5.6.3. Тест серий Бреуша-Годфри

Для реализации данного теста в пакете STATISTICA 6.0, необходимо выполнить следующие шаги:

Шаг 1. Воспользуемся результатами оценки тренда - , найдем значения случайного члена _t. Для этого в окне Residual Analysis выберем вкладку Save и нажмем единственную доступную кнопку Save residuals & predicted, при этом появится окно Select variables to save with predicted/residual scor… не выбирая переменных сразу нажмем кнопку ОК. (см. глава 4).

Шаг 2. В связи с тем, что для реализации теста необходимо оценить уравнение образуем новую переменную _t-1. Для этого в главном меню выберем Insert  Add Variables… в появившемся окне Add Variables в поле Name: (имя) внесем название переменной – Residuals t-1.

В результате образования новой переменной получаем таблицу представленную на рисунке 5.12.

Рисунок 5.12 – Исходная таблица для построения уравнения вида - (приведена часть исходного окна)

Шаг 3. Далее произведем сдвиг на один уровень вперед, для этого выберем Date  Shift (Lag) (Данные  Выделить лаг). В появившемся окне Shift Variables (рисунок 5.13) в поле Lag укажем значение 1.

Рисунок 5.13 – Создание запаздывающей переменной

Шаг 4. На данном шаге запустим модуль Multiple Regressions и в качестве зависимой переменной укажем Residuals а в качестве независимой переменной Residuals t-1.

Шаг 5. Выставим галочку возле опции Advanced options (stepwise or ridge regressions) в появившемся окне Model Definition в прокрутке Intercept выберем Set to zero (т.е. регрессионное уравнение будет оценено без свободного члена). После оценки получим следующие результаты:

Таблица 5.8 – Результаты оценки модели вида -

	Beta	Std.Err. of Beta	B	Std.Err. of B	t(26)	p-level
Residuals t-1	0,194	0,192	0,230	0,228	1,009	0,322

Согласно результатам построения модели , представленным в таблице 5.8, параметр  получен статистически не значим, т.е. можно утверждать об отсутствии корреляция между соседними наблюдения­ми на лаге 1.

5.7. Исключение влияния автокорреляции

Для устранения корреляции во времени чаще прибегают к изменению спецификации модели (исключают или добавляют регрессоры, включают лаги переменных), так как в значительном числе случаев именно неверная спецификация и является источником автокорреляции.

Хотя полученная нами в ходе исследования динамическая модель не обнаруживает присутствие в данных автокорреляции, опишем процедуру исключения данной проблемы изменив спецификацию модели, а именно добавим в рассмотрение лаговое значение переменной ВВП.

Шаг 1. Переходим к исходной таблице и образуем новую переменную GDP t-1 (процедура описана выше).

Шаг 2. Активизируем модуль Multiple Regression и в качестве зависимой переменной укажем Y в качестве не зависимых - t2 и Yt-1. Получаем следующие результаты:

Таблица 5.9 – Результаты построения модели вида

	Beta	Std.Err. of Beta	B	Std.Err. of B	t(24)	p-level
Intercept			3221,338	977,606	3,295	0,003
Y t-1	0,246	0,227	0,265	0,244	1,084	0,289
t2	0,733	0,227	206,404	63,881	3,231	0,004

Согласно результатам таблицы 5.9, параметр при лаговой переменной получен статистически не значим (чего и следовало ожидать) и модель не пригодна для прогнозирования. Вместе с тем табличное значение статистики Дарбина-Уотсона получено близким к 2 (таблица 5.10), что свидетельствует об отсутствии автокорреляции.

Таблица 5.10 - критерия Дарбина-Уотсона

	Durbin- Watson	Serial Corr.
Estimate	1,946	-0,186