WWW.REFERATCENTRAL.ORG.UA - Я ТУТ НАВЧАЮСЬ

... відкритий, безкоштовний архів рефератів, курсових, дипломних робіт

ГоловнаЕкономіка (різне) → Гетероскедастичність - Реферат

Гетероскедастичність - Реферат

Нехай коли де .

Задача зводиться до того, щоб передбачити значення залежної змінної для заданого вектора . Можна записати

(7.14)

де — невідоме значення відхилень у прогнозний період. Нехай для

і (7.15)

а (7.16)

де W — вектор коваріацій поточних і прогнозних значень залишків.

Сформулюємо лінійний прогноз:

, (7.17)

де с n-вимірний вектор, який має мінімізувати дисперсію прогнозу:

(7.18)

Мінімальне значення дисперсії прогнозу досягається для

Враховуючи (7.14) і (7.17), можна записати відхилення

З умови незміщеності прогнозу випливає, що вектор с повинен задовольняти рівність

= 0.(7.19)

Тоді помилка прогнозу матиме вигляд:

Оскільки — скаляр, то дисперсія прогнозу:

(7.20)

Вірогідності прогнозу буде досягнуто тоді, коли дисперсія стане мінімальною. Тому формулюємо задачу:

мінімізувати (7.21)

за умови незміщеності прогнозу:

= 0.

Щоб розв'язати задачу (7.21), будуємо функцію Лагранжа

де — (m – 1)-вимірний вектор, компонентами якого є множники Лагранжа. Продиференціювавши функцію за невідомими параметрами с і  і прирівнявши похідні до нуля, дістанемо рівняння

Розв'язавши їх, знайдемо :

Підставимо це значення в (7.13) і визначимо найкращий лінійний незміщений прогноз

Оскільки ,

то (7.22)

де — вектор залишків, який відповідає оцінці параметрів моделі на основі 1МНК.

Отже, для прогнозу можна використовувати співвідношення (7.22). Цей прогноз має дві особливості:

1) вектор прогнозних значень перемножується на вектор оцінок , обчислений згідно з узагальненим методом найменших квадратів;

2) для оцінювання невідомих прогнозних залишків застосовується матриця V, яка містить інформацію про взаємозалежність залишків базисного періоду.

висновки

1. Якщо дисперсія залишків лишається сталою для кожного спостереження, тобто , то це явище називається гомоскедастичністю, причому воно є однією з чотирьох необхідних умов для застосування 1МНК при оцінюванні параметрів моделі.

2. Якщо дисперсія залишків змінюється для кожного спостереження чи групи спостережень, тобто , то це явище називається гетероскедастичністю, і воно спричинюється до того, що оцінки параметрів моделі 1МНК будуть незміщеними, обгрунтованими, але неефективними.

3. За наявності гетероскедастичності в простій економетричній моделі, тобто Y = a0 + a1Х + uХ, щоб оцінити параметри 1МНК, достатньо ліву і праву частини моделі поділити на Х, що практично змінює специфікацію моделі.

Коли будується економетрична модель з багатьма змінними, таке перетворення значно ускладнюється. Тому необхідно перевіряти гіпотезу, згідно з якою , де S — відома симетрична додатно визначена матриця, а — невідомий параметр.

4. Перевірка припущень про наявність гетероскедастичності залежить від природи вихідних даних. Для перевірки наявності гетероскедастичності використовуються чотири методи.

4.1. Критерій .

4.2. Параметричний тест Гольдфельда — Квандта.

4.3. Непараметричний тест Гольдфельда — Квандта.

4.4. Тест Глейсера.

5. Алгоритм для знаходження критерію  складається з п'яти кроків:

5.1. Вихідні дані залежної змінної Y розбиваються на k груп згідно зі зміною рівня величини Y.

5.2. За кожною групою спостережень обчислюється сума квадратів відхилень:

5.3. Відшукується сума квадратів відхилень у цілому за всією сукупністю спостережень:

5.4. Обчислюється параметр :

де n — кількість спостережень у цілому; nr — кількість спостережень r-ї групи.

5.5. Обчислюється критерій :

= – 2ln,

який наближено відповідатиме розподілу 2. Якщо значення  менше за табличне значення 2 при вибраному рівні довіри і ступені свободи k – 1, то гетероскедастичність відсутня.

6. Параметричний тест Гольдфельда — Квандта складається з п'яти кроків.

6.1. Спостереження (вихідні дані) впорядковуються відповідно до величини елементів вектора Xj, який може викликати зміну дисперсії залишків.

6.2. Відкидається c спостережень, які містяться всередині векторів вихідних даних, де

6.3. Будуються дві економетричні моделі на основі 1МНК за двома створеними сукупностями спостережень за умови, що перевищує кількість змінних m.

6.4. Обчислюється сума квадратів залишків за першою S1 та другою S2 моделями:

,

де u1 — залишки за моделлю (1);

,

де u2 — залишки за моделлю (2).

6.5. Відшукується критерій який в разі виконання гіпотези про гомоскедастичність відповідатиме F-розподілу з 1= , 2 = ступенями свободи.

Обчислене значення критерію порівнюється з табличним значенням F-критерію при вибраному рівні довіри і відповідних ступенях свободи. Якщо R*Fтабл , то гетероскедастичність відсутня.

7. Непараметричний тест Гольдфельда - Квандта базується на числі піків величини залишків після упорядкування спостережень за Xij. Якщо для всіх значень змінної Xij залишки розподіляються приблизно однаково, то дисперсія їх однорідна, у противному разі вона змінюється.

8. Тест Глейсера для перевірки гетероскедастичності базується на побудові регресійної функції, що характеризує залежність величини залишків за модулем від пояснювальної змінної Xj, яка може викликати зміну дисперсії залишків.

Рішення про відсутність гетероскедастичності залишків приймається на підставі значущості коефіцієнтів 0 і 1. Перевага цього методу полягає в тому, що він дає змогу розрізняти випадок чистої і змішаної гетероскедастичності. Чистій гетероскедастичності відповідають значення параметрів 0 = 0, 1 0, а змішаній 0 0, 1 0.

9. Оскільки явище гетероскедастичності пов'язане лише з тим, що змінюються дисперсії залишків, а коваріація між ними відсутня, то матриця S у співвідношенні має бути додатно визначеною і діагональною:

.

10. У цій матриці значення і можна обчислити трьома способами, залежно від того, яку гіпотезу висунуто відносно зміни дисперсій залишків:

а) , ;

б) , ;

в) , .

11. За наявності гетероскедастичності для оцінювання параметрів моделі доцільно застосувати узагальнений метод найменших квадратів (метод Ейткена), оператор оцінювання якого має вигляд

.

Вектор у такому разі містить незміщену лінійну оцінку параметрів моделі, яка має найменшу дисперсію і матрицю коваріацій

.

12. Оператор узагальненого методу найменших квадратів іноді специфікується у вигляді

,

де V = S, а .

13. Коли параметри моделі оцінюються за методом Ейткена, то загальна сума квадратів залежної змінної розбивається на суму квадратів регресії і суму квадратів залишків:

.

Відповідно дисперсії такі:

;

;

.

Зауважимо, що в цих співвідношеннях вектор залежної змінної Y розглядається як відхилення від середньої.

14. Найкращий лінійний незміщений прогноз за моделю, оцінки якої знайдені за методом Ейткена, визначатиметься зі співвідношення

.

Величина визначає залишки прогнозного періоду — u0 і може тлумачитися як помилка прогнозу на підставі моделі

ЛІТЕРАТУРА

  1. Джонстон Дж. Эконометрические методы.— М., 1980.

  2. Дрейлер Н., Смит Г. Прикладной регрессионный анализ. — М.: Финансы и статистика, 1986.

  3. Кейн Э. Экономическая статистика и эконометрия. — М.: 1977.– Вып.12.

  4. Класc А., Гергели К., Колек Ю., Шуян И. Введение в эконометрическое моделирование. –– М., 1975.

  5. Крамер Г. Математические методы статистики. — М., 1975.

  6. Ланге О. Введение в эконометрику. –– М., 1964.

  7. Лизер С. Эконометрические методы и задачи. –– М., 1971.

  8. Линник Ю.В. Метод наименьших квадратов и основы математико-статистической обработки наблюдений. — М., 1962.

  9. Маленво Э. Статистические методы в эконометрии. — М., 1975 – 1976. Вып. 1,2.

  10. Мальцев А.Н. Основы линейной алгебры. –– М., 1975.

  11. Пирогов Г., Федоровский Ю. Проблемы структурного оценивания в эконометрии. –– М., 1979.

  12. Тинтнер Г. Введение в эконометрию. –– М., 1964.

  13. Фишер Ф. Проблема идентификации в эконометрии. — М., 1978.

  14. Чупров А.А. Основные проблемы теории корреляции. — М., 1960. 2-е изд.

  15. Klein L.R., Goldberger A.S. An Ekonometric Model of United States, 1929 – 1952 North Holland, Amsterdam, 1964.

.

* Обидва терміни — гомоскедастичність і гетероскедастичність запропоновані російським вченим А.А.Чупровим (Див.: Основные проблемы теории корреляции. — 2-е изд. — М.: Госстатиздат, 1960, с. 39).

Loading...

 
 

Цікаве