- •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
Тест Голдфелда-Квандта
В данном случае предполагается, что стандартное отклонение пропорционально значению переменной в этом наблюдении, то есть .
Тест Голдфелда-Квандта состоит в следующем:
Все наблюдений упорядочиваются по величине .
Вся упорядоченная выборка после этого разбивается на три подвыборки размерностей соответственно.
Оцениваются отдельные регрессии для первой подвыборки ( первых наблюдений) и для третьей подвыборки ( последних наблюдений). Для парной регрессии Голдфелд и Квандт предлагают следующие пропорции: . Если предположение о пропорциональности дисперсий отклонений значениям верно, то дисперсия регрессии по первой подвыборке (рассчитываемая как ) будет существенно меньше дисперсии регрессии по третьей подвыборке (рассчитываемой как ).
Для сравнения соответствующих дисперсий строится соответствующая -статистика: . Здесь - число степеней свободы соответствующих выборочных дисперсий ( - количество объясняющих переменных в уравнении регрессии). Построенная -статистика имеет распределение Фишера с числом степеней свободы .
Если (где , определяется по таблице, - выбранный уровень значимости), то гипотеза об отсутствии гетероскедастичности отклоняется.
Критическое значение - статистики рассчитывается с помощью функции MS Excel FРАСПОБР, в панели которой вводятся значения пороговой значимости (например, 0,05) и степени свободы .
Этот же тест может использоваться при предположении об обратной пропорциональности между и значениями объясняющей переменной. При этом статистика Фишера имеет вид: . Для множественной регрессии данный тест обычно применяется для той объясняющей переменной, которая в наибольшей степени связана с . При этом должно быть больше, чем . Если нет уверенности относительно выбора переменной , то данный тест может осуществляться для каждой из объясняющих переменных.
§5.2. Методы смягчения проблемы гетероскедастичности
Как отмечалось ранее, гетероскедастичность приводит к неэффективности оценок, что может привести к необоснованным выводам по качеству модели. Поэтому при установлении гетероскедастичности необходимо преобразовать модель с целью устранения данного недостатка. Вид преобразования зависит от того, известны или нет дисперсии отклонений .
Дисперсии отклонений известны (метод взвешенных наименьших квадратов)
Данный метод применяется при известных для каждого наблюдений значений . В этом случае можно устранить гетероскедастичность, разделив каждое наблюдаемое значение на соответствующее ему значение дисперсии. В этом суть метода взвешенных наименьших квадратов (ВМНК).
Для простоты рассмотрим взвешенный метод наименьших квадратов на примере парной регрессии . Разделим обе части на известное : . Обозначим , , , , получим уравнение регрессии без свободного члена, но с дополнительной объясняющей переменной и с преобразованным отклонением , для которого выполняется условие гомоскедастичности: . Таким образом ВМНК включает в себя следующие этапы:
Значения каждой пары наблюдений делят на известную величину . Тем самым наблюдениям с наименьшими дисперсиями придаются наибольшие веса, а с максимальными дисперсиями – наименьшие веса. Это увеличивает вероятность получения более точных оценок.
По методу наименьших квадратов для преобразованных значений ( ) строится уравнение регрессии без свободного члена с гарантированными качествами оценок.