Оценка параметров линейной регрессионной модели с автокоррелированным возмущением
Автоковариационная матрица вектора случайных возмущений при наличии автокорреляции имеет следующую структуру: , , на главной диагонали расположены дисперсии возмущений, которые не зависят от номера наблюдений, недиагональные элементы — отличные от нуля ковариации между возмущениями в различных наблюдениях. Причинами автокорреляции являются:ошибки спецификации модели (пропуск важной объясняющей переменной, использование ошибочной функциональной зависимости между переменными);ошибки измерений;характер наблюдений (например, данные временных рядов). Последствия автокорреляции такие же, как и от гетероскедастичности. Поэтому необходимо проверить наличие (отсутствие) автокорреляции возмущения в модели, а затем выполнить, если это необходимо, корректировку спецификации. Для проверки наличия автокорреляции (первого порядка) широкое распространение получил тест Дарбина-Уотсона. Тест основан на предпосылках: случайное возмущение распределено нормально и не подвержено гетероскедастичности, модель не включает лаговые значения эндогенных переменных.Тест основан на вычислении статистики DW: , (4.1) где —остатки регрессии. Поскольку коэффициент корреляции между остатками регрессии, разделёнными одним лагом, принимаетзначения , то для значений статистики выполняется неравенство 0 £ £ 4. Для проверки нулевой гипотезы против альтернативной , необходимо определить критическое значение статистики , что невозможно, так как распределение статистики зависит не только от объёма выборки и числа регрессоров, но и от всей матрицы регрессоров.Авторы теста оценили верхнюю и нижнюю границы критического значения статистики ,которые делят интервал возможных значений на пять частей, представленных на рис.4.1.
Рис.4.1. Множество возможных значений статистики .
Алгоритм теста имеет следующую последовательность: 1) настройка модели и вычисление остатков: , где , 2) вычисление статистики DW(по формуле (4.1)), 3) выбор табличных значений границ критического значения статистики: и (по параметрам[15]: n, , a)[16], 4) определение промежутка, в который попадает вычисленное значение статистики DW. Если вычисленное значение статистики попадает в интервалы: и , автокорреляция присутствует, и необходимо выполнить корректировку модели. Одним из наиболее простых способов учёта автокорреляции являются авторегрессионныемодели различных порядков. В случае, когда значения их параметров (коэффициентов автокорреляции) неизвестны, применяются итеративные процедуры Кохрейна-Оркатта, Хилдрета-Лу, Дарбина. Рассмотрим применение процедуры Кохрейна-Оркатта на примере парной регрессионной модели с автокоррелированным возмущением . Алгоритм методаКохрейна-Оркатта (Cochrane-Orcutt) включает следующие этапы:1)по выборочным данным выполняется настройка модели, и вычисляется вектор остатков регрессии , 2)по остаткам регрессии оценивается модель авторегрессии первого порядка: , 3)с оценкой выполняются преобразования переменных: , , , 4)по скорректированным выборочным данным определяются МНК - оценки параметров и . Оценка параметра непосредственно используется в исходной модели, т.к. , оценка параметра вычисляется по формуле . По оценкам параметров и вычисляется оценка эндогенной переменной . 5)строится новый вектор остатков, и процедура повторяется с п.2. Итерационный процесс заканчивается при условии совпадения оценок на последней и предпоследней итерациях с заданной степенью точности . Оценка (прогноз) эндогенной переменной Y, в рамках метода Кохрейна-Оркатта, выполняется по формуле , .
Пример 4.1.Используя тест Дарбина-Уотсона проверить возмущения модели, оцененной в сквозномпримере 1.1, на наличие автокорреляции. Решение.В сквозном примере оценивалась модель парной регрессии. В соответствии с алгоритмом теста Дарбина-Уотсона по оцененной модели вычислим оценки эндогенной переменной , , и остатки , , по которым по формуле (4.1) вычислим значение статистики теста. Значение знаменателя статистики уже получено (в протоколе функции «ЛИНЕЙН» в последней строке, в правом столбце рис.1.10) .Вычисление числителя удобно выполнять в виде таблицы 4.1. Вычисление числителя статистики теста DW. Таблица 4.1.
Нижняяи верхняя границы критического значения статистики, и , определённые по таблице Дарбина-Уотсона для , (число регрессоров модели), (число наблюдений) делят интервал возможных значений на пять частей, представленных на рис.4.2.
Рис. 4.2. Множество возможных значений статистики .
Вычисленное значение статистики попадает в первый интервал, следовательно, автокорреляция присутствует, и это объясняется тем, что при составлении спецификации пропущен существенный фактор — фактор сезонности. Это видно из графика выборочных данных (см. рис4.3).
Рис. 4.3 График выборочных данных
Поэтому способом корректировки автокорреляции, в данном случае, является исправление спецификации модели — учет факторов сезонности. Пример 4.2.Исследуется модель, связывающая количество вакансий и уровень безработицы : , , . По данным табл.4.2 оцените спецификацию модели и проверьте справедливость третьей предпосылки Гаусса-Маркова. При наличии автокорреляции выполните корректировку модели методом Кохрейна-Оркатта. Таблица 4.2.
В результате оценивания модели в Excel получен следующий результат: , , , 22, 3,03, 1,412, 2,074, 12,366 , 6,875 , 0,682, . Проверим выполнение предпосылки отсутствия автокорреляции, используя тест Дарбина-Уотсона. Значение статистики теста вычисляется по формуле(4.1): .
Вычисление числителя удобно выполнять в Excel в виде таблицы 4.3 Таблица 4.3.
Для параметров:n=24, =1 ,a=0,05 нижняя и верхняя границы критического значения DW равны: 1,273, 1,446. Поскольку — значение статистики попадает в первый интервал (см. рис.4.2), что означает наличие положительной автокорреляции в остатках регрессии. Последствия, к которым приводит автокорреляция, описаны выше. В частности, смещены все точностные оценки. Выполним корректировку автокорреляции методом Кохрейна-Оркатта. Первый этап процедуры уже выполнен — модель оценена, и вычислены остатки регрессии (таблица 4.3. столбцы:4,9). По остаткам регрессии оценим авторегрессионную модель первого порядка , . Оценку параметров модели выполним в Excel: , 1,144. Оценка используется для преобразования переменных (п.3 алгоритма). Преобразованные данные. Таблица 4.4.
По данным таблицы 4.4 оценим модель парной регрессии: , . Оценкапараметра : .Таким образом, оцененная на первой итерации модель имеет вид , . По выборочным значениям , (из табл.4.2) и оценкам вычисляются остатки , , и процедура повторяется с п.2. алгоритма метода.Зададимся степенью точности , и продолжим итерационный процесс до её достижения. В таблице 4.5 приведены результаты итеративного процесса. Результаты итеративного процесса. Таблица 4.5.
Оценка (прогноз) эндогенной переменной Yвыполняется по формуле , . В таблице 4.6 приведены оценки значений эндогенной переменной и вспомогательные вычисления для расчёта статистики DW. Таблица 4.6. Вспомогательные вычисления.
Статистика , и попадает в интервал: , следовательно, автоковариация возмущений отсутствует.
Популярное: Почему двоичная система счисления так распространена?: Каждая цифра должна быть как-то представлена на физическом носителе... 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. (697)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |