- •2. Тест Дарбина – Уотсона некоррелированности случайных возмущений в схеме Гаусса – Маркова. (25 баллов)
- •3. Метод имитационного моделирования. Исследование последствий нарушения условий теоремы Гаусса – Маркова. (25 баллов)
- •Коэффициент детерминации как мера качества спецификации эконометрической модели. (25 баллов)
- •6. Компьютерное моделирование эконометрических систем.(25 баллов)
- •9. Интервальное прогнозирование по оцененной линейной эконометрической модели парной регрессии значений эндогенной переменной. (25 баллов)
- •10. Множественная линейная регрессионная модель. Оценивание параметров множественной регрессии методом наименьших квадратов. (25 баллов)
- •11. Определение границ доверительных интервалов точечных оценок множественной регрессионной модели. (25 баллов)
- •12. Оценивание параметров модели взвешенным методом наименьших квадратов. (25 баллов)
- •Гетероскедастичность случайного возмущения. (25 баллов)
- •18. Система нормальных уравнений и явный вид ее решения при оценивании методом наименьших квадратов линейной модели множественной регрессии. (25 баллов)
- •18. Система нормальных уравнений и явный вид ее решения при оценивании методом наименьших квадратов линейной модели множественной регрессии.
- •19. Модель парной регрессии. Границы доверительных интервалов.
- •20. Гетероскедастичность случайной компоненты. Тесты на наличие гетероскедастичности. (25 баллов)
- •21. Автокорреляция случайной составляющей. Тесты на наличие автокорреляции. (25 баллов)
-
Гетероскедастичность случайного возмущения. (25 баллов)
Вторым условием Гаусса-Маркова для классической регрессионной модели является независимость дисперсии возмущения от номера (момента) наблюдений (гомоскедастичность – одинаковый разброс). Нарушение этого условия принято называть гетероскедастичностью (неодинаковый разброс).
При наличии гетероскедастичности количественные характеристики вектора возмущений равны:
Причины:
-
Неоднородность исследуемых объектов (например, при анализе зависимости спроса от дохода потребителя выясняется, что чем больше доход, тем больше индивидуальное значение спроса колеблется относительно ожидаемого значения);
-
Характер наблюдений (например, данные временного ряда).
Последствия:
-
При наличии гетероскедастичности МНК обеспечивает несмещенные оценки параметров, но оценка дисперсии возмущений – смещенная, т.е.
И это приводит к неадекватным оценкам:
-
Автоковариационной матрицы оценок параметров
-
Границ доверительных интервалов параметров модели и значений зависимой переменно,
Т.е. последствия такие же, как и от автокорреляции.
Проверка на гетероскедастичность (Тест GQ)
Предпосылки теста:
1)пропорциональность дисперсии случайного возмущения величине некоторого регрессора Xj
2)случайное возмущение распределено нормально и не подвержено автокорреляции
Алгоритм теста:
-
Упорядочить выборочные данные по величине регрессора Xtj, t=1,…,n, относительно которого есть подозрение на гетероскедастичность (или по сумме модулей регрессоров)
-
По первым и последним n’ данным выборки оцениваются две частные регресии и векторы остатков e1 и e2 соответственно
k+1< n’≈ n/3, k+1 – число параметров модели.
-
По остаткам частных регрессий вычисляются суммы квадратов остатков:
-
вычисляются статистики, имеющие F-распределение:
GQ =Qост1/Qост2, GQ-1=Qост2/Qост1
-
по таблице распределения с двумя параметрами v1 = v2 = n’- k – 1 – число степеней свободы, для уровня значимости α определяется Fкр
-
гипотеза об отсутствии гетероскедастичности принимается, если справедливы оба неравенства GQ ≤ Fkp, GQ-1≤ Fkp, в противном случае делается вывод о гетероскедастичности случайных возмущений.
18. Система нормальных уравнений и явный вид ее решения при оценивании методом наименьших квадратов линейной модели множественной регрессии. (25 баллов)
В результате оценивания эконометрической модели отыскиваются оценки неизвестных параметров. Классический подход к оцениванию параметров линейной регрессии основан на методе наименьших квадратов (МНК). Метод наименьших квадратов позволяет получить такие оценки параметров a и b, при которых сумма квадратов отклонений фактических значений результативного признака y от расчетных (теоретических) ŷx минимальна: (1) Для того чтобы найти минимум функции (1), надо вычислить частные производные по каждому из параметров a и b и приравнять их к нулю. Тогда мы получаем следующую систему нормальных уравнений для оценки параметров a и b
Решая систему нормальных уравнений либо методом последовательного исключения переменных, либо методом определителей, найдем искомые оценки параметров a и b. Можно воспользоваться следующими формулами для a и b:
Эта формула получена из первого уравнения системы, если все его члены разделить на n:
где cov(x,y) — ковариация признаков; σх2— дисперсия признака х Поскольку , получим следующую формулу расчета оценки параметра b
Таким образом явный вид решения системы нормальных уравнений:
|