Рубрики



Коррекция гетероскедастичности изменение спецификации модели


Это дело исследователя. Рассмотрим эти два случая по отдельности. Пусть это будет r3 рисунок 2.

Однако во многих ситуациях эти предположения не выполняются не однородные объекты, зависимости во времени и т. Идея этого теста заключается в том, что добавлением нелинейных членов в уравнение регрессии не удаётся улучшить его качество. В результате получили следующее уравнение регрессии рисунок 2.

Эту гипотезу можно тестировать с помощью обычного F-теста. Просматривая уравнение теста, видим, что имеется автокорреляция первого и четвёртого порядков, т. Поскольку остатки гетероскедастичны и автокоррелированы, проведём коррекцию их стандартных ошибок методом Ньюи — Веста рисунок 2.

При этом удовлетворительные свойства скорректированной оценки Уайта White estimator или White standard errors гарантируются только при большом количестве наблюдений. Особенно это удобно, если остатки уравнения регрессии пропорциональны значениям какой-либо переменной.

Просматривая уравнение теста, видим, что имеется автокорреляция первого и четвёртого порядков, т.

Коррекция гетероскедастичности изменение спецификации модели

Для оценки этих n дисперсий имеется всего n наблюдений. А вот от гетероскедастичности в остатках этим методом взвешенным МНК удалось избавиться, их разброс вокруг нуля стал равномерным рисунок 2. Как уже отмечалось, значимое влияние на свойство оценок этот факт не оказывает.

Коррекция гетероскедастичности изменение спецификации модели

В последнем уравнении свободный член уравнения b 1 и коэффициент при x 1 a поменялись местами по отношению к исходному уравнению. При этом удовлетворительные свойства скорректированной оценки Уайта White estimator или White standard errors гарантируются только при большом количестве наблюдений.

Кроме того, что коэффициенты значимо отличаются от их исходных значений по величине, сменился даже знак коэффициента при переменной r1.

Один из вариантов получения скорректированных на автокоррелированность и гетероскедастичность значений был предложен Ньюи и Вестом Newey,West и реализован, например, в EViews, при этом удовлетворительные свойства оценки Ньюи — Веста Newey — West estimate или Newey — West standard errors как и в предыдущем случае гарантируются при большом количестве наблюдений.

Ясно, что в этих случаях простой коррекцией ошибок оценок не обойтись.

Одним из вариантов получения скорректированных на гетероскедастичность стандартных ошибок был предложен Уайтом и реализован в ряде пакетов анализа статистических данных, в том числе и в EViews. Как видим, F-статистика теста равна 7,7 и расчётный уровень значимости Probability равен 0,0.

Носко, часть 1, Здесь надо иметь в виду, что после оценки преобразованного уравнения, необходимо будет перейти в коэффициентам исходного уравнения. Оценка Уайта строится на основе явного выражения для ковариационной матрицы вектора оценок коэффициентов линейной эконометрической модели, в которой ошибки хотя и имеют нулевые математические ожидания, но не являются одинаково распределёнными, т.

Как известно, мультиколлинеарность искажает смысл коэффициентов регрессии и делает их неустойчивыми.

В нашем случае высокий уровень автокоррелированности остатков может указывать на пропуск в уравнении регрессии значимой независимой переменной. Подобные ошибки в спецификации уравнения регрессии вряд ли удастся нейтрализовать описанными методами.

Сначала проверим их на нормальный закон распределения рисунок 2.

Пусть теперь имеем более сложный случай, когда остатки не только гетероскедастичны, но и автокоррелированы. В нашем случае высокий уровень автокоррелированности остатков может указывать на пропуск в уравнении регрессии значимой независимой переменной.

А вот от гетероскедастичности в остатках этим методом взвешенным МНК удалось избавиться, их разброс вокруг нуля стал равномерным рисунок 2. Вербик,

Предположим, что после оценивания параметров модели каким-либо методом было выяснено, что имеет место гетероскедастичность остатков этой модели при отсутствии какой-либо автокорреляции. Для оценки этих n дисперсий имеется всего n наблюдений. В связи с этим одним из методов коррекции статистических выводов состоит в использовании обычных МНК-оценок, со скорректированными стандартными ошибками этих оценок, с учётом их автокорреляции и гетероскедастичности.

При рассмотрении классической регрессионной модели предполагалось, что случайные ошибки не коррелированы между собой и имеют постоянную дисперсию. В последнем уравнении свободный член уравнения b 1 и коэффициент при x 1 a поменялись местами по отношению к исходному уравнению.

Видно, что остатки гетероскедастичны. В нашем случае высокий уровень автокоррелированности остатков может указывать на пропуск в уравнении регрессии значимой независимой переменной. Как видим, коррекция в этом случае оказалась более существенной, что привело даже к изменению значимости параметров — коэффициент при r1 оказался незначимым.

Следовательно, гипотеза об отсутствии ошибки спецификации отклоняется.

Идея этого теста заключается в том, что добавлением нелинейных членов в уравнение регрессии не удаётся улучшить его качество. Тогда в качестве весов можно взять значения этой переменной в выборке. Но относить этот факт на счёт мультиколлинеарности вряд ли корректно.

После применения стандартного МНК к преобразованному уравнению необходимо будет вернуться к обозначениям исходного уравнения, а именно: Как уже отмечалось, значимое влияние на свойство оценок этот факт не оказывает. Дата добавления: Протестируем эти остатки по всем предпосылкам МНК.

Chi-Square 4. Для тестирования по этому тесту было выбрано 4 лаговых значения для остатков, т. Особенно это удобно, если остатки уравнения регрессии пропорциональны значениям какой-либо переменной.

Если оценки гетероскедастичны, но в них отсутствует какая-либо автокорреляция, то, как отмечалось, скорректировать их стандартные ошибки с учётом гетероскедастичности можно, используя стандартные ошибки в форме Уайта.

Проиллюстрируем идею взвешенного МНК на следующем примере В. Видно, что остатки гетероскедастичны.

Проиллюстрируем вышеизложенные положения на условном примере, в котором описывается зависимость пятилетних процентных ставок r60 от одномесячных r1 , квартальных r3 , полугодовых r6 и годовых r12 процентных ставок данные взяты из М.

Это приводит к оценке Уайта. С помощью линейного преобразования исходную систему можно свести к обычному регрессионному уравнению и построить для него МНК-оценку вектора коэффициентов. Если каким -либо образом путём введения каких-либо условий на поведение остатков удаётся оценить эту матрицу, то естественно использовать её в ОМНК для получения оценок вектора параметров модели.

Иногда достаточно изменить вид зависимости или преобразовать переменные например, перейти к логарифмам объясняемых переменных вместо их исходных значений. Причём остатки пропорциональны независимой переменной х. После применения стандартного МНК к преобразованному уравнению необходимо будет вернуться к обозначениям исходного уравнения, а именно: Как уже отмечалось, в этих случаях МНК-оценки параметров уравнений регрессии будут состоятельными и несмещёнными, но несостоятельными и смещёнными могут оказаться ошибки этих оценок.

Одним из вариантов получения скорректированных на гетероскедастичность стандартных ошибок был предложен Уайтом и реализован в ряде пакетов анализа статистических данных, в том числе и в EViews. Это дело исследователя.



Порно старухи коллекция онлайн
Каникулы в мексике полная версия порно
Гринт стал звездой порно
Эротические гей сайты народ
Секс порно толстые члены
Читать далее...