Практикум по эконометрике. Эконометрика Рассчитать выборочные дисперсии эмпирических коэффи. Методические указания по решению типовых практических задач, в том числе с помощью пакета прикладных программ ms excel

• Название: Методические указания по решению типовых практических задач, в том числе с помощью пакета прикладных программ ms excel
• Анкор: Практикум по эконометрике
• Дата: 11.10.2019
• Размер: 2.55 Mb.
• Имя файла: Эконометрика Рассчитать выборочные дисперсии эмпирических коэффи.doc
• Тип: Методические указания; #89663
• страница: 14 из 20

4.3. Смягчение проблемы гетероскедастичности. Метод взвешенных наименьших квадратов

Гетероскедастичность не позволяет получить эффективные оценки коэффициентов уравнения регрессии, что приводит к необоснованным выводам относительно качества этих оценок. Поэтому при обнаружении гетероскедастичности возникает необходимость каких-то преобразований модели в целях ее устранения. Вид преобразований зависит от того, знаем мы поведение дисперсий отклонений или нет.

Корректировка гетероскедастичности также является достаточно серьезной проблемой. Один из возможных методов устранения гетероскедастичности – это метод взвешенных наименьших квадратов (ВНК). Для его применения необходима определенная информация, либо обоснованные предположения о величине дисперсий отклонений .

Например, может оказаться целесообразным предположить, что дисперсии отклонений _i пропорциональны значениям x_i (рис.4.3.1, а) или значениям (рис. 4.3.1, б)

рис.4.3.1
Рассмотрим случай, когда дисперсии отклонений неизвестны и пропорциональны x_i, т.е. . Тогда уравнение преобразуется делением его левой и правой частей на :

где

В случае, когда неизвестны и пропорциональны , в уравнении линейной регрессии разделим обе части на .

Тогда

Обозначим

Тогда .

Для этого уравнения уже выполнено условие гомоскедастичности. Методом наименьших квадратов находим оценки коэффициентов и возвращаемся к исходному уравнению . В случае, когда число факторов m > 1, исходное уравнение делится на переменную, которая в максимальной степени связана с _i.

4.4. Решение типовых задач

Задача 4.4.1

На примере задачи 2.6.1, где m=2 проверим гипотезу об отсутствии гетероскедастичности в построенной модели по тесту Спирмена. Доверительная вероятность p = 95%.

Решение:

Заполним таблицу. Модули элементов четвертого столбца запишем в 5-й столбец. В 6-м, 7-м и 8-м столбцах ранжированы по возрастанию элементы 2-го, 3-го и 5-го столбцов соответственно. n = 10 наблюдений.

Коэффициент ранговой корреляции

=.

По таблицам находим граничную точку = == 2,365.

Статистика =.

Таким образом , то на уровне значимости  принимается гипотеза об отсутствии гетероскедастичности по фактору X₁. В модели, содержащей несколько факторов, как уже было сказано, проверка гипотезы об отсутствии гетероскедастичности проводится с помощью t-статистики для каждого из них отдельно. Следовательно, определим наличие гетероскедастичности по фактору X₂.

Коэффициент ранговой корреляции

=.

По таблицам находим граничную точку = == 2,365.

Статистика =.

Таким образом , то на уровне значимости  принимается гипотеза об отсутствии гетероскедастичности по фактору X₂.
Задача 4.4.2.

Рассматривается регрессионная линейная модель с m=2 факторами. n = 30 наблюдений. Для первых и последних k=11 наблюдений суммы квадратов отклонений S₁=20 и S₃=45 соответственно. С помощью теста Голдфельда-Квандта проверим гипотезу об отсутствии гетероскедастичности. Доверительная вероятность p = 95%.

Решение:

 = 1- p = 1 – 0,95 = 0,05. По F – таблицам Фишера находим граничную точку .

Статистика F = =< 3,44.

Таким образом, на уровне значимости 5% принимается гипотеза об отсутствии гетероскедастичности.

4.5. Упражнения и задачи

Задача 5.5.1

Рассматривается регрессионная линейная модель с m=2 факторами. n = 30 наблюдений. Для первых и последних k=11 наблюдений суммы квадратов отклонений S₁=18 и S₃=52 соответственно. С помощью теста Голдфельда-Квандта проверим гипотезу об отсутствии гетероскедастичности. Доверительная вероятность p = 99%.
Задача 5.5.2

В задаче 2.7.7 определить наличие гетероскедастичности в построенной модели.

5. Мультиколлинеарность

5.1. Понятие мультиколлинеарности. Способы ее обнаружения и методы устранения

Еще одной серьезной проблемой при построении моделей множественной линейной регрессии по МНК является мультиколлинеарность − линейная взаимосвязь двух или нескольких объясняющих переменных. Причем, если объясняющие переменные связаны строгой функциональной зависимостью, то говорят о совершенной мультиколлинеарности. На практике можно столкнуться с очень высокой (или близкой к ней) мультиколлинеарностью − сильной корреляционной зависимостью между объясняющими переменными. Причины мультиколлинеарности и способы ее устранения анализируются ниже.

Устранение мультиколлинеарности возможно посредством исключения из корреляционной модели одного или нескольких линейно связанных факторных признаков или преобразования исходных факторных признаков в новые, укрупненные факторы. Вопрос о том, какой из факторов следует отбросить, решается на основе количественного и логического анализа изучаемого явления.

Описание методов устранения или снижения уровня мультиколлинеарности

Метод	Суть метода
Сравнение значений линейных коэффициентов корреляции	При отборе факторов предпочтение отдается тому фактору, который более тесно, чем другие факторы, связан с результативным признаком, причем желательно, чтобы связь данного факторного признака с Y была выше, чем его связь с другим факторным признаком. В данном случае имеет место расчет общих и частных коэффициентов корреляции, по результатам расчетов которых принимается окончательное решение о преобразовании исходной модели. и
Метод включения факторов	Метод заключается в том, что в модель включаются факторы по одному в определенной последовательности. На первом шаге вводится тот фактор, который имеет наибольший коэффициент корреляции с зависимой переменной. На втором и последующих шагах в модель включается фактор, который имеет наибольший коэффициент корреляции с остатками модели. После включения каждого фактора в модель рассчитывают ее характеристики и модель проверяют на достоверность.

Метод

Суть метода

Метод исключения факторов

Метод состоит в том, что в модель включаются все факторы. Затем после построения уравнения регрессии из модели исключают фактор, коэффициент при котором незначим и имеет наименьшее значение t-статистики. После этого получают новое уравнение регрессии и снова проводят оценку значимости всех оставшихся коэффициентов регрессии. Процесс исключения факторов продолжается до тех пор, пока модель не станет удовлетворять определенным условиям и все коэффициенты регрессии не будут значимы.

В настоящее время при построении корреляционных моделей исходят из условия нормальности многомерного закона распределения генеральной совокупности. Эти условия обеспечивают линейный характер связи между изучаемыми признаками, что делает правомерным использование в качестве показателей тесноты связи парного, частного коэффициентов корреляции и коэффициента множественной корреляции. Частные коэффициенты корреляции характеризуют связи признаков из совокупности признаков при условии, что все связи этих признаков с другими признаками закреплены на условно-постоянном (среднем) уровне.

Частный коэффициент корреляции изменяется в пределах от -1 до +1. Если частный коэффициент корреляции равен ±1, то связь между двумя величинами функциональная, а равенство нулю свидетельствует о линейной независимости этих величин.