лекции по эконометрике. Основные понятия и определения эконометрики
![]()
|
9. ГЕТЕРОСКЕДАСТИЧНОСТЬКак было сказано выше, гетероскедастичность – ситуация, когда нарушено пятое условие Гаусса-Маркова: ошибки для разных наблюдений имеют разную дисперсию ( ![]()
Для случая парной модели ![]() Интуиция неэффективности. Наблюдение, дисперсия ошибки которого будет меньше, обычно будет находиться ближе к линии регрессии, поэтому будет служить хорошим ориентиром, указывающим место этой линии. Наблюдение же, которое имеет большую дисперсию, будет обычно находится дальше от линии и не сможет существенно помочь в определении местоположения этих линий.
Мы попрежнему рассматриваем модель ![]() Нулевая гипотеза отсутствие в модели гетероскедастичности, т. е. гомоскедастичность: Вид альтернативной гипотезы специфичен для каждого теста, т. е зависит от теста, при помощи которого мы проверяем наличие гетероскедастичности. Не смотря на то, что таких тестов существует несколько, все они базируются на одном: анализе квадратов остатков исходной регрессии. Поскольку остатки регрессии снабжают нас информацией об ошибках регрессии, мы можем проанализировать остатки для того, чтобы посмотреть, отличается ил разброс остатков (вокруг нуля) или разброс наблюдений вдоль линии регрессии от наблюдения к наблюдению разброс остатков вокруг нуля будет отражать разброс ошибок вокруг нуля. Эти рассуждения должны навести нас на мысль, что ситуацию гетероскедастичности можно отследить графически. Если наши данные представляют собой временной ряд, то отсортировав остатки или квадраты остатков по времени и изобразив их на графике мы можем заметить, что остатки растут во времени. Если же мы анализируем пространственные данные, изобразив остатки на графике в зависимости от одной из объясняющих переменных, можно заметить разницу в разбросе остатков. Это эвристический, опытный подход. Теперь приведем несколько формальных тестов. Все тесты предполагают, что дисперсии ошибок наблюдений зависят от некоторой переменной, которая может входить в модель, а может и не входить.
Исходная модель: ![]() Н0: ![]() ![]() ![]() Тест Уайта заключается в следующем:
![]() В этой регрессии мы учитываем больше форм зависимостей ![]() ![]() ![]() Пример
Задача – уточнить оценки коэффициентов и исправить стандартные ошибки, чтобы модно было пользоваться тестами для проверки гипотез. Предположим ненадолго, что мы знаем величины ошибок ![]() ![]() ![]() ![]() Но ![]()
Для случая парной модели: ![]() ![]() Стандартные ошибки в форме Уайта можно получить практически во всех статистических пакетах, в том числе и в Eviews-е.
Пусть у нас есть основания предполагать, что значения дисперсий ошибок в i-м наблюдении пропорционально значениям некоторой объясняющей переменной (пусть, для определенности, X1), т. е. ![]() ![]() Тогда мы можем сделать следующее: поделим обе части уравнения нашей модели на ![]() ![]() ![]() Упражнение. Показать, что дисперсия vi не зависит от номера наблюдения. Если же дисперсия ошибок зависит от значений нескольких переменных и форма этой зависимости не обязательно линейная (логарифмическая, например), то проводим двухшаговую процедуру коррекции на гетероскедастичность:
![]() ![]()
![]()
9. СТОХАСТИЧЕСКИЕ РЕГРЕССОРЫ. До сих пор мы с вами предполагали, что переменные, участвующие в правой части регрессионного уравнения, детерминированные, т. е. не являются случайными. Теперь мы с вами введем в рассмотрение объясняющие переменные, которые берут свои значения из некоторого распределения вероятностей, т. е. являются случайными величинами, со всеми присущиим случайным величинам атрибутами. Как мы увидим, переход от детерминированных регрессоров к случайным при наложении ряда ограничений оставит все наши прежние результаты в силе. Вот эти ограничения:
Все основные свойства МНК-оценок при выполнении условий 7 и 8 сохраняются. |