🗊Презентация Эконометрика. Гетероскедастичность случайной составляющей

ГЕТЕРОСКЕДАСТИЧНОСТЬ СЛУЧАЙНОЙ СОСТАВЛЯЮЩЕЙ

Одной из предпосылок применения метода наименьших квадратов являлось требование гомоскедастичности, предполагающей независимость случайной составляющей модели от факторных переменных и равенство дисперсий случайных ошибок в каждом наблюдении между собой (i2=j2=const). Одной из предпосылок применения метода наименьших квадратов являлось требование гомоскедастичности, предполагающей независимость случайной составляющей модели от факторных переменных и равенство дисперсий случайных ошибок в каждом наблюдении между собой (i2=j2=const). Это требование означало, что нет оснований ожидать больших случайных отклонений в любом наблюдении. Нарушение этого требования приводит к развитию гетероскедастичности случайной составляющей модели.

- это ситуация не равенства дисперсий случайных составляющих друг другу (i2j2const). - это ситуация не равенства дисперсий случайных составляющих друг другу (i2j2const). Гетероскедастичность имеет место в следующих случаях:

Неэффективность оценок параметров регрессии; Неэффективность оценок параметров регрессии; Неточность стандартных ошибок параметров регрессии (следовательно, неверная интерпретация значимости параметров регрессии и неверность вывода о надежности уравнения регрессии).

Осуществляется по тесту Голдфелда–Квандта, который применяется в случае, когда среднее квадратическое отклонение случайной составляющей i пропорционально значению фактора в i-м наблюдении, i распределено нормально. Осуществляется по тесту Голдфелда–Квандта, который применяется в случае, когда среднее квадратическое отклонение случайной составляющей i пропорционально значению фактора в i-м наблюдении, i распределено нормально. Процедура Голдфелда–Квандта предполагает: Оценку регрессии по первым n переменным (n<N/2). Оценку регрессии по оставшимся N–n наблюдениям. Расчет сумм квадратов отклонений фактических значений результата от его расчетных значений для обеих регрессий:

Расчет отношения сумм квадратов отклонений или , при этом в числителе должна быть наибольшая из сумм. Данное отношение имеет F–распределение со степенями свободы: k1=n–h и k2=N–h, где h – число оцениваемых параметров модели. Если наблюдаемое отношение больше табличного значения F–распределения, то гетероскедастичность имеет место.

Возможно при помощи деления всего уравнения регрессии на величину i и замены переменных на новые (например, в случае парной линейной регрессии): Возможно при помощи деления всего уравнения регрессии на величину i и замены переменных на новые (например, в случае парной линейной регрессии): Этот способ применим, в случае, когда известны фактические значения i. Кроме того, можно предположить, что i приблизительно пропорциональная xi, следовательно, можно разделить все уравнение регрессии на xi и ввести новые переменные, тогда гетероскедастичность тоже будет устранена.

АВТОКОРРЕЛЯЦИЯ СЛУЧАЙНЫХ СОСТАВЛЯЮЩИХ

- это корреляционная зависимость между текущими уровнями каждой переменной и уровнями этой же переменной, сдвинутыми на несколько периодов времени назад. - это корреляционная зависимость между текущими уровнями каждой переменной и уровнями этой же переменной, сдвинутыми на несколько периодов времени назад. Автокорреляция случайной составляющей – корреляционная зависимость текущих i и предыдущих i–L значений случайной составляющей. Величина L называется запаздыванием или лагом (сдвигом во времени). Лаг определяет порядок автокорреляции. Автокорреляция нарушает условие независимости случайных составляющих в различных наблюдениях нормальной линейной модели регрессии. Обычно автокорреляция встречается при использовании временных рядов.

Автокорреляция может быть как положительной, так и отрицательной. Положительная автокорреляция означает постоянное однонаправленное действие неучтенных факторов на результат. Например, спрос на прохладительные напитки всегда выше тренда летом (>0) и ниже – зимой (<0). Автокорреляция может быть как положительной, так и отрицательной. Положительная автокорреляция означает постоянное однонаправленное действие неучтенных факторов на результат. Например, спрос на прохладительные напитки всегда выше тренда летом (>0) и ниже – зимой (<0). Отрицательная автокорреляция означает разнонаправленное действие неучтенных факторов, что приводит к отрицательной корреляции между последовательными значениями случайной составляющей (то есть за положительными значениями случайной составляющей в одном наблюдении идут отрицательные – в следующем). Отрицательная автокорреляция в экономике встречает крайне редко.

Неэффективность коэффициентов регрессии (при наличии несмещенности и состоятельности); Неэффективность коэффициентов регрессии (при наличии несмещенности и состоятельности); Занижение стандартных ошибок коэффициентов регрессии.

Обнаружить наличие автокорреляции можно (наиболее простым способом) с помощью анализа остатков между фактическим и рассчитанным по уравнению регрессии значением результата. Далее можно воспользоваться графическим методом. Для этого с помощью МНК–процедуры рассчитываются остатки еt и строится график зависимости остатков от номера наблюдения Обнаружить наличие автокорреляции можно (наиболее простым способом) с помощью анализа остатков между фактическим и рассчитанным по уравнению регрессии значением результата. Далее можно воспользоваться графическим методом. Для этого с помощью МНК–процедуры рассчитываются остатки еt и строится график зависимости остатков от номера наблюдения

Необходимо: Необходимо: Выделить фактор, ответственный за автокорреляцию и включить его в уравнение регрессии (но это сложно); Рассчитаем коэффициент автокорреляции : оценить регрессию с помощью МНК, вычислить остатки еt для всех наблюдений, оценить регрессионную зависимость еt от еt–1. Тогда где здесь et - остаток регрессии по N наблюдениям, et-1 – остаток регрессии по t–1 наблюдению. .

Произвести преобразование координат уравнения регрессии. В случае парной линейной регрессии уравнение в новых переменных будет: Произвести преобразование координат уравнения регрессии. В случае парной линейной регрессии уравнение в новых переменных будет: где Далее с помощью МНК–процедуры вычисляются параметры этого уравнения и снова оцениваются остатки, а затем процесс повторяется до успешного устранения автокорреляции.

АВТОКОРРЕЛЯЦИЯ УРОВНЕЙ ВРЕМЕННОГО РЯДА

Модели, построенные по временным данным, называются моделями временных рядов – это ряды значений какого-либо показателя, характеризующие один и тот же объект за несколько последовательных моментов или периодов времени. Уровень временного ряда Xt складывается из следующих компонент: Модели, построенные по временным данным, называются моделями временных рядов – это ряды значений какого-либо показателя, характеризующие один и тот же объект за несколько последовательных моментов или периодов времени. Уровень временного ряда Xt складывается из следующих компонент: Трендовой компоненты, характеризующей основную тенденцию уровней ряда (Т); Циклической (периодической) компоненты, характеризующей циклические колебания изучаемого явления. Выделяют конъектурную компоненту (К) и сезонную – (S); Случайной компоненты, которая является результатом воздействия множества случайных факторов ().

Уровень ряда можно представить в виде функции X=f(T,K,S,). В зависимости от вида связи между компонентами может быть построена либо аддитивная модель X= T+K+S+, либо мультипликативная модель: X=TKS ряда динамики. Уровень ряда можно представить в виде функции X=f(T,K,S,). В зависимости от вида связи между компонентами может быть построена либо аддитивная модель X= T+K+S+, либо мультипликативная модель: X=TKS ряда динамики. Для выявления структуры ряда (т. е. состава компонент) строят автокорреляционную функцию. Автокорреляция уровней ряда – корреляционная связь между последовательными уровнями ряда динамики (сдвинутыми на определенный промежуток времени L – лаг). Она может быть измерена коэффициентом автокорреляции: Лаг определяет порядок коэффициента автокорреляции. Рассчитав несколько коэффициентов автокорреляции, можно определить лаг, при котором автокорреляция наиболее высокая, выявив тем самым структуру временного ряда.

Первого порядка равен: Первого порядка равен: Второго порядка коэффициент рассчитывается по N и N–2 наблюдениям: Далее рассчитываются коэффициенты третьего, четвертого и далее порядка:

ПОСТРОЕНИЕ ТРЕНДА ВРЕМЕННОГО РЯДА

Для выявления основной тенденции (тренда) в уровнях ряда, т. е. выравнивания ряда динамики, используются различные методики: Для выявления основной тенденции (тренда) в уровнях ряда, т. е. выравнивания ряда динамики, используются различные методики: Методы механического выравнивания (без количественной модели); Метод аналитического выравнивания (с использованием количественной модели). Методы механического выравнивания (скользящих средних, экспоненциального сглаживания и др.) подробно изучаются в статистике. В эконометрике основное внимание уделяется методу аналитического выравнивания.

Данный метод заключается в построении уравнения регрессии, характеризующего зависимость уровней ряда от временной переменной X=f(t). При выборе функции тренда можно воспользоваться методом конечных разностей (при равенстве интервалов между уровнями ряда).

Конечными разностями первого порядка являются Конечными разностями первого порядка являются Второго порядка j-го порядка:

Если тенденция выражается линейным уравнением, то конечные разности первого порядка постоянны, а разности второго порядка равны нулю. Если тенденция выражается параболой второго порядка, то постоянны конечные разности второго порядка, а третьего – равны нулю. Порядок конечных разностей j, становящихся приблизительно равными друг другу отвечает за степень выравнивающего многочлена: Если тенденция выражается линейным уравнением, то конечные разности первого порядка постоянны, а разности второго порядка равны нулю. Если тенденция выражается параболой второго порядка, то постоянны конечные разности второго порядка, а третьего – равны нулю. Порядок конечных разностей j, становящихся приблизительно равными друг другу отвечает за степень выравнивающего многочлена: Если примерно равными оказываются темпы роста, то для выравнивания применяют показательную функцию

При выборе вида функции следует исходить из объема имеющейся информации. Чем больше параметров содержит уравнение, тем больше должно быть наблюдений при одной и той же степени надежности оценивания. Выбор функции осуществляется и на основе принятого критерия качества уравнения регрессии, из совокупности зависимостей выбирается та, которая дает минимальное значение критерия. При выборе вида функции следует исходить из объема имеющейся информации. Чем больше параметров содержит уравнение, тем больше должно быть наблюдений при одной и той же степени надежности оценивания. Выбор функции осуществляется и на основе принятого критерия качества уравнения регрессии, из совокупности зависимостей выбирается та, которая дает минимальное значение критерия. Например, в случае парной линейной регрессии параметры регрессии будут:

МОДЕЛИРОВАНИЕ СЕЗОННЫХ И ЦИКЛИЧЕСКИХ КОЛЕБАНИЙ

При моделировании сезонных или циклических колебаний существует несколько классических подходов: При моделировании сезонных или циклических колебаний существует несколько классических подходов: Расчет значений сезонной компоненты и построение аддитивной или мультипликативной модели временного ряда; Применение сезонных фиктивных переменных; Использование рядов Фурье и др.

Рассмотрим первый наиболее простой из этих подходов для моделирования сезонных колебаний. Выбор типа модели зависит от динамики амплитуды колебаний. Если амплитуда не меняется во времени, то применяют аддитивную модель, в противном случае – мультипликативную. Рассмотрим первый наиболее простой из этих подходов для моделирования сезонных колебаний. Выбор типа модели зависит от динамики амплитуды колебаний. Если амплитуда не меняется во времени, то применяют аддитивную модель, в противном случае – мультипликативную. Количество исходных уровней временного ряда Xij (где i=1,…, L – число сезонов (квартала, месяца и т. п.), a j=1,…, k – число года) равно Lk=N. При построении модели вначале строят сезонную компоненту, а только после этого рассчитывают трендовую. Для аддитивной модели в качестве сезонной компоненты применяют абсолютное отклонение, для мультипликативной – индекс сезонности. В случае аддитивной модели сумма всех сезонных компонент должна быть равна нулю, а в случае мультипликативной – их произведение должно равняться единице.

Перед расчетом сезонных компонент ряд динамики выравнивают (например, с помощью метода скользящей средней) и получают выровненный ряд Xijв. Абсолютное отклонение по выровненному ряду будет: Перед расчетом сезонных компонент ряд динамики выравнивают (например, с помощью метода скользящей средней) и получают выровненный ряд Xijв. Абсолютное отклонение по выровненному ряду будет: Индекс сезонности: Далее при построении трендовой компоненты используется аналитическое выравнивание.

СИСТЕМЫ ЭКОНОМЕТРИЧЕСКИХ УРАВНЕНИЙ

Сложные социально–экономические явления обычно описываются с помощью целой системы взаимосвязанных эконометрических уравнений. В некоторых случаях трудно бывает определить, какие из переменных являются зависимыми, а какие свободными. Выделяют следующие типы эконометрических систем: Сложные социально–экономические явления обычно описываются с помощью целой системы взаимосвязанных эконометрических уравнений. В некоторых случаях трудно бывает определить, какие из переменных являются зависимыми, а какие свободными. Выделяют следующие типы эконометрических систем: Системы независимых уравнений, в которых каждая результирующая переменная рассматривается как функция ряда выделенных факторов; Системы рекурсивных уравнений, в которых результат каждого последующего уравнения является функцией от всех переменных предыдущих уравнений; Системы взаимозависимых (совместных, одновременных) уравнений, в которых факторные переменные в одних уравнения входят в левую часть, а в других – в правую (одновременно одни и те же переменные рассматриваются и как результаты и как факторы).

Являются наиболее сложными. Являются наиболее сложными. Для них традиционный МНК не применим, так как нарушаются его предпосылки. Здесь применяется понятие структурной и приведенной формы системы одновременных уравнений.

Структурная форма описывает реальный экономический процесс или явление, параметры таких моделей называются структурными. Некоторые ее уравнения могут быть представлены тождествами. От структурной формы можно перейти к приведенной форме – системе независимых уравнений, в которой все текущие эндогенные переменные представлены в модели. Параметры приведенной формы определяются независимо традиционным МНК. Структурная форма описывает реальный экономический процесс или явление, параметры таких моделей называются структурными. Некоторые ее уравнения могут быть представлены тождествами. От структурной формы можно перейти к приведенной форме – системе независимых уравнений, в которой все текущие эндогенные переменные представлены в модели. Параметры приведенной формы определяются независимо традиционным МНК. Зная параметры приведенной формы, и, если оценки структурных параметров можно однозначно найти по приведенным коэффициентам, можно оценить коэффициенты структурной формы модели.