3.4. Гетероскедастичность.

Если остатки имеют постоянную дисперсию, они называются гомоскедастичными, но если они непостоянны, то гетероскедастичными. Гетероскедастичность приводит к тому, что коэффи­циенты регрессии больше не представляют собой лучшие оценки или не являются оценками с минимальной дисперсией, следовательно, они больше не являются наиболее эффективными коэф­фициентами.

Воздействие гетероскедастичности на оценку интервала прогнозирования и проверку гипотезы заключается в том, что хотя коэффициенты не смещены, дисперсии и, следовательно, стандартные ошибки этих коэффициентов будут смещены. Если смешение отрицательно, то оценочные стандартные ошибки бу­дут меньше, чем они должны быть, а критерий проверки будет больше, чем в реальности. Таким образом, мы можем сделать вывод, что коэффициент значим, когда он таковым не является. И наоборот, если смещение положительно, то оценочные ошиб­ки будут больше, чем они должны быть, а критерии проверки - меньше. Значит, мы можем принять нулевую гипотезу, в то вре­мя как она должна быть отвергнута.

Проверкой на гетероскедастичность служит тест Голдфелда-Кванта. Он требует, чтобы остатки были разделены на две груп­пы из n наблюдений, одна группа с низкими, а другая - с высо­кими значениями. Обычно срединная одна шестая часть наблю­дений удаляется после ранжирования в возрастающем порядке, чтобы улучшить разграничение между двумя группами. Следовательно, число остатков в каждой группе составляет (n-d)/2, где d пред­ставляет одну шестую часть наблюдений.

Критерий Голдфелда-Кванта - это отношение суммы квадра­тов отклонений (СКО) высоких остатков к СКО низких остатков:

Этот критерий имеет F-распределение с (n-d)/2-k степе­нями свободы.

Чтобы решить проблему гетероскедастичности, нужно иссле­довать взаимосвязь между значениями ошибки и переменными и трансформировать регрессионную модель так, чтобы она отра­жала эту взаимосвязь.

3.5. Автокорреляция.

Автокорреляция, также известная как сериальная корреляция, имеет место, когда остатки не являются независимыми друг от друга, потому что текущие значения Y находятся под влиянием прошлых значений. Зависимость между остатками описывается с помощью авторегрессионной зависимости. Например, допустим, что остаток , находится под влиянием остатка из предыдущего пе­риода времени и какого-либо текущего значения случайной переменной . Остаток будет описываться следующей авторег­рессионной функцией:

(3.8).

Эта форма авторегрессионной функции называется авторег­рессионной функцией первого порядка или АR(1), так как только один предшествующий временной период включен в функцию.

Регрессионная модель МНК позволяет получить несмещен­ную оценку с минимальной дисперсией только тогда, когда ос­татки независимы друг от друга. Если у остатков существует ав­токорреляция, то коэффициенты регрессии не смещены, но стандартные ошибки будут недооценены, и проверки коэффици­ентов регрессии будут ненадежны.

Для проверки на автокорреляцию первого порядка необходимо рассчитать критерий Дарбина-Уотсона. Он определяется так:

(3.9).

Эмпирическое правило гласит, что если критерий Дарбина-Уотсона равен двум, то не существует положительной автокор­реляции, если он равен нулю, то имеет место совершенная по­ложительная автокорреляция, а если он равен четырем, то имеет место совершенная отрицательная автокорреляция. Если статистика DW находится в интервале от 1.3 до 2.7 мы можем считать, что статистическая значимая автокорреляция остатков отсутствует.