- •1.2. Типы моделей
- •1.3. Типы данных
- •1.4. История
- •1.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •2. Парная регрессия и корреляция. Свойства коэффициентов регрессии и проверка гипотез
- •2.1. Задачи корреляционно-регрессивного анализа
- •Содержательный характер задач корреляционно-регрессивного метода
- •2.2. Вычисление и интерпретация параметров парной линейной корреляции
- •2.3. Статистическая оценка надёжности параметров парной корреляции
- •2.4. Применение парного линейного уравнения регрессии
- •Коэффициент корреляции рангов
- •2.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •3. Множественная регрессия
- •3.1. Формулы для коэффициентов и стандартных ошибок
- •3.2. Множественная регрессия и оценка параметров Кобба-Дугласа
- •3.3. Мультиколлинеарность
- •3.4. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •4. Выбор уравнения
- •4.1. Влияние отсутствия необходимой переменной
- •4.2. Лишняя переменная
- •4.3. Замещающие переменные
- •4.4. Лаговые переменные
- •4.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •5. Фиктивные переменные
- •5.1. Фиктивные и нефиктивные переменные в регрессии
- •5.2. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •6. Гетероскедастичность
- •6.1. Коэффициент ранговой корреляции Спирмена (кркс)
- •6.2. Тест Голдфелда-Куандта
- •6.3. Тест Глейзера
- •6.4. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •7. Автокорреляция
- •7.1. Поправка Прайса–Уинстена
- •7.2. Процедура Кохрана–Оркатта
- •7.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •8. Модели временных рядов
- •8.1. Модели рядов, содержащих сезонную компоненту
- •Ответы к тесту:
- •9. Автоковариационная и автокорреляционная функции, их свойства. Коррелограмма
- •9.1. Спектральная плотность
- •9.2. Спектральный (Фурье) анализ
- •9.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •10. Неслучайная составляющая временного ряда
- •10.1. Проверка гипотезы о неизменности среднего значения временного ряда
- •10.2. Метод экспоненциально взвешенного скользящего среднего (метод Брауна [Brown (1963)])
- •10.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •11. Стационарные временные ряды и их идентификация
- •11.1. Основные понятия
- •11.2 Модели скользящего среднего сс(1) и сс(2). Двойственность. Обратимость. Идентификация
- •11.3. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •12. Лаговые переменные. Нестационарные временные ряды и их идентификация
- •12.1. Модель авторегрессии-проинтегрированного скользящего среднего (arima(p, k, q)-модель)
- •12.2. Модели рядов, содержащих сезонную компоненту
- •12.3. Полиномиальная лаговая структура Ширли Алмон
- •12.4. Геометрическая лаговая структура Койка
- •12.5. Модель частичного приспособления
- •12.6. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •13. Предсказания
- •13.1 Основные понятия
- •13.2. Доверительные интервалы и интервалы предсказания
- •13.3. Критерий г. Чоу
- •13.4. Коэффициент Тейла
- •13.5. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •14. Модели в виде систем линейных одновременных уравнений и их идентификация
- •14.1. Основные понятия
- •14.2. Тестовые задания для самостоятельной работы
- •Ответы к тесту:
- •14.3. Использование эконометрической модели при исследовании зависимости затрат от объёма производства и структуры продукции на примере конкретного предприятия
- •Расчетное задание 1 «Построение уравнений парной регрессии и оценка их значимости»
- •Варианты лабораторных задач Задание
- •Расчетное задание 2. «Построение уравнений линейной множественной регрессии и оценка его значимости» Задача
- •Варианты лабораторных задач
- •Глоссарий
- •Библиографисеский список
- •Оглавление
- •1.1.Модели 3
- •10.1. Проверка гипотезы о неизменности среднего значения временного ряда 88
- •Эконометрика Учебное пособие
Ответы к тесту:
Номер задания |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
Номер ответа |
2 |
3 |
3 |
2 |
2 |
2 |
1 |
1 |
1 |
3 |
7. Автокорреляция
Автокорреляция обычно встречается в регрессионном анализе при использовании данных временных рядов. Естественно, что при создании модели разработчик не в состоянии учесть все факторы, влияющие на зависимую переменную. Воздействию этих неучтенных факторов подвергается случайный член e уравнения регрессии. Для того, чтобы выполнялось третье условие Гаусса-Маркова, т.е. cov(εi,εj)=0 при i≠j, необходимо, чтобы “скрытые” в ε факторы тоже были некоррелированные со своими значениями в предыдущих наблюдениях.
Положительная автокорреляция подразумевает, что за положительным значением ошибки в момент времени t скорее всего последует положительное ошибки значение в момент времени (t+1), а за отрицательным значением – скорее всего последует отрицательное значение ошибки. При положительной автокорреляции линия, соединяющая точки наблюдений редко пересекает истинную линию регрессии. Так, пример с мороженным (рис.7.1) иллюстрирует как раз положительную автокорреляцию.
Рис.7.1. Положительная автокорреляция
Положительная автокорреляция наиболее часто встречается в экономических задачах.
Отрицательная автокорреляция означает, что за положительным значением ошибки скорее всего последует отрицательное, а за отрицательным значением ошибки вероятнее всего последует положительное значение. При отрицательной автокорреляции линия регрессии пересекается значительно чаще, чем при положительной (рис.7.2).
Рис.7.2. Отрицательная автокорреляция
В экономике отрицательная автокорреляция относительно редко. Однако иногда она появляется при преобразовании первоначальной спецификации модели в форму, подходящую для регрессионного анализа.
Теперь, при рассмотрении автокорреляции будем предполагать, что мы имеем дело с данными временных рядов. Поэтому номер наблюдения будем обозначать через t, а объем выборки через Т.
Для простоты и наглядности будем рассматривать модель с единственной объясняющей переменной.
(7.1.)
Ошибки ε коррелированы, а именно (7.2)
Такое соотношение ошибок называется автокорреляционным процессом первого порядка.
Некоторый параметр p будем называть коэффициентом автокорреляции или коэффициентом авторегрессии.
Случайная величина vt нормально распределена с нулевым математическим ожиданием и постоянной дисперсией
Для полного описания модели необходимо определить ε0. Будем считать, что ε0 – нормальная случайная величина с нулевым математическим ожиданием и дисперсией: , не зависящая от vt, t=1…N. Выясним математический смысл некоторого параметра p.
Возьмем математическое ожидание от обеих частей уравнения (7.2).
Таким образом, получаем, что E(εt) = p·E(εt-1). Это верно только при E(εt) = 0, t=1…N.
Заметим, что εt-1 и vt независимы, т.к. εt-1 выражается через v1…vt-1, поэтому
(7.3)
(7.4)
(7.5)
Таким образом последовательность ошибок модели {εt} образует стационарный случайный процесс, т. е. математическое ожидание, дисперсия и ковариации ε не зависят от момента времени t. Именно получением стационарности диктовался выбор параметров начальной величины ε0.
Из формулы (7.4) следует математический смысл коэффициента автокорреляции. p есть коэффициент корреляции между двумя соседними ошибками. Из этого следует, что .
Очевидно, что если коэффициент автокорреляции положительный, то в модели существует положительная автокорреляция, если отрицательный, то отрицательная. Если p=0, то третье условие Гаусса-Маркова выполнено, и в модели нет автокорреляции.
Мы не располагаем способами измерения случайного члена, поэтому не можем оценить регрессию непосредственно. Тем не менее, мы можем оценить p путем оценивания регрессионной зависимости остатков с использованием обычного МНК. При этом оценка p равна
(7.6)
Так как среднее значение N ошибок равно нулю, то и
Кроме того,
Таким образом, получим оценку коэффициента автокорреляции p
(7.7)
Широко известная статистика Дарбина-Уотсона имеет следующий вид:
Можно показать, что в больших выборках DW → 2-2p.
Следовательно, если автокорреляция отсутствует, то p=0, и значение DW должно быть близким к 2. При наличии положительной автокорреляции DW, вообще говоря, будет меньше 2; при отрицательной автокорреляции DW будет превышать 2. Так как значение p находится между –1 и 1, то значение DW должно лежать между 0 и 4.
Критическое значение DW при данном уровне значимости зависит от количества объясняющих переменных в уравнении регрессии и от количества наблюдений. К сожалению, оно зависит еще и от конкретных значений, принимаемых объясняющими переменными. Вы это сможете пронаблюдать, выполняя самостоятельную работу. Поэтому невозможно составить таблицу с точными критическими значениями для всех возможных выборок. Но можно вычислить верхнюю и нижнюю границы для критического значения DW. Для положительной автокорреляции границы критического значения обычно обозначаются du и dl соответственно.
Таблица 7.1
Величина статистики DW |
Результат |
4-d1DW4 4-duDW4-d1 |
В модели с некоторой вероятностью существует отрицательная автокорреляция первого порядка. Результат неопределенный. |
2DW4-du |
В модели с некоторой вероятностью нет автокорреляция первого порядка |
duDW2 |
В модели с некоторой вероятностью нет автокорреляция первого порядка |
d1DWdu |
Результат неопределенный. |
0DWd1 |
В модели с некоторой вероятностью существует положительная автокорреляция первого порядка |
Под словами “с некоторой вероятностью” подразумевается уровень значимости, с которым применялся тест. Напомним, что уровень значимости-95%. Это означает, что, например, при попадании значения DW в зону от 0 до dl с вероятностью 95% в модели есть положительная автокорреляция первого порядка.