|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Алгоритм теста Глейзера на наличие или отсутствие гетероскедастичности случайных возмущений1. Строится уравнение регрессии и вычисляются остатки 2. Выбирается фактор пропорциональности Z и оценивают вспомогательное уравнение регрессии; Изменяя g, строят несколько моделей; 3. Статистическая значимость коэффициента a 1 в каждом случае означает наличие гетероскедастичности. 4. Если для нескольких моделей будет получена значимая оценка a 1, то характер гетероскедастичности определяют по наиболее значимой из них. Способы корректировки гетероскедастичности. Взвешенный метод 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 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
E{ ε ̽t }=E{εt/σt}=(1/σt)E{εt}=0
Var{ ε ̽t }=Var{εt/σt}=(1/σt2)Var{εt}= σt2/ σt2=1, Способы корректировки гетероскедастичности. Доступный взвешенный метод наименьших квадратов. Запишем спецификацию множественной регрессионной модели в виде: Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.003 сек.) |