|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Способы корректировки гетероскедастичности. Метод взвешенных наименьших квадратовЗапишем спецификацию множественной регрессионной модели в виде: Yt=β 1Xt1+β2Xt2+…+β jXtj+…+βkXtk+εt=Σkj=1 βjXtj+εt Пусть случайное возмущение гетероскедастично. Этап преобразования переменных 1)Одним из основных способов корректировки гетероскедастичности является использование метода взвешенных наименьших квадратов. Метод Взвешенных наименьших квадратов применяется в том случае, когда известны диагональные элементы автоковариационной матрицы Cεεвектора возмущений ε(σt2, t=1, …,n). В этом случае уравнение наблюдений можно преобразовать следующим образом. Поделим каждый член на ско возмущения: Yt/σt=Σkj=1βj(Xtj/σt)+εt/σt, t=1,…,n В результате преобразования спецификация принимает вид спецификации классической регрессионной модели: Y ̽t=Σkj=1βjX ̽t+ε ̽t Определим количественные характеристики случайного возмущения ε ̽t: · Математическое ожидание: E{ ε ̽t }=E{εt/σt}=(1/σt)E{εt}=0 · Дисперсия случайного члена: Var{ ε ̽t }=Var{εt/σt}=(1/σt2)Var{εt}= σt2/ σt2=1, Таким образом, ε ̽t ̴ N(0,1), и при помощи данного преобразования случайное возмущение приобрело свойство гомоскедастичности. Остатки регрессии для данной модели определяются по правилу: e ̽t=(Yt/σt)-Σkj=1β͠j (Xtj/σt)=1/ σt(Yt- Σkj=1β͠j Xtj)=1/ σt(Yt-Y͠t), поэтому в критерий отбора Σe ̽t2 каждое слагаемое входит со своим весом 1/ σt. Способы корректировки гетероскедастичности. Доступный метод взвешенных наименьших квадратов. Запишем спецификацию множественной регрессионной модели в виде: Yt=β 1Xt1+β2Xt2+…+β jXtj+…+βkXtk+εt=Σkj=1 βjXtj+εt Пусть случайное возмущение гетероскедастично. Этап преобразования переменных В случае, если значения σt, t=1,…, n неизвестны, используется доступный обобщенный МНК. В этом методе выполняется оценка неизвестных дисперсий, но при условии, что на структуру автоковариационной матрицы накладываются дополнительные ограничения (предпосылки). Наиболее часто используется следующая предпосылка: ско возмущения пропорционально одному из регрессоров, например, σt=μXti, или Xti=λσt, где λ=1/μ, t=1,…,n, тогда после деления на Xtiлевой и правой частей исходной спецификации, получим: Yt/ Xti=Σkj=1βj(Xtj/Xti)+ εt/Xti, и, если ввести новые переменные вида: Xtj̽ = Xtj/Xti; Yt̽ = Yt/ Xti; ε̽t=εt/Xti, t=1,…n; j=1,…k, то можно перейти к оценке классической регрессионной модели со спецификацией: Yt̽= Σkj=1 βjX ̽tj+ ε̽t. В этом случае дисперсия случайного возмущения будет постоянной для всех наблюдений: E{ εt/Xtk}=E{ε t/ λσt }2 =(1/λ 2)(σ 2t / σ 2t)= 1/λ 2,где λ=1/μ. Таким образом, проблема гетероскедастичности устранима. Обобщенная регрессионная модель. Обобщенный метод наименьших квадратов. Обобщенная регрессионная модель имеет следующую спецификацию: Y=Xβ+ε –(1), здесь Y=(Y1,Y2,…,Yn)T-(n×1) вектор-столбец значений эндогенной переменной, Xn×k – детерминированная матрица регрессоров полного ранга, β k,1 = (β1,β2,…,βk)T- вектор-столбец параметров модели, ε n,1 = (ε1,ε2,…,εn) – вектор-столбец случайных возмущений. Относительно случайных возмущений регрессии принимаются следующие предпосылки: 1) E(ε)=0; (σ12 Ω12 … Ω1n) 2) Cεε=Ω= (Ω21 σ22 … Ω1n) (………………) (Ωn1 Ωn2 … σn2) - автоковариационная матрица вектора возмущений, Ωts=Ωst=Cov(εt,εs) не равно 0. 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.) |