- •080105.65 ‑ Финансы и кредит;
- •080107.65 – Налоги и налогообложение;
- •080103.65 ‑ Национальная экономика
- •Введение 5
- •Введение
- •Глава 1. Корреляционный анализ §1.1. Корреляционный анализ в сильных шкалах
- •§1.2. Корреляционный анализ в слабых шкалах
- •Глава 2. Парный регрессионный анализ §2.1. Линейная модель парной регрессии
- •§2.2. Парный линейный регрессионный анализ в ms Excel
- •2.2.1. Добавление линейного тренда
- •2.2.2. Интерпретация линии тренда
- •2.2.3. Усовершенствование линии тренда
- •2.2.4. Инструмент анализа Регрессия
- •2.2.5. Интерпретация регрессии
- •2.2.6. Диаграммы регрессии
- •2.2.6. Регрессионные функции
- •§2.3. Парный нелинейный регрессионный анализ в ms Excel
- •2.3.1. Полиномиальное приближение
- •2.3.2. Логарифмическое приближение
- •2.3.3. Показательное приближение
- •2.3.4. Экспоненциальное приближение
- •Глава 3. Множественный линейный регрессионный анализ
- •§3.1. Спецификация модели. Отбор факторов при построении уравнения множественной регрессии
- •§3.2. Метод наименьших квадратов (мнк). Свойства оценок на основе мнк
- •§3.3. Проверка существенности факторов и показатели качества регрессии
- •§3.4. Линейные регрессионные модели с гетероскедастичными остатками
- •§3.5. Обобщенный метод наименьших квадратов (омнк)
- •§3.6. Регрессионные модели с переменной структурой (фиктивные переменные)
- •Решение
- •Вариант 1
- •Вариант 2
- •Вариант 3
- •Вариант 4
- •Вариант 5
- •Вариант 6
- •Вариант 7
- •Вариант 8
- •Вариант 9
- •Вариант 10
- •Глава 4. Множественный линейный регрессионный анализ средствами ms Excel
- •§4.1. Интерпретация результатов регрессии
- •Значимость коэффициентов
- •Интерпретация регрессионных статистик
- •Интерпретация анализа дисперсии
- •§4.2. Анализ остатков
- •§4.3. Использование линии тренда для прогноза
- •Интерпретация прогноза
- •Глава 5. Гетероскедастичность и автокорреляция
- •§5.1. Обнаружение гетероскедастичности
- •Графический анализ остатков
- •Тест ранговой корреляции Спирмена
- •Тест Голдфелда-Квандта
- •§5.2. Методы смягчения проблемы гетероскедастичности
- •Дисперсии отклонений известны (метод взвешенных наименьших квадратов)
- •5.2.2. Дисперсии отклонений неизвестны
- •§5.3. Автокорреляция
- •Суть и причины автокорреляции
- •Обнаружение автокорреляции
- •Математико-статистические таблицы в.1. Таблица значений -критерия Фишера при уровне значимости
- •В.2. Критические значения -критерия Стьюдента при уровне значимости 0,10, 0,05, 0,01 (двухсторонний)
- •В.3. Значения статистик Дарбина-Уотсона при 5%-ом уровне значимости
- •Список основной литературы
- •Александр Леонидович осипов Евгений Алексеевич рапоцевич практикум по эконометрике
- •080105.65 ‑ Финансы и кредит;
- •080107.65 – Налоги и налогообложение;
- •080103.65 ‑ Национальная экономика
Глава 5. Гетероскедастичность и автокорреляция
При практическом проведении регрессионного анализа при помощи МНК следует обратить серьезное внимание на проблемы, связанные с выполнимостью свойств случайных отклонений модели. Свойства оценок коэффициентов регрессии напрямую зависят от свойств случайного члена в уравнении регрессии. Для получения качественных оценок необходимо следить за выполнимостью предпосылок МНК, так как при их нарушении МНК может давать оценки с плохими статистическими свойствами. Одной из ключевых предпосылок МНК является условие постоянства дисперсий случайных отклонений. Выполнимость данной предпосылки называется гомоскедастичностью (постоянством дисперсии отклонений), а невыполнимость данной предпосылки называется гетероскедастичностью (непостоянством дисперсии отклонений).
Случайные отклонения принимают произвольные значения некоторых вероятностных распределений. Но, несмотря на то, что при каждом конкретном наблюдении случайное отклонение может быть большим либо меньшим, положительным либо отрицательным, не должно быть причины, вызывающей большие отклонения при одних наблюдениях и меньшие при других.
Гетероскедастичность приводит к тому, что выводы, полученные на основе - и - статистик, а также интервальные оценки будут ненадежными.
§5.1. Обнаружение гетероскедастичности
Обнаружение гетероскедастичности является довольно сложной задачей. В настоящее время существует ряд методов, позволяющих определить наличие гетероскедастичности.
Графический анализ остатков
В этом случае по оси абсцисс откладываются значения объясняющей переменной , а по оси ординат либо отклонения , либо их квадраты . Если все отклонения находятся внутри полуполосы постоянной ширины, параллельной оси абсцисс, то это говорит о независимости дисперсий от значений переменной и их постоянстве, то есть в этом случае выполняются условия гомоскедастичности. В противном случае будут наблюдаться некоторые систематические изменения в соотношениях между и . Такие ситуации отражают большую вероятность наличия гетероскедастичности для рассматриваемых статистических данных.
Тест ранговой корреляции Спирмена
Значения и ранжируются (упорядочиваются по величинам). Затем определяется коэффициент ранговой корреляции , где - разность между рангами и , - число наблюдений. Например, если является 25 –ым по величине среди всех наблюдений, а является 32 – ым, то . Затем рассчитывается статистика . Если значение, рассчитанное выше, превышает критическое , вычисленное по таблице, то необходимо отклонить гипотезу об отсутствии гетероскедастичности. В противном случае гипотеза об отсутствии гетероскедастичности принимается. Критическое значение - статистики рассчитывается с помощью функции MS Excel СТЬЮДРАСПОБР, в панели которой вводятся значения пороговой значимости (например, 0,05) и степени свободы , где - количество независимых переменных.
Если в модели регрессии больше, чем одна объясняющая переменная, то проверка гипотезы может осуществляться с помощью - статистики для каждой из них отдельно.