Читать онлайн «Ответы на экзаменационные билеты по эконометрике». Страница 29

Определение. Суть методов коррекции гетероскедастичности состоит в определении оценки ковариационной матрицы случайных ошибок модели регрессии:

Для определения оценок

используется метод Бреуше-Пайана, который реализуется в несколько этапов:

1) после получения оценок неизвестных коэффициентов модели регрессии рассчитывают остатки ei и показатель суммы квадратов остатков

2) рассчитывают оценку дисперсии остатков модели регрессии по формуле:

3) строят взвешенную модель регрессия, где весами являются оценка дисперсии остатков модели регрессии

4) если при проверке гипотез взвешенная модель регрессии является незначимой, то можно сделать вывод, что оценки матрицы ковариаций Ω являются неточными.

Если вычислены оценки дисперсий остатков модели регрессии, то в этом случае можно использовать доступный обобщённый или взвешенный методы наименьших квадратов для вычисления оценок коэффициентов модели регрессии, которые отличаются только оценкой

Если гетероскедастичность остатков не поддаётся корректировке, то можно рассчитать оценки неизвестных коэффициентов модели регрессии с помощью классического метода наименьших квадратов, но затем подвергнуть корректировке ковариационную матрицу оценок коэффициентов

т. к. условие гетероскедастичности приводит к увеличению данной матрицы.

Ковариационная матрица оценок коэффициентов

может быть скорректирована методом Уайта:

где N – количество наблюдений;

X – матрица независимых переменных;

– квадрат остатков модели регрессии;

– транспонированная i-тая строка матрицы данных Х.

Корректировка ковариационной матрицы оценок коэффициентов

методом Уайта приводит к изменению t-статистики и доверительных интервалов для коэффициентов регрессии.

Автокорреляцией называется корреляция, возникающая между уровнями изучаемой переменной. Это корреляция, проявляющаяся во времени. Наличие автокорреляции чаще всего характерно для данных, представленных в виде временных рядов.

Автокорреляцией остатков модели регрессииei (или случайных ошибок регрессии модели βi) называется корреляционная зависимость между настоящими и прошлыми значениями остатков.

Временным лагом называется величина сдвига между рядами остатков модели регрессии.

Величина временного лага определяет порядок коэффициента автокорреляции. Например, если между остатками en и en-1 существует корреляционная зависимость, то временной лаг равен единице. Следовательно, данную корреляционную зависимость можно охарактеризовать с помощью коэффициента автокорреляции первого порядка между рядами остатков e1…en-1 и e2…en.

Одно из условий, которое учитывается при построении нормальной линейной модели регрессии, заключается в некоррелированности случайных ошибок модели регрессии, т. е. ковариация случайных ошибок любых двух разных наблюдений равна нулю:

Если в модели регрессии случайные ошибки коррелированны между собой, то данное условие нарушается.

Последствия, к которым может привести наличие в модели регрессии автокорреляции остатков, совпадают с последствиями, к которым может привести наличие в модели регрессии гетероскедастичности:

1) оценки неизвестных коэффициентов нормальной линейной модели регрессии являются несмещёнными и состоятельными, но при этом теряется свойство эффективности;

2) существует большая вероятность того, что оценки стандартных ошибок коэффициентов модели регрессии будут рассчитаны неверно, что конечном итоге может привести к утверждению неверной гипотезы о значимости коэффициентов регрессии и значимости модели регрессии в целом.

Наиболее наглядным способом обнаружения автокорреляции случайных остатков регрессионной модели является графический метод. При этом осуществляется построение графиков автокорреляционной и частной автокорреляционной функций.

Автокорреляционной функцией называется функция оценки коэффициента автокорреляции в зависимости от величины временного лага между исследуемыми рядами.

Графически автокорреляционная функция изображается с помощью коррелограммы. Коррелограмма отражает численно и графически коэффициенты автокорреляции и их стандартные ошибки для последовательности лагов из определённого диапазона (например, от 1 до 25). При этом по оси Х откладываются значения τ (тау) – величины сдвига между рядами остатков, которые совпадают с порядком автокорреляционного коэффициента. Также на коррелограмме отмечается диапазон в размере двух стандартных ошибок коэффициентов автокорреляции на каждом лаге.

Частная автокорреляционная функция является более углублённой версией обычной автокорреляционной функции. Её отличительной особенностью является исключение корреляционной зависимости между наблюдениями внутри лагов, т. е. частная автокорреляционная функция на каждом лаге отличается от обычной автокорреляционной функции на величину удалённых автокорреляций с меньшими временными лагами. Следовательно, частная автокорреляционная функция более точно характеризует автокорреляционные зависимости внутри временного ряда.

Помимо автокорреляционной и частной автокорреляционной функций для обнаружения автокорреляции остатков модели регрессии используется критерий Дарбина-Уотсона. Однако данный критерий можно применять только для обнаружения автокорреляции первого порядка между соседними рядами случайных остатков.

Предположим, что на основе собранных данных была построена линейная модель множественной регрессии, которая представлена в матричном виде:

Y=Xβ+εt.

Присутствующая в данной модели регрессии автокорреляция первого порядка может генерировать ошибку, определяемую по формуле:

εt=ρεt-1+νt

где ρ – коэффициент автокорреляции, |ρ|<1;

νt – независимые, одинаково распределённые случайные величины с нулевым математическим ожиданием и дисперсией G2(νt).

Перед исследователем стоит задача определения наличия автокорреляции первого порядка в построенной модели регрессии.

Выдвигается основная гипотеза о незначимости коэффициента автокорреляции первого порядка:

H0: ρ1=0.

Обратная или конкурирующая гипотеза состоит в утверждении о значимости коэффициента автокорреляции:

H0: ρ1≠0.

Проверка выдвинутых гипотез осуществляется с помощью критерия Дарбина-Уотсона.

Наблюдаемое значение критерия Дарбина-Уотсона (вычисленное на основе выборочных данных) сравнивают с критическим значением критерия Дарбина-Уотсона, которое определяется по специальным таблицам.

Критическое значение критерия Дарбина-Уотсона определяется в зависимости от значений верхней d1 и нижней d2 границ критерия по специальным таблицам. Данные границы определяются в зависимости от объёма выборочной совокупности n и числа степеней свободы (h-1), где h – количество оцениваемых по выборке параметров.

Наблюдаемое значение критерия Дарбина-Уотсона при проверке основной гипотезы вида H0: ρ1=0 определяется по формуле:

где et – остатки модели регрессии в наблюдении t, определяемые по формуле:

et-1 – остатки модели регрессии в наблюдении t-1, определяемые по формуле:

Приближённое значение величины критерия Дарбина-Уотсона можно также рассчитать по формуле:

dнабл≈2(1-r1),

где r1 – выборочный коэффициент автокорреляции первого порядка. В зависимости от величины данного коэффициента, наблюдаемое значение критерия Дарбина-Уотсона определяется следующим образом:

1) если r1=0, то dнабл=2;

2) если r1=+1, то dнабл=0;

3) если r1=-1, то dнабл=4.

Если коэффициент автокорреляции является положительной величиной, то при проверке гипотез возможно возникновение следующих ситуаций.

Если наблюдаемое значение критерия Дарбина-Уотсона меньше критического значения его нижней границы, т. е. dнабл‹d1, то основная гипотеза об отсутствии автокорреляции первого порядка между остатками модели регрессии отклоняется.