24. Гетероскедастичность случайного возмущения. Причины. Последствия. Алгоритм теста Голдфельда-Квандта на наличие или отсутствие гетероскедастичности случайных возмущений.

Гетероскедастичность - ситуация, когда дисперсия ошибки в уравнении регрессии изменяется от наблюдения к наблюдению. В этом случае приходится подвергать определенной модификации МНК (иначе возможны ошибочные выводы). Для обнаружения гетероскедастичности обычно используют 3 теста: тест ранговой корреляции Спирмена, тест Голдфеда - Квандта и тест Глейзера Доугерти.

Гетероскедастичность случайных возмущений – возмущения обладают различными дисперсиями r²_i=r²w_i, но не коррелированны друг с другом.

Причина: При гетероскедастичности распределение u для каждого наблюдения имеет нормальное распределение и нулевое ожидание, но дисперсия распределений различна.

Последствия нарушения условия гомоскедастичности случайных возмущений:

1. Потеря эффективности оценок коэффициентов регрессии, т.е. можно найти другие, отличные от Метода Наименьших Квадратов и более эффективные оценки

2. Смещенность стандартных ошибок коэффициентов в связи с некорректностью процедур их оценки

ипотеза(1):

Алгоритм теста Голдфелда-Квандта на наличие (отсутствие) гетероскедастичности случайных возмущений.

Гипотеза(1):

Шаг 1. Уравнения наблюдений объекта следует упорядочить по возрастанию суммы модулей значений предопределенных переменных модели (2),

т.е. по возрастанию значений

Шаг 2. По первым упорядоченным уравнениям наблюдений объекта вычислить МНК-оценки параметров модели и величинугде- МНК-оценка случайного возмущения

Шаг 3. По последним упорядоченным уравнениям наблюдений вычислить МНК-оценки параметров модели и величину(аналогично).

Шаг 4. Вычислить статистику, для этого делим большее на меньшее, к примеру, если ESS₁больше ESS₂: .

Шаг 5. Задаться уровнем значимости и с помощью функцииFРАСПОБР Excel при количествах степеней свободы , гдеопределить (1--квантиль,распределения Фишера.

Шаг 6. Принять гипотезу (1), если справедливы неравенства

Т.е. при справедливых неравенствах случайный остаток в модели (2) полагать гомоскедастичными. В противном случае гипотезу (1) отклонить как противоречащую реальным данным и сделать вывод о гетероскедастичности случайного остатка в модели (2).

25. Спецификация и оценивание мнк эконометрических моделей нелинейных по параметрам.

В моделях, нелинейных по параметрам, например степенных или показательных, непосредственное применение МНК(метод наименьших квадратов) для их оценки невозможно, так как необходимым условием применимости МНК является линейность по коэффициентам уравнения регрессии. В данном случае преобразованием, которое приводит уравнение регрессии к линейному виду, является логарифмирование. Логарифмические модели: Y = AXb, где А и b— параметры модели. Прологарифмируем обе части данного уравнения: ln(Y)=ln(A) + b*ln(X) = a+b*ln(X), где а= ln(A) (*). Спецификация, соответствующая (*) называется двойной логарифмической моделью: ln(Y)= a+ b*ln(X)+u, поскольку и эндогенная переменная, и регрессор используются в логарифмической форме. Введем обозначения: Y*=ln(Y), X*=ln(X)

Y*=a+b*X+u

Получаем спецификацию линейной модели, к которой при соответствующем включении случайного возмущения применим МНК.

В моделях, нелинейных по оцениваемым параметрам, но приводимых к линейному виду, МНК применяется к преобразованным уравнениям. Пусть получена МНК-оценка модели Y*=a+b*X+u:

y*=ā + bx+u

(Sā) (Sb) (Su)

Коэффициенты исходной модели и их стандартные ошибки вычисляются с учетом замены.

Нелинейный МНК. В общем случае оценка нелинейных по параметрам уравнений выполняется с помощью так называемого нелинейного метода наименьших квадратов (НМНК).

Обозначим нелинейное по параметрам уравнение регрессии f(X, ß) (X— матрица рсгрсссоров,ß — вектор параметров). Параметры уравнений в данном методе подбираются таким образом, чтобы максимально приблизить кривую f(X, ß) к результатам

наблюдений эндогенной переменной Y. Таким образом, здесь, как и в обычном

МНК, минимизируется сумма квадратов отклонений:

F=² (**)

Если продифференцировать F по параметрам и приравнять производные нулю, то получим нелинейную систему нормальных уравнений. В случае линейного уравнения регрессии нормальные уравнения представляли собой систему линейных уравнений, решение которой не составляло труда.

Нелинейный метод наименьших квадратов сводится к задаче минимизации функции (**) нескольких переменных ß=(ß1,…,ßn)