Главная | О нас | Обратная связь Автоматизация Автостроение Антропология Археология Архитектура Астрономия Предпринимательство Биология Биотехнология Ботаника Бухгалтерский учет Генетика География Геология Государство Демография Деревообработка Журналистика и СМИ Зоология Изобретательство Иностранные языки Информатика Информационные системы Искусство История Кинематография Кораблестроение Кулинария Культура Лексикология Литература Логика Маркетинг Математика Математический анализ Материаловедение Машиностроение Медицина Менеджмент Металлургия Метрология Механика ОБЖ Охрана Труда Педагогика Политология Правоотношение Программирование Производство Промышленность Психология Радио Разное Социология Спорт Статистика Строительство Теология Технологии Туризм Усадьба Физика Физиология Философия Финансы Химия Черчение Экология Экономика Электротехника Глава 2. Построение регрессионной модели и её анализ на проблему автокорреляции 2019-07-03 234 Обсуждений (0) Глава 2. Построение регрессионной модели и её анализ на проблему автокорреляции 0.00 из 5.00 0 оценок Скачать документ ⇐ Предыдущая1234Следующая ⇒   Поскольку в данной работе при построении уравнения регрессии будут использоваться временные ряды, так как в них чаще встречается проблема автокорреляции, а не перекрёстные данные, то перед построением модели следует проверить ряды на стационарность. Как видно из Рис.1 Приложения 1 все ряды исследуемых показателей не имеют постоянного математического ожидания, но имеют восходящий линейный тренд, из чего возможно сделать предварительный вывод о том, что ряды будут стационарными относительного тренда. Для более глубокого анализа рядов на стационарность используются коррелограммы рядов, а также тесты «единичного корня». В данной работе будет рассмотрен тест Дики-Фуллера. Очевидно, что все три ряда являются нестационарными, что можно определить по характерному рисунку «убывающей экспоненты» на графике автокорреляционной функции, а также первый выступающий лаг на графике частной автокорреляционной функции. Следовательно, проверку исходных рядов на стационарность следует дополнить тестом Дики-Фуллера. Результаты приведены ниже:   ADF Test Statistic -20.99004  1% Critical Value* -4.2412    5% Critical Value -3.5426    10% Critical Value -3.2032   Dependent Variable: D(IG)   Method: Least Squares   Included observations: 35 after adjusting endpoints   Variable Coefficient Std. Error t-Statistic Prob.   D(IG(-1)) -2.200495 0.104835 -20.99004 0.0000   @TREND(1999:1) 9.663892 2.439289 3.961766	0.0004
Durbin-Watson stat	2.352758			Prob(F-statistic)					0.000000
ADF Test Statistic	-5.278444			1% Critical Value*					-4.2412
				5% Critical Value					-3.5426
				10% Critical Value					-3.2032
Dependent Variable: D(CONS)
Method: Least Squares
Included observations: 35 after adjusting endpoints
Variable	Coefficient			Std. Error		t-Statistic			Prob.
D(CONS(-1))	-1.636006			0.309941		-5.278444			0.0000
@TREND(1999:1)	12.54844			3.021702		4.152773			0.0002
Durbin-Watson stat	2.101394			Prob(F-statistic)					0.000000
ADF Test Statistic		-9.618956			1% Critical Value*			-4.2412
					5% Critical Value			-3.5426
					10% Critical Value			-3.2032
Dependent Variable: D(GDP)
Method: Least Squares
Included observations: 35 after adjusting endpoints
Variable		Coefficient			Std. Error		t-Statistic			Prob.
D(GDP(-1))		-2.088636			0.217137		-9.618956			0.0000
@TREND(1999:1)		26.31412			6.414595		4.102226			0.0003
Durbin-Watson stat		2.486933			Prob(F-statistic)					0.000000

При помощи коррелограммы первых разностей данных всех трёх рядов обнаруживается, что необходимо ввести один лаг для всех рядов во вспомогательное уравнение теста. И после того, как был проведён тест Дики-Фуллера, выяснилось, что ряды интегрированы первого порядка или стационарны в первых разностях со спецификацией тренда и одним лагом.

Однако ряды IG и GDP имеют чётко видную сезонность, что видно на Рисунке 1 Приложения 1, поэтому для них дополнительного проводится тест Филипса-Перрона, данные которого находятся в Приложении 2.

Имеем:

- ряды нестационарны в уровнях, но стационарны в первых разностях;

- по имеющимся данным можно строить модель множественной классической линейной регрессии.

По предварительному анализу, можно сказать, что модель, которая будет построена, возможно, будет обладать проблемой автокорреляции вследствие цикличности показателей, используемых для построения уравнения регрессии. ВВП имеет дело с волнообразностью деловой активности, которая при построении модели может служить причиной автокорреляции.

Строим уравнение регрессии:

Уравнение регрессии выглядит следующим образом:

GDP=90.71828168+0.8758556601 Cons +1.190895181 IG (2)

После округления оно будет иметь следующий вид:

 (3)

Построенная модель имеет очень высокий коэффициент детерминации, что говорит о высоком качестве этой модели. Высокие значения имеют t-статистики, соответственно все объясняющие переменные данной модели значимы. Верны и коэффициенты при переменных, то есть они имеют верный знак и значение близкое к теоретическому уравнению (1). Высокое значение коэффициента С(1) и его статистическая значимость с экономической точки зрения может говорить о том, что в модель включено недостаточно переменных, что позже будет исправлено. Поэтому, прежде чем делать выводы о качестве и адекватности, следует проверить построенную модель на автокорреляцию и гетероскедастичность.

По статистике Дарбина-Уотсона уравнение имеет автокорреляцию, положительную (d1=1,373, du=1,594), откуда можно сделать вывод о наличии автокорреляции.

На проблему гетероскедастичности исследуем модель при помощи теста Вайта(no cross, cross):

Для трактовки этого теста используем «Obs*R-squared», которое сравниваем с соответствующим критическим значением  распределения со степенями свобод равным количеству переменных в модели, то есть двум. Как и в тесте cross terms, так и в no cross terms наблюдаемое значение оказывается меньше критического при уровнях значимости ,01 и ,005, из чего следует вывод об отсутствии гетероскедастичности в построенной модели.

Проблему автокорреляции исследуем далее при помощи теста Бреуша-Годфри и Q-статистики Бокса-Льюнга. Результаты этих тестов представлены ниже:

Q-статистика принимает нулевой гипотезу об отсутствии автокорреляции и строится по следующему уравнению:

, (4)

где j-номер соответствующего лага, - автокорреляция при соответствующем лаге, T- количество измерений. При отсутствии автокорреляции значения Q могут асимптотически приближаться к соответствующему значению  со степенью свободы равной номеру лага. Q-статистика широко используется для определения того является ли ряд белым шумом.

Как видно из коррелограммы(Q-теста) первые значения функции имеют достаточно большие значения, при том, что заметно их последующее уменьшение при увеличении номера лага. Также на графике же частичной автокорреляции заметен первый «выдающийся» лаг, и увеличение Q на большее значение, чем по таблицам  распределения, что чётко указывает на наличие автокорреляции в модели.

При отсутствии автокорреляции Q‑статистика показала бы все значения функции, колеблющиеся около нуля, независимо от номера лага.

Для того чтобы окончательно убедиться в наличии автокорреляции в модели следует проанализировать результаты по тесту Бреуша-Годфри, в котором строится уравнение вида:

 (5)

В регрессионной модели, построенной на основании уравнения (5) рассматривается произведение коэффициента детерминации и количества измерений. За нулевую гипотезу принимается то, что все коэффициенты нового уравнения имеют нулевые значения, или статистически незначимы, то есть отсутствие автокорреляции. Альтернативная же гипотеза говорит о наличии в исходной модели проблемы автокорреляции

Таким образом, рассматриваем значение «Obs*R-square» и сравниваем его с соответствующим критически значением из таблиц распределения  с количеством степеней свободы равным 1, так как количество степеней свободы равно количеству лагов (в данном случае один).

Наблюдаемое значение оказалось больше критического(7.88 для =0.005), следовательно принимается альтернативная гипотеза, что окончательно убеждает в том, что в модели присутствует положительная (по Дарбину-Уотсону) автокорреляция первого порядка.

- была построена регрессионная модель, с хорошими показаниями t-статистик и высоким коэффициентом детерминации;

- в модели отсутствует гетероскедастичность;

- тесты Бреуша-Годфри и Q-тест выявили в модели наличие автокорреляции;

- для улучшения качества модели, а так же её прогнозных свойств автокорреляцию следует устранить.

2019-07-03

234

Обсуждений (0)

Глава 2. Построение регрессионной модели и её анализ на проблему автокорреляции 0.00 из 5.00 0 оценок

Скачать документ