Оценка параметров линейной регрессионной модели с гетероскедастичным возмущением
Для применения метода наименьших квадратов для оценки параметров регрессионной модели требуется выполнение предпосылок Гаусса-Маркова. Рассмотрим случай, когда возмущение гетероскедастично: ,где — значение дисперсии возмущения в наблюдении t.Причинами гетероскедастичности, как правило, являются: ·неоднородностьисследуемыхобъектов (например, при анализе зависимости спроса от дохода потребителя выясняется, что чем больше доход, тем больше индивидуальное значение спроса колеблется относительно ожидаемого значения); ·характер наблюдений (например, данные временного ряда). При наличии гетероскедастичностиметод наименьших квадратов обеспечивает несмещённые оценки параметров, но оценка дисперсии возмущений (1.16)— смещённая, т.е. . Это приводит к смещению оценок автоковариационных матриц всех оцениваемых случайных векторов эконометрической модели, в частности, автоковариационных матриц оценок параметров и ошибок прогнозов эндогенных переменных, диагональные элементы которых используются для: проверки статистической значимости регрессоров; построения интервальных оценок параметров; проверки адекватности модели. Возникает необходимость проведения тестирования выполнения данной предпосылки, и, если она не выполняется — корректировки модели. В настоящее время существует множество тестов для проверки гомоскедастичности: тест Уайта,тест ранговой корреляции Спирмена, тест Бреуша-Пагана, и др. В данном разделе рассмотрен тест Голдфельда-Квандта, широко применяемый в пакетах прикладных программ. Тест основан на предпосылках: пропорциональность дисперсии случайного возмущения величине некоторого регрессора ; случайное возмущение распределено нормально и не подвержено автокорреляции. Тест выполняется в рамках следующего алгоритма: 1.Выборочныеданные упорядочиваются по величине модуля регрессора , относительно которого есть подозрение на гетероскедастичность. 2. По первым и последним данным выборки оцениваются две вспомогательные регрессии по которымвычисляются суммы квадратов остатков: , , где ,k— число параметров модели, n— объём исходной выборки, — значение остатка i-ой вспомогательной регрессии в момент t, . 3. Вычисляются статистики, имеющие F– распределение: , .(3.1) 4. По таблице F - распределения с двумя параметрами , определяется значение для заданного уровня значимости α. 5. Предпосылка признается адекватной, если справедливы оба неравенства: , , в противном случае делается вывод о гетероскедастичности случайных возмущений, и модель подлежит корректировке. Пример 3.1.Используя тест Голдфельда-Квандта проверить возмущения модели, оцененной в примере 1.2, на гетероскедастичность. Решение.В сквозном примере оценивалась модель парной регрессии. В соответствии с алгоритмом теста Голдфельда-Квандта,упорядочим данные по величине регрессора (IP) и разобьём выборку из 39 наблюдений на три части ( ). Формирование данных для вспомогательных регрессий теста. Таблица3.1.
Запишем результаты оценки вспомогательных регрессий[13]: , , , . Вычислим статистики по формулам (4.1) и проверим неравенства теста: , . Неравенства выполнены — возмущение модели (4.1) гомоскедастично. Тест Бреуша-Пагана(Breusch-Pagan). Предпосылкой теста Бреуша-Пагана является зависимость дисперсии возмущений от некоторых дополнительных переменных(или подмножества регрессоров из списка включенных в модель) , где — вектор независимых переменных, — параметры. Может быть выбрана и зависимость произвольной формы: . В соответствии с алгоритмом теста, по оцененной регрессионной модели вычисляется вектор остатков, квадратов остатков и вектор квадратов остатков, нормированный на оценку дисперсии возмущений. Оценка дисперсии возмущений вычисляется по формуле (ММП-оценка[14]) . Далее, проводится вспомогательная регрессия нормированных квадратов остатков на регрессоры : , и вычисляется объяснённая часть вариации ЕSS. Статистика теста определяется по формуле: ~ , где —число регрессоров. Если ,нулевая гипотеза о гомоскедастичности случайного возмущения не принимается. Пример3.2.Используя тест Бреуша-Пагана по данным таблицы 4.2.проверитьвыполнение второй предпосылки Гаусса-Маркова для регрессионной модели зависимости сбережений домохозяйств от их дохода. Решение.В таблице 3.2. приведены данные о доходах Xисбережениях Y одинаковых по численному составу домохозяйств. Сбережения и доходы домохозяйств. Таблица3.2.
Оцененная форма зависимости сбережений домохозяйств от их дохода имеет вид: ,,. В соответствии с алгоритмом теста, оценив регрессионную модель, вычислим вектор остатков , квадратов остатков и вектор квадратов остатков, нормированный на оценку дисперсии возмущений. Оценка дисперсии возмущений вычисляется по формуле . Вычисление вспомогательных векторов. Таблица3.3.
Для данного примера оценим вспомогательную регрессию вида: , ,,,. Отсюда следует, что , и случайное возмущение гетероскедастично. В качестве способов корректировки гетероскедастичности применяются следующие: взвешенный метод наименьших квадратов (ВМНК), доступный взвешенный метод наименьших квадратов (ДВМНК), обобщённый метод наименьших квадратов (ОМНК). Перечисленные методы нацелены на преобразование переменных таким образом, чтобы в спецификации преобразованной модели случайное возмущение удовлетворяло предпосылкам Гаусса-Маркова. Во взвешенномметоде наименьших квадратов переменные в преобразованной спецификации , определяются по формулам: = , = , = , (3.2) где — среднее квадратическое отклонение возмущения в наблюдении t.Определим количественные характеристики случайного возмущения : математическое ожидание: , дисперсия случайного члена , таким образом,случайное возмущение регрессионной модели с преобразованными переменными (3.2) — гомоскедастично. В случае если значения , , неизвестны, используетсядоступный взвешенный метод наименьших квадратов. В этом методе выполняется оценка неизвестных дисперсий, но при условии, чтона структуру автоковариационной матрицы накладываются дополнительные ограничения. Наиболее часто используется следующая предпосылка: ско возмущения пропорционально одному из регрессоров, например , откуда , , тогда, после деления на левой и правой частей исходной спецификации, получим , и, с учётом обозначений: = , = , = ,(3.3) преобразованная спецификация принимает вид . В этом случаедисперсия случайного возмущения будет постоянной для всех наблюдений , и, таким образом, проблема гетероскедастичности устранена. Обобщенный МНК.Обобщенная регрессионная модель имеет следующую спецификацию Y = Xb + e , Относительно случайных возмущений регрессии принимаются следующие предпосылки:1) матрица регрессоров Х — детерминированная и имеет полный ранг;2) ;3) — автоковариационная матрица вектора возмущений—симметричная относительно главной диагонали матрица. Непосредственное применение МНК приводит к негативным последствиям, поэтому необходим предварительный этап — этап преобразования переменных. Преобразованная спецификация имеет вид , , , , (3.4) где Р — невырожденная матрица. В силу третьей предпосылки обобщённой регрессионной модели, матрица положительно определена и симметрична, таким же свойством обладает и матрица , поэтому ее можно представить в виде . (3.5) Преобразования нацелены на изменение числовых характеристик вектора случайного возмущения: , , т.к. из (4.5) следует, что . Кроме того, , т.к. матрица Р невырожденная. Таким образом, для модели со спецификацией (3.4) выполнены условия Гаусса-Маркова, и, следовательно, МНК-оценкой вектора является оценка вида (оценка Айткена): , где . (3.6) В частном случае, если , то обобщённая регрессионная модель является классической регрессионной моделью. Использование термина “обобщённый метод наименьших квадратов” объясняется исходя из следующих соображений: .Оценку часто обозначают (GLS- GeneralizedLeastSquares). Достоинство метода — корректировка как гетероскедастичности, так и автокорреляции случайного возмущения в регрессионной модели. Недостаток метода — необходимость знания матрицы W. Определим числовые характеристики оценки Айткена: , (что доказывает её несмещённость), автоковариационная матрица вектора оценок параметров определяется поформуле .(3.7) Пример 3.3.Используя доступный взвешенный МНК выполнить корректировку гетероскедастичности возмущения в модели, рассмотренной в примере 3.2. Решение.Выполним преобразование спецификации модели по формулам (3.3)
Преобразованные данные представлены в таблице 3.4 Таблица3.4.
Оценим преобразованную спецификацию: , , , (3.8) — регрессия в целом низкого качества. Проверим выполнение предпосылки о гомоскедастичности возмущения после корректировки данных в рамках ДВМНК при помощи теста Голдфельда-Квандта. Поскольку данные в таблице 3.4 упорядочены по убыванию регрессора, разделим выборку на три части, объем первой и последней частных выборок примем равным , и запишем оцененные модели для частных выборок: , , , , , . Вычислим статистики по формулам (3.1) и сравним их с критическим значением — : , . Поскольку оба неравенства выполнены, нулевая гипотеза о гомоскедастичности возмущения не отвергается при уровне значимости . Результат (3.8) используется для оценки (или прогноза) вспомогательной переменной ,а затем и исходной эндогенной переменной: . Оформим вычисление оценок переменных и статистик ESS, RSS, TSSв виде таблицы 3.5 Таблица3.5.
, 13,840, 138,2407, — регрессия в целом высокого качества.
Пример3.4.Используя коэффициенты, полученные в примере 3.2 при тестировании гетероскедастичности методом Бреуша-Пагана, выполнить корректировку гетероскедастичности в рамках метода взвешенных наименьших квадратов. Решение.Весовые коэффициенты вычислим по формуле , по оценкам параметров вспомогательной регрессии
Веса метода Бреуша-Пагана. Таблица 3.6.
Для первых двух наблюдений оценка , поэтому в качестве предпосылки выберем зависимость дисперсии возмущений от квадрата регрессора, определим веса по формуле , и вычислим скорректированные значения переменных , , . Оцененная форма спецификации имеет вид ,,,. Веса метода Бреуша-Пагана. Таблица 3.7.
Оценив модель по скорректированным данным получим ,,. Можно проверить гомоскедастичность остатков данной модели, используя тест Бреуша-Пагана или Голдфельда-Квандта, она не отвергается. Качество данной модели выше качества исходной. В таблице 3.8 приводятся оценки эндогенной переменной преобразованной модели и исходной, оцененной через скорректированные оценки параметров. Оценки эндогенной переменной. Таблица 3.8.
Популярное: Модели организации как закрытой, открытой, частично открытой системы: Закрытая система имеет жесткие фиксированные границы, ее действия относительно независимы... Почему двоичная система счисления так распространена?: Каждая цифра должна быть как-то представлена на физическом носителе... Как вы ведете себя при стрессе?: Вы можете самостоятельно управлять стрессом! Каждый из нас имеет право и возможность уменьшить его воздействие на нас... Почему люди поддаются рекламе?: Только не надо искать ответы в качестве или количестве рекламы... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (1285)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |