|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Гетероскедастичность. По графикам видно, что гетероскедастичность присутствует
1) Визуальный метод. По графикам видно, что гетероскедастичность присутствует. 2) Тест ранговой корреляции Спиремена. Отсутствие гетероскедастичности, так как │t│= 0,385445 < tкр = 2,036933. 3) Тест Голдфелда-Квандта. Показывает отсутствие гетероскедастичности, так как F= 1,12473<Fкр = 3,17889. Так как визуальный метод показал наличие гетероскедастичности, то возникла необходимоссть рассказать о методе утсранения. Если дисперсии δi2 известны, то гетероскедастичность легко устраняется. Рассмотрим это на примере парной регрессии: yi=β0+β1xi+εi, . Разделим обе части данного уравнения на известное значение δi= δi2. И сделаем замену переменных: Тогда получим модельное уравнение регрессии с двумя факторами но без свободного члена. Очевидно что для любого наблюдения , То есть модель является гомоскедастичной, классической. Полученные МНК-оценки коэффициентов модели будут наилучшими несмещёнными оценками и их можно использовать для первоначальной модели.
Уравнение представляет собой взвешенную регрессию с весами Наблюдения с наименьшими дисперсиями получат наибольшие «веса» и наоборот. Поэтому данную версию МНК называют взвешенным методом наименьших квадратов (ВМНК).
На практике значения неизвестны. Поэтому чтобы применить ВМНК, необходимо сделать реалистические предположения о значениях . В этих случаях говорят не об устранении, а о смягчение гетероскедастичности. Если предположить, что дисперсии пропорциональны значениям , тогда начальное уравнение преобразуется в гомоскедастичную модель делением обоих его частей на : , где Если же предположить, что дисперсии пропорциональны значениям квадратов , , , то делением обеих его частей на величину можно получить гомоскедастичную модель. .
Автокорреляция. В данной моделе отсутствует автокорреляция, так как dв< d<4- dв. d = 1,869125 r = 0,008176 dн = 1,343 dв = 1,584 Метод устранения автокорреляции. Рассмотрим на примере парной линейной регрессии вида: Для предыдущего наблюдения модель запишется: Будем считать автокорреляцию первого порядка и коэффициент корреляции ρ известным. Умножим на него уравнение с предыдущим наблюдением и вычтем результат почленно из уравнения парной линейной регрессии. Сделаем замену переменных: Получим в силу : , где - случайная составляющая удовлетворяющая предпосылкам МНК. Поэтому оценка параметров последнего уравнения может быть выполнена обычным МНК. 5. Модель с фиктивной переменной. Введём в модель фактор: 0 –первый или последний этаж; 1 – нет,не первый и не последний этаж. Для этого нужно исследовать модель с помощью бинарной фиктивной переменной z: ỹ=14,998-0,986х1+1,6х2+4,739z R12 = 0,489356 R22 = 0,461771 F = 1,674574 Fкр = 4,159615 Видно, что на 48% включенные в модель факторы определяют воздействие на переменную y. Так как F < Fкр , то можно сделать вывод о не целесообразности включения фиктивной переменной в модель, поскольку качественная переменная значимо не улучшает её качество и ее включение в модель не требуется.
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.) |