Нарушение предпосылок классической регрессионной модели
Выбери формат для чтения
Загружаем конспект в формате pptx
Это займет всего пару минут! А пока ты можешь прочитать работу в формате Word 👇
Нарушение предпосы лок классической
регрессионной
модели
Спасибо
за внимание!
Мультиколлинеарность
Если в модели более двух факторов и они
коррелируют между собой.
Последствия мультиколлинеарности
1. Затрудняется интерпретация параметров
регрессии как характеристик действия факторов в
«чистом» виде, параметры теряют экономический
смысл.
y=3,5+1,2x1-4,3x2
2. Оценки параметров не надежны, имеют
большие стандартные ошибки и сильно меняются
с изменением объема наблюдений.
Методы устранения мультиколлинеарности
1. Добавить новые переменные.
2. Увеличить размер выборки.
3. Увеличить дисперсии объясняющих
переменных.
4. Объединить коррелированные переменные в
совокупный индекс.
5. Исключить некоторые из коррелированных
переменных.
Условия Гаусса-Маркова
1. Математическое ожидание (среднее)
случайного члена в любом наблюден должно
быть равно нулю
.
Это условие выполняется всегда, если в модели
есть константа.
Условия Гаусса-Маркова
2. Дисперсия случайного члена
должна быть
постоянной для всех наблюдений .
Условие гомоскедастичности случайного члена.
Если условие не выполняется, говорят о
гетероскедастичности случайного фактора.
Условия Гаусса-Маркова
Условия Гаусса-Маркова
Вы явление и устранение
Вы явления: тесты Голфелда - Квандта,
Спирмена, Уайта.
Устранение: модель оценивается взвешенным
методом наименьших квадратов (ВМНК);
корректировка стандартных ошибок, полученных с
помощью МНК, по методу Уайта.
Условия Гаусса-Маркова
3. Значения случайного фактора для разных
наблюдений (
) не коррелируют
между собой.
При невыполнении условия говорят об
автокоррелированности случайного фактора.
Условия Гаусса-Маркова
Вы явление и устранение
Вы явления: тест Дарбина-Уотсона.
Устранение: модель оценивается нелинейным
методом наименьших квадратов (НМНК);
корректировка стандартных ошибок, полученных с
помощью МНК, по методу Ньюи-Веста.
Условия Гаусса-Маркова
4. Случайный фактор распределен независимо от
объясняющих переменных.
Это условие выполняется всегда, если регрессоры
являются детерминированными, то есть не
случайными величинами.
Теорема Гаусса-Маркова
При выполнении 4-х условий Г-М оценки
коэффициентов регрессии, получаемые по МНК,
являются несмещенными, эффективными и
состоятельными.
Несмещенность
Математическое ожидание оценки равно
оцениваемому параметру.
Эффективность
Имеют наименьшую дисперсию в классе всех
линейных несмещенных оценок.
Состоятельность
При неограниченном увеличении объема выборки
полученные оценки становятся близки к
оцениваемым параметрам.
Дополнительное условие
Случайный фактор имеет нормальное
распределение:
.
Это условие не нужно для обеспечения хороших
свойств МНК - оценок.
Оно обеспечивает корректность тестов,
проверяющих гипотезы о коэффициентах
регрессии.