|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Гетероскедастичность
Наличие гетероскедастичности в регрессионной модели может привести к негативным последствиям: оценки уравнения нормальной линейной регрессии остаются несмещенными и состоятельными, но при этом теряется эффективность; появляется большая вероятность того, что оценки стандартных ошибок коэффициентов регрессионной модели будут рассчитаны неверно, что в конечном счете может привести к утверждению неверной гипотезы о значимости регрессионных коэффициентов и значимости уравнения регрессии в целом. Для устранения автокорреляции применяют взвешенный метод наименьших квадратов, который является частным случаем обобщенного метода наименьших квадратов. Последствия гетероскедастичности При гетероскедастичности последствия применения МНК будут следующими:
Обнаружение гетероскедастичности В ряде случаев, зная характер данных, появление проблемы гетероскедастичности можно предвидеть и попытаться устранить этот недостаток еще на этапе спецификации. Однако значительно чаще проблему приходится решать после построения уравнения регрессии. Для определения гетероскедастичности разработано довольно большое число тестов и критериев для них. Тест Спирмена При использовании теста Спирмена предполагается, что дисперсия отклонения будет или увеличиваться, или уменьшаться с увеличением значений X. Поэтому для регрессии, построенной по методу наименьших квадратах, абсолютные величины отклонений ei и значения xi объясняющей переменной X будут коррелированы. Значения xi и ei ранжируются (упорядочиваются по величинам). Затем определяется коэффициент ранговой корреляции: где di — разность между рангами xi и |ei|, i = 1,..., n; 6 — число шесть (иногда думают, что это стандартное оклонение). Тест Парка Тест Глейзера Тест Глейзера по своей сути аналогичен тесту Парка и дополняет его анализом других (возможно, более подходящих) зависимостей между дисперсиями отклонений σi и значениями переменной xi. По данному методу оценивается регрессионная зависимость модулей отклонений |ei| (тесно связанных с σ2 от xi. При этом рассматриваемая зависимость моделируется следующим уравнением регрессии: Изменяя значения k, можно построить различные регрессии. Обычно k =..., -1; -0,5; 0,5; 1,... Статистическая значимость коэффициента β в каждом конкретном случае фактически означает наличие гетероскедастичности. Если для нескольких регрессий коэффициент β оказывается статистически значимым, то при определении характера зависимости обычно ориентируются на лучшую из них. Тест Голдфелда-Квандта Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.002 сек.) |