 |
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция
Преобразования, уравнения которых в качестве лаговых объясняющих переменных включают значения зависимых переменных
305. Для чего используется авторегрессионное преобразование?
Для устранения автокорреляции
306. В каких случаях авторегрессионное преобразование может оказаться
неэффективным?
307. Как и для чего используется использование лаговых зависимых переменных в
качестве независимых?
Эта процедура используется только для больших выборок
308. Какова практическая реализация обобщенного метода наименьших квадратов?
Если автокорреляция устранена с помощью использования истинного значения р, и сохранения первого наблюдения, то полученная оценка является оценкой по обобщенному методу наименьших квадратов (ОМНК)
309. В каких случаях использование обобщенного метода наименьших квадратов
оказывается особенно эффективным?
При наличии неярко выраженного тренда и высоком значении «ро»
310. Что делать, если использование обобщенного метода наименьших квадратов
оказалось неэффективным?
Использовать обычный метод наименьших квадратов
ГЕТЕРОСКЕДАСТИЧНОСТЬ
С нарушением какого из условий Гаусса-Маркова связано наличие
Гетероскедастичности?
Нарушение условия, что случайный член гомоскедастичен, т.е. его значение в каждом наблюдении получено из распределения с постоянной теоретической дисперсией. Другими словами, распределение сл.члена для всех наблюдений оказывается постоянным.
σui2= σu2 для всех i. Или E(ui)=σu2. При гетероскедастичности σui2 не одинакова для всех наблюдений.
Почему появление гетероскедастичности наиболее типично для пространственных выборок?
Поскольку пространственная выборка дает значения в данный момент времени.
В каких случаях можно ожидать проявления гетероскедастичности во временных рядах?
Когда ошибка e в период t более вероятно должна относиться к ошибке в период (t-1)
Каков основной механизм возникновения истинной гетероскедастичности? Что
Такое фактор пропорциональности?
Истинная гетероскедастичность происходит из-за ошибки, казалось бы корректно специфицированного уравнения:
VAR(εi)=σi2 (i=1,2,…,n)
Если VAR(εi)=σ2 все εi получатся из того же распределения. Возникает гетероскедастичность, если в выборке существует большое несоответствие/расхождение между мин. и макс. значениями зависимых переменных (например, если в одной выборке включены вес баскетболиста и мыши)
Отклонение/колебание ошибок можно отнести к экзогенному параметру Zi. Yi=b0+b1X1i+b2X2i+ εi, где VAR(εi)=σ2Zi2, где Z может как быть, так и не быть частью объясняющего анализа. В данном случае Z – фактор пропорциональности.
Каковы возможные механизмы возникновения ложной гетероскедастичности?
Она возникает вследствие неверной спецификации модели, например, за счет упущенных переменных. Это упущение включается в ошибку. Возможно также опускание какого-то члена, что так же приведет к ложной гетероскедастичности.
Поиск по сайту: