- •Эконометрика как наука, определение, основные цели и задачи.
- •Этапы построения моделей, их практическое содержание и особенности.
- •Базовые понятия эконометрики: экономический объект, переменные объекта и их взаимосвязи. Примеры экономических моделей.
- •4. Принципы спецификации эконометрических моделей и их содержание.
- •Классификация переменных эконометрических моделей.
- •Классификация моделей и их формы.
- •7. Формы эконометрических моделей. Переход от структурной к приведенной форме модели.
- •8. Учет случайности характера взаимодействия переменных в экономических объектах. Общий вид эконометрической модели.
- •9. Модели временных рядов, их спецификация.
- •11. Метод наименьших квадратов, основные понятия и определения. Расчет оценок параметров уравнения парной регрессии методом наименьших квадратов.
- •13.Теорема Гаусса-Маркова, основные допущения и предпосылки, их практическое содержание и назначение
- •14.Оценка уравнения парной регрессии с помощью процедур, сформулированных в теореме Гаусса-Маркова.
- •16. Проверка статистических гипотез. Оценка статистической значимости параметров уравнения множественной регрессии.
- •17. Автокорреляция в уравнениях множественной регрессии, признаки ее наличия и последствия.
- •18. Тестирование моделей на присутствие автокорреляции.
- •19.Методы устранения автокорреляции в уравнениях множественной регрессии.
- •20.Гетероскедастичность в уравнениях множественной регрессии, ее признаки, последствия и методы устранения.
- •21.Тестирование моделей на наличие гетероскедастичности, тест Готфельда-Квандта
- •1. Случай уравнения парной регрессии
- •1. Гетероскедастичность приводит к смещенности оценок параметров модели
- •2. Одним из способов обнаружения гетероскедастичности является тест Голдфелда-Квандта
- •3. Взвешенный метод наименьших квадратов позволяет получить несмещенные оценки параметров модели в условиях гетероскедастичности
- •25. Взвешенный метод наименьших квадратов
- •26. Обобщенный метод наименьших квадратов. Теорема Эткейна.
- •27. Построение нелинейных моделей. Методы линеаризации.
- •28. Ошибки спецификации моделей, их последствия и способы устранения.
- •29. Фиктивные переменные и особенности их использования в моделях.
21.Тестирование моделей на наличие гетероскедастичности, тест Готфельда-Квандта
В основе теста лежат два предположения:
1. Случайные возмущения подчиняются нормальному закону распределения
2. Стандартные ошибки случайных возмущений σ(ut) пропорциональны значениям регрессора xt.
Алгоритм теста
Шаг 1. Имеющаяся выборка из n наблюдений сортируется по возрастанию значений регрессора х
Шаг 2. Полученная в результате сортировки выборка делится на три примерно равные части
Шаг 3. Для первой и третьей частей выборки строятся модели парной регрессии, т.е. для них вычисляются оценки параметров a0 и a1
В результате получаются две модели парной регрессии (для каждой части общей выборки):
Y1=ã01 + ã11x +u1 (1)
Y3=ã03 + ã13x +u3 (2)
Исходя из принятых допущений, считается, что, если ошибки случайных возмущений в «первой» и «третьей» частях выборки будут равны, то условие гомоскедостичности выполняется
Шаг 4. Для уравнений (1) и (2) вычисляются значения ESS1 и ESS3.
Где ESS=Σ(ui2)=Σ(yi-ã0-ã1xi)2
Шаг 5. Проверяется гипотеза о равенстве σu1 и σu3
5.1.Формируется случайная переменная GQ в виде:
(В схеме Гаусса-Маркова переменная GQ имеет закон распределения Фишера.)
5.2. Вычисленное значение GQ сравнивается с критическим значением Fкр(Pдов,n1,n3):
Если GQ ≤ Fкр(Pдов,n1,n3)
и 1/GQ ≤ Fкр(Pдов,n1,n3),
то гипотеза о гомоскедастичности случайных возмущений принимается
22. Тестирование моделей на наличие гетероскедастичности, тест ранговой корреляции. И 23. Устранение гетероскедастичности в уравнениях множественной регрессии, тест Голдфреда-Квандта.
Условия обеспечивающие гомоскедастичность (однородность) случайных возмущений:
1. Средние значения случайных возмущений в каждом наблюдении равно нулю
2. Распределения одинаковы для всех наблюдений
Последствия нарушения условия гомоскедастичности случайных возмущений:
1. Потеря эффективности оценок коэффициентов регрессии, т.е. можно найти другие, отличные от МНК и более эффективные оценки
2. Смещенность стандартных ошибок коэффициентов в связи с некорректностью процедур их оценки
Данный тест предназначен для того, чтобы проверить гипотезу об отсутствии гетероскедастичности случайных возмущений в схеме Гаусса-Маркова
1. Случай уравнения парной регрессии
Имеем спецификацию модели в виде:
Yt=a0 + a1xt+ut
Имеем выборку в объеме n наблюдений за переменными Yt и xt для оценки параметров этой модели
В основе теста лежат два предположения:
1. Случайные возмущения подчиняются нормальному закону распределения
2. Стандартные ошибки случайных возмущений σ(ut) пропорциональны значениям регрессора xt.
Шаг 1. Имеющаяся выборка из n наблюдений сортируется по возрастанию значений регрессора х
Шаг 2. Полученная в результате сортировки выборка делится на три примерно равные части
Шаг 3. Для первой и третьей частей выборки строятся модели парной регрессии, т.е. для них вычисляются оценки параметров a0 и a1
В результате получаются две модели парной регрессии (для каждой части общей выборки):
Y1=ã01 + ã11x +u1 (10.1)
Y3=ã03 + ã13x +u3 (10.2)
Исходя из принятых допущений, считается, что, если ошибки случайных возмущений в «первой» и «третьей» частях выборки будут равны, то условие гомоскедостичности выполняется
Шаг 4. Для уравнений (10.1) и (10.2) вычисляются значения ESS1 и ESS3.
Где ESS=Σ(ui2)=Σ(yi-ã0-ã1xi)2
Шаг 5. Проверяется гипотеза о равенстве σu1 и σu3
5.1.Формируется случайная переменная GQ в виде:
В схеме Гаусса-Маркова переменная GQ имеет закон распределения Фишера.
5.2. Вычисленное значение GQ сравнивается с критическим значением Fкр(Pдов,n1,n3):
Если GQ ≤ Fкр(Pдов,n1,n3)
и 1/GQ ≤ Fкр(Pдов,n1,n3),
то гипотеза о гомоскедастичности случайных возмущений принимается
Случай уравнения множественной регрессии.
Yt=a0+a1x1t+a2x2t+a3x3t+ut
Сортировка проводится по величине р=|x1|+|x2|+|x3|
Если интерес представляет конкретный регрессор, который приводит к гетероскедастичности, алгоритм повторяется для каждого регрессора в отдельности
В результате обнаруживается регрессор вызывающий гетероскедастичность
Случай уравнения множественной регрессии Имеем:
-
Спецификацию модели:
Yt=a0+a1x1t+a2x2t+a3x3t+ut (10.5)
2. Выборку наблюдений за переменными {Y,x1,x2,x3}
3. Модель по этим данным гетероскедастична
4. Известны значения σ(ut) в каждом наблюдении
Выводы: