- •Модели с постоянной эластичностью. Производственная функция Кобба - Дугласа.
- •Модель с постоянными темпами роста (полулогарифмическая модель).
- •Полиномиальная регрессия.
- •29. Кривая Филлипса
- •Гетероскедастичность. Последствия гетероскедастичности для оценок параметров регрессии методом наименьших квадратов и проверки статистических гипотез.
- •31. Признаки гетероскедастичности и ее диагностирование.
- •32. Оценивание коэффициентов множественной линейной регрессии в условиях гетероскедастичности. Обобщенный метод наименьших квадратов.
- •Автокорреляция. Причины автокорреляции.
- •Влияние автокорреляции на свойства оценок мнк.
- •Тест серий. Статистика Дарбина – Уотсона.
- •36. Способы противодействия автокорреляции.
- •Стохастические объясняющие переменные. Последствия ошибок измерения.
- •Инструментальные переменные.
- •39. Лаговые переменные и экономические зависимости между разновременными значениями переменных.
- •40. Модели с распределенными лагами.
- •41. Модели автрегрессии как эквивалентное представление моделей с распределёнными лагами
- •45. Понятие об одновременных уравнениях. Структурная и приведённая форма модели.
- •46) Проблема идентификации. Неидентифицируемость и сверхидентифицированность.
- •47) Оценивание системы одновременных уравнений. Косвенный и двухшаговый мнк.
- •48)Системы эконометрических уравнений с лаговыми переменными.
- •49) Модель Кейнса.
Автокорреляция. Причины автокорреляции.
Природа автокорреляции кроется в нарушении одного из условий Кобба-Дугласа: Наблюдаемые значения случайного члена не коррелированны друг с другом ( ).
Виды автокорреляции:
Чистая автокорреляция – вызывается зависимостью случайного члена от прошлых значений:
Автокорреляция первого порядка ( , где - случайный член рассматриваемого уравнения регрессии; - коэффициент автокорреляции первого порядка; u – случайный член, не подверженный автокорреляции)
Автокорреляция второго порядка ( )
Автокорреляция высших порядков
Ложная автокорреляция – вызывается неправильной спецификацией модели
Последствия автокорреляции:
истинная автокорреляция не приводит к смещению оценок коэффициентов регрессии;
положительная автокорреляция (наиболее важный для экономики случай) приводит к увеличению дисперсии оценки коэффициентов;
автокорреляция вызывает снижение оценок стандартных ошибок коэффициентов.
Влияние автокорреляции на свойства оценок мнк.
Если оценивать параметры уравнения, не принимая во внимание автокорреляцию в остатках, и следовательно оценивать параметры a и b обычным методом МНК, то полученные оценки будут неэффективны. Т.к. они не буд4ут иметь минимальную дисперсию. Это приводит к увеличению стандартных ошибок, снижению фактических значений t-критерия и широким доверительным интервалам для коэффициента регрессии. На основе таких результатов можно сделать ошибочный вывод о незначимом влиянии исследуемого фактора на результат, в то время как на самом деле его влияние статистически значимо.
Отметим, что при соблюдении прочих предпосылок МНК автокорреляция остатков не влияет на свойства состоятельности и несмещенности оценок параметров уравнения регрессии обычным МНК, за исключением моделей авторегрессии.
Итак, если остатки по исходному уравнению содержат автокорреляцию, то для оценки параметров уравнения используют обобщенный МНК. Для его реализации следует выполнять следующие условия:
1) преобразовать исходные переменные y1 и x1 к виду:
2) Применив обычный МНК к уравнению (6), определить оценки параметров a и b
3) Рассчитать параметр a исходного уравнения как
4) Выписать исходное уравнение
Основная проблема, связанная с применением данного метода, заключается в том, как получить оценку . Существует множество способов оценить численное значение коэффициента автокорреляции остатков первого порядка. Однако основными способами являются оценка этого коэффициента непосредственно по остаткам, полученным по исходному уравнению регрессии, и получение его приближенного значения из соотношения между коэффициентом автокорреляции первого порядка и критерием Дарбина-Уотсона:
Тест серий. Статистика Дарбина – Уотсона.
Начнем с частного случая, в котором автокорреляция подчиняется авторегрессионной схеме первого порядка:
.
Это означает, что величина случайного члена в любом наблюдении равна его значению в предшествующем наблюдении (т. е. его значению в период t — 1), умноженному на ρ, плюс новый et,. Данная схема оказывается авторегрессионной, поскольку e определяется значениями этой же самой величины с запаздыванием, и схемой первого порядка. В этом простом случае максимальное запаздывание равно единице. Предполагается, что значение e в каждом наблюдении не зависит от его значений во всех других наблюдениях. Если ρ положительно, то автокорреляция положительная; если ρ отрицательно, то автокорреляция отрицательная. Если ρ = 0, то автокорреляции нет и третье условие Гаусса—Маркова удовлетворяется.
Широко известная статистика Дарбина—Уотсона (d илиDW) определяется следующим образом:
Можно показать, что в больших выборках
d→2-2ρ
Если автокорреляция отсутствует, то ρ= 0, и поэтому величина d должна быть близкой к двум. При наличии положительной автокорреляции величина d, вообще говоря, будет меньше двух; при отрицательной автокорреляции она, вообще говоря, будет превышать 2. Так как ρ должно находиться между значениями 1 и — 1, то d должно лежать между 0 и 4.
Критическое значение d при любом данном уровне значимости зависит, как можно предполагать, от числа объясняющих переменных в уравнении регрессии и от количества наблюдений в выборке. К сожалению, оно также зависит от конкретных значений, принимаемых объясняющими переменными. Поэтому невозможно составить таблицу с указанием точных критических значений для всех возможных выборок, как это можно сделать для t- и F-статистик; но можно вычислить верхнюю и нижнюю границы для критического значения d. Для положительной автокорреляции они обычно обозначаются как dv и dL.
На рис. данная ситуация представлена в виде схемы; стрелка указывает критический уровень d, который обозначается как d . Если бы мы знали значение dкрит, то могли бы сравнить с ним значение d, рассчитанное для нашей регрессии. Если бы оказалось, что d> dкрит, то мы не смогли бы отклонить нулевую гипотезу от отсутствии автокорреляции. В случае d<dкрит мы бы отклонили нулевую гипотезу и сделали вывод о наличии положительной автокорреляции
Вместе с тем мы знаем только, что dкриm находится где-то между dL и dU. Это предполагает наличие трех возможностей:
Величина d меньше, чем dL. В этом случае она будет также меньше, чем dKpum, и поэтому мы сделаем вывод о наличии положительной автокорреляции.
Величина d больше, чем dU. В этом случае она также больше критического уровня, и поэтому мы не сможем отклонить нулевую гипотезу.
Величина d находится между dL и dU. В этом случае она может быть больше или меньше критического уровня. Поскольку нельзя определить, которая из двух возможностей налицо, мы не можем ни отклонить, ни принять нулевую гипотезу.
В случаях 1 и 2 тест Дарбина—Уотсона дает определенный ответ, но случай 3 относится к зоне невозможности принятия решения, и изменить создавшееся положение нельзя.
Проверка на отрицательную автокорреляцию проводится по аналогичной схеме, причем зона, содержащая критический уровень, расположена симметрично справа от 2. Так как отрицательная автокорреляция встречается относительно редко, предполагается, что при необходимости вы сами вычислите границы зоны на основе соответствующих значений для положительной автокорреляции при данном числе наблюдений и объясняющих переменных. Это достаточно легко сделать. Как показано на рис., величина (4 — dU) есть нижний предел, ниже которого признается отсутствие автокорреляции, а (4 - dL) — верхний предел, выше которого делается вывод о наличии отрицательной автокорреляции.