1. Тесты на гетероскедастичность

Рис.7. Остатки модели

Воспользуемся тестом Вайта, чтобы определить наличие/отсутствие гетероскедастичности.

Рис.8. Тест Вайта на гетероскедастичности, Y от X2.

Итак, нулевая гипотеза: гетероскедастичность в остатках отсутствует.

P – значение = . Следовательно, нулевую гипотезу отклоняем в пользу альтернативной: с вероятностью 95% гетероскедастичность в остатках есть.

Рис.8. Тест Бриша – Пэгана на гетероскедастичности, Y от X2.

Итак, в нашем случае тесты говорят о наличие гетероскедастичности на уровне доверия 99%.

2. Тесты на автокорреляцию остатков

Посчитаем коэффициент корреляции.

Рис.9. Коэффициент автокорреляции первого порядка остатков

Нужное нам значение: . Проверим коэффициент на значимость. Поскольку P – значение = 0.0977 > 0,05, коэффициент незначим, и автокорреляции в остатках нет.

3. Тест на нормальность остатков

Рис.9. Тест на нормальность распределения остатков

Рис.10. Тест на нормальность распределения остатков

P – значение < 0,05. Нулевая гипотеза отвергается с вероятностью 95%, остатки модели не распределены нормально.

4. Тест Рамсея

Рис.11. Тест Рамсея

P – значение < 0,05. Нулевая гипотеза отвергается, и с вероятностью 95% в модели не хватает важного объясняющего фактора.

Исправление ошибок спецификации

Так как тест Вайта показал наличие гетероскедастичности, то остатки модели зависят от квадратов факторов модели. В таком случае воспользуемся встроенной процедурой коррекции гетероскедастичности, которая представляет собой взвешенный метод наименьших квадратов, где веса пропорциональны квадратам значений факторов.

Рис.10. Модель с коррекцией гетероскедастичности остатков

Рис.11. Регрессия Y от X2 c коррекцией гетероскедастичности и график остатков

2. Регрессионная модель

Рис.12. Результаты оценки регрессии

Модель имеет вид:

Проверим гипотезы о незначимости параметров модели:

Константа (

Нулевая гипотеза ( ): в генеральной совокупности константа незначима.

Альтернативная гипотеза ( ): , в генеральной совокупности константа значима.

P – значение = 0,6928 >0,05. Следовательно, нулевая гипотеза не отклоняется с вероятностью (1-0,05) = 0,95, или 95%, то есть константа модели незначима.

Коэффициент перед X1 (

, в генеральной совокупности коэффициент перед X1 незначим.

, в генеральной совокупности коэффициент перед X1 значим.

P – значение = . Следовательно, нулевая гипотеза отклоняется в пользу альтернативной с вероятностью (1-0,05) = 0,95, или 95%, то есть коэффициент модели при X1 значим.

В данном случае незначима константа, из модели ее исключать не будем.

Проверим гипотезу о незначимости модели в целом.

: все параметры модели (кроме константы) равны друг другу и равны нулю, т.е. модель в целом незначима.

: все параметры модели (кроме константы) не равны друг другу и не равны нулю, т.е. модель в целом значима.

P-значение (F) = . Следовательно, нулевая гипотеза отклоняется в пользу альтернативной с вероятностью 95%, то есть модель в целом значима.

Оценка качества модели по графикам

Рис.13. График «прогноз-реализация» для модели

Рис.14. Линия регрессии

На рис.5. видно, что присутствуют аномальные значения: IOC.BO, ORG.AX, LIN.DE. С целью точностью их определения, посмотрим на отчет по остаткам.

Рис.15. Выдержка из отчета по предсказанным значениям

Итак, выявлено одно аномальное наблюдение наблюдение: IOC.BO.

С помощью отчета по значимым наблюдениям определим значимые наблюдения.

Рис.16. Выдержка из отчета по значимым наблюдениям

Итак, выявлено одно значимое наблюдение: 0857.HK

Исходя из проделанного анализа, можно сделать вывод, что модель неплохая.

Проверка наличия ошибок спецификации модели

1. Тесты на гетероскедастичность

Рис.17. Остатки модели

Воспользуемся тестом Вайта, чтобы определить наличие/отсутствие гетероскедастичности.

Рис.18. Тест Вайта на гетероскедастичности, Y от X1.

Итак, нулевая гипотеза: гетероскедастичность в остатках отсутствует.

P – значение = . Следовательно, нулевую гипотезу отклоняем в пользу альтернативной: с вероятностью 95% гетероскедастичность в остатках есть.

2. Тесты на автокорреляцию остатков

Посчитаем коэффициент корреляции.

Рис.19. Коэффициент автокорреляции первого порядка остатков

Нужное нам значение: . Проверим коэффициент на значимость. Поскольку P – значение = 0.0977 > 0,05, коэффициент незначим, и автокорреляции в остатках нет.

3. Тест на нормальность остатков

Рис.20. Тест на нормальность распределения остатков

Рис.10. Тест на нормальность распределения остатков

P – значение = < 0,05. Нулевая гипотеза отвергается с вероятностью 95%, остатки модели не распределены нормально.

4. Тест Рамсея

P – значение > 0,05. Нулевая гипотеза подтверждается, и с вероятностью 95% в модели присутствуют все объясняющие факторы.

Также как и в первом случае воспользуемся процедурой коррекции гетероскедастичности.

Рис.21. Модель с коррекцией гетероскедастичности остатков