моделі. Оскільки
,
то цей зв’язок нелінійний. По-друге,
характеризує відносний показник —
рівень заощаджень, який припадає на
одиницю доходу.
Виконавши
цю процедуру, дістанемо таке: спостереження
з меншими значеннями
мають відносно більшу питому вагу при
оцінюванні параметрів моделі, ніж у
першому варіанті.
З наведеного прикладу бачимо, що явище гетероскедастичності не впливатиме на оцінки параметрів 1МНК, якщо певним чином перетворити вихідну інформацію. При цьому якщо економетрична модель має лише дві змінні, то це можна зробити так, як у прикладі 7.1.
Це
перетворення, значно ускладнюється,
якщо будується економетрична модель з
багатьма змінними. У такому разі потрібно
з’ясувати зміст гіпотези, згідно з якою
,
де
лишається невідомим параметром, а
— відома симетрична додатно визначена
матриця.
