АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция

ОЛММР с гетероскедастичными остатками

Читайте также:
  1. Линейные регрессионные модели с гетероскедастичными и автокоррелированными остатками.
  2. Линейные регрессионные модели с гетероскедастичными остатками
  3. Нормального распределения; быть гетероскедастичными
  4. Основными недостатками пирометрических измерений температуры являются

Исследовать линейную модель множественной регрессии на наличие/отсутсвие гетероскедастичности в регрессионных остатках. Проверить внешние признаки гетероскедастичности: с помощью графического анализ поведения регрессионных остатков в зависимости от объясняющей переменной. Применить статистические критерии для выявления гетероскедастичности.

ОЛММР с гетероскедастичными остатками называется, ЛММР i01xi1+…+βkxiki, для которой нарушено 4 условие Гауса – Маркова, а именно:

1. x1, x2,…,xkдетерминированные (неслучайные) переменные

2. Ранг ∑х = k+1. Среди признаков нет линейно зависимых.

3. Мεi =0, i=1,n. Нет систематических ошибок в измерении .

4. Дεi= Мεi 2 2. Гетероскедастичность регрессионных остатков.

5. Cov(εi; εj)=М(εi * εj)=0, i≠j. i=1,n, j=1,n

Внешние признаки гетероскедастичности регрессионных остатков:

Если с увеличением значения факторного признака х регрессионные остатки по абсолютной величине увеличиваются или уменьшаются, то это свидетельствует о наличии гетероскедастичности.

Существуют различные критерии, с помощью которых выявляют гетероскедастичность регрессионных остатков.

Полученное после устранения мультиколлинеарности уравнение регрессии проверим на наличие гетероскедастичности. Начнем с графического метода выявления гетероскедастичности. Для этого проранжируем Y и Х по x1, т.к. именно эту объясняющую переменную мы исследуем на гетероскедастичность. Построим график зависимости Xi от εi.

Рисунок 4- Зависимость εi от x1

На графике видно, что при увеличении значений xi (ось ОХ) заметна небольшая тенденция к снижению регрессионных остатков εi.

Но, чтобы убедиться в наличии или отсутствии гетероскедастичности проведем эмпирическую оценку уравнению регрессии, при помощи теста Голдфелда – Квандта.

Шаги теста:

1 Проранжируем значения Y и Х4 по Х1.

2 Разобьем выборку на подвыборки размерностью в 10 наблюденных значений (n=47, n’=n”≈ =16).

3 Построим уравнение регрессии y’ по n’ наблюдениям:

’=6,4+1,306x1’-0,0005 x4

И y” по n”:

”=6,3+0,85 x1”-2,3x4

4 Оценим регрессионные остатки

Q’=(ē’)т * ē’= =112,23 Q”=(ē”)т * ē”= =25,88

Q’> Q”- обратная зависимость.

6 Найдем Fн

. Fн = 4,3.

7 Проверим гипотезу Н0: σ2122=…=σ2n (отсутствует гетероскедастичность). И ей противоположная Н1: σ2i ≠ σ2j (присутствует гетероскедастичность). Fн = 4,3 > Fкр. = 2,44, следовательно гипотеза Н1 принимается, в регрессионной модели присутствует гетероскедастичность.

Рисунок 5- Зависимость εi от X4

На графике видно, что при увеличении значений Xi (ось ОХ) заметна небольшая тенденция к снижению регрессионных остатков εi.

Шаги теста:

1 Проранжируем значения Y и Х1 по Х4.

2 Разобьем выборку на подвыборки размерностью в 10 наблюденных значений (n=47, n’=n”≈ =16).

 

3 Построим уравнение регрессии y’ по n’ наблюдениям:

’=9,22+0,62x1’+0,0001 x4

И y” по n”:

”=4,68+1,14 x1”-0,00013x4

4 Оценим регрессионные остатки

Q’=(ē’)т * ē’= =108,8 Q”=(ē”)т * ē”= =16,6

Q’> Q”- обратная зависимость.

6 Найдем Fн

. Fн = 6,5.

7 Проверим гипотезу Н0: σ2122=…=σ2n (отсутствует гетероскедастичность). И ей противоположная Н1: σ2i ≠ σ2j (присутствует гетероскедастичность). Fн = 6,5>Fкр. = 2,44, следовательно гипотеза Н1 принимается, в регрессионной модели присутствует гетероскедастичность.


1 | 2 | 3 | 4 | 5 |

Поиск по сайту:



Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.004 сек.)