|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Критерій фон НейманаАвтокореляція — це взаємозв'язок послідовних елементів часового чи просторового ряду даних. В економетричних моделях особливе значення має автокореляція залишків. Автокореляція залишків найчастіше спостерігається тоді, коли економетрична модель будується на основі часових рядів. Якщо існує кореляція між послідовними значеннями деякої незалежної змінної, то спостерігатиметься і кореляція послідовних значень залишків. Автокореляція може бути також наслідком помилкової специфікації економетричної моделі. Крім того, наявність автокореляції залишків може означати, що необхідно ввести до моделі нову незалежну змінну. У загальному випадку ми вводимо до моделі лише деякі з істотних змінних, а вплив змінних, які виключені з моделі, має позначитися на зміні залишків. Існування кореляції між послідовними значеннями виключеної з розгляду змінної не обов'язково має тягти за собою відповідну кореляцію залишків, бо вплив різних змінних може взаємно погашатися. Якщо кореляція послідовних значень виключених з моделі змінних спостерігається, то загроза виникнення автокореляції залишків стає реальністю. Проілюструємо проблему автокореляції залишків на прикладі економетричної моделі з двома змінними. Нехай , (1) де ми припускаємо, що залишки u, задовольняють схему авторегресії першого порядку, тобто залежать тільки від залишків попереднього періоду. Специфікація моделі (1) має індекс t, що свідчить про її динамічний характер, тобто t — період часу, для якого будується така модель на основі динамічних (часових) рядів вихідних даних. Якщо знехтувати автокореляцією залишків і оцінити параметри моделі 1МНК, то матимемо такі три наслідки. 1. Оцінки параметрів моделі можуть бути незміщеними, але неефективними, тобто вибіркові дисперсії вектора оцінок А можуть бути невиправдано великими. 2.Оскільки вибіркові дисперсії обчислюються не за уточненими формулами, то статистичні критерії t - і F-статистики, які знайдено для лінійної моделі, практично не можуть бути використані в дисперсійному аналізі. 3.Неефективність оцінок параметрів економетричної моделі призводить, як правило, до неефективних прогнозів, тобто прогнозів з дуже великою вибірковою дисперсією. Для перевірки наявності автокореляції залишків найчастіше застосовується критерій Дарбіна — Уотсона (DW): (2) Він може приймати значення з проміжку [0, 4]: DW є [0, 4]. Якщо залишки ut є випадковими величинами, нормально розподіленими, а не автокорельованими, то значення DW містяться поблизу 2. При додатній автокореляції DW<2, при від'ємній — DW > 2. Фактичні значення критерію порівнюються з критичними (табличними) при різному числі спостережень п і числі незалежних змінних т для вибраного рівня значущості а. Табличні значення мають нижню межу DW1 і верхню — DW2. Коли DWфакт < DW1, то залишки мають автокореляцію. Якщо DWфакт > DW2, то приймається гіпотеза про відсутність автокореляції. Коли DW1 <DW< DW2, то конкретних висновків зробити не можна: необхідно далі проводити дослідження, беручи більшу сукупність спостережень. Зауважимо, що цей критерій призначений для малих вибіркових сукупностей. Наведені співвідношення показують, що існують області, в яких застосування критерію Дарбіна - Уотсона не може дати певних результатів, про що вже зазначалося. Верхні та нижні межі критерію DW визначають межі цієї області для різних розмірів вибірки, заданого числа пояснювальних змінних та певного рівня значущості. Для виявлення автокореляції залишків використовується також критерій фон Неймана: (3) Звідси при . Фактичне значення критерію фон Неймана порівнюється з табличним для вибраного рівня значущості і заданого числа спостережень. Якщо , то існує додатна автокореляція. Приклад. За допомогою двох взаємопов'язаних часових рядів про роздрібний товарообіг та доходи населення побудувати економетричну модель, що характеризує залежність роздрібного товарообігу від доходу. Вихідні дані наведено в табл. 1.
1. Вихідні дані
Розв'язання 1. Ідентифікуємо змінні моделі: — роздрібний товарообіг у період t, залежна змінна; — дохід у період t, пояснювальна змінна; звідси де − стохастична складова, залишки. 2. Специфікуємо економетричну модель у лінійній формі: де и — скаляр; у — вектор; х — матриця. 3. Визначимо оцінки параметрів моделі , за методом найменших квадратів, припускаючи що залишки некорельовані: де X' — матриця, транспонована до X. Економетрична модель має вигляд: . 4. Знайдемо розрахункові значення роздрібного товарообігу на основі моделі і визначимо залишки и, (табл. 2). Знайдемо оцінку критерію Дарбіна — Уотсона: . Порівняємо значення критерію DW з табличним для α = 0,05 і п= 10. Критичні значення критерію DW у цьому разі такі: D W1| = 0,879 — нижня межа; DW2 = 1,320 — верхня межа. Оскільки критерій DWфакт < DW1, то можна стверджувати, що залишки uмають додатну автокореляцію. Наявність чи відсутність автокореляції залишків можна також визначити згідно з критерієм фон Неймана. 2.Розрахункові значення для знаходження критерію Дарбіна - Уотсона
Критерій фон Неймана . Це значення порівнюється з табличним; Qтабл =1,18 при п = 10 і рівні значущості α = 0,05. Оскільки Qфакт < Qтабл, то існує додатна автокореляція залишків.
Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.006 сек.) |