Учебный курс Эконометрика: идентификация, оценивание и анализ статических моделей Лекция 8 кандидат технических наук, доцент Поляков Константин Львович Нарушение предположения о полноте ранга 2 Матрица “X” имеет полный ранг Y=Xa+v, XMT,n, rank{X}=n Не существует линейной связи между независимыми переменными. 3 Как это проверить ? 4 rank{X}= rank{X’X} D=X’XMn,n, |D-lI|=0 Коэффициент толерантности Полная коллинеарность – Мультиколлинеарность – Рангматрица равенrank{X}<n количеству ненулевых ‘D’ близка к i собственных i i чисел xi ,t вырожденной, d 0 d1 x1,t ...у нее di есть 1 xi 1,t маленькие собственные числа. i i i di 1 xi 1,t ... d n xn,t vt Tli 1 2 Ri Tl min Tli i 5 Мультиколлинеарность Переменные с маленькими приводит к низкой точности значениями коэффициента МНК оценивания. толерантности избыточны. 6 Гребневая регрессия ridge regression Для полной коллинеарности В случае " d>0 мультиколлинеарности lX’X+dI)= lX’X) Избыточные 0, $ l(X’X)0 переменные l(X’X)+d) >0 гребневая регрессия удалять из модели уменьшает дисперсии 1 МНК нежелательно. оценок значений параметров R линейной регрессии. aˆ X X dI X Y Линейная, НО смещенная оценка. 7 Плотность .5 распределения МНК - оценки .4 Плотность распределения R оценки .3 â R .2 Смещение .1 .0 -6 -4 -2 âМНК 0 2 4 a 6 8 10 12 * 8 Нарушение предположения о гомоскедастичности и отсутствии автокорреляции 9 Гомоскедастичность и отсутствие автокорреляции Y=Xa+v Гомоскедастичность 2 "t=1,…T D[vt|X]=s Отсутствие автокорреляции "t,s=1,…T, ts, сov[vt,vs|X]=0 10 Как это проверить ? 11 s 0 ... 0 2 0 s 2 ... 0 Гетероскедастичность 2 E vv ' s I ... это ... … ... ... 2 0 ... s T 0 2 1 Дисперсии разные 12 Критерий Уайта 2 D[v |X]=s (X) t гомоскедастичность H0: H1: гетероскедастичность 13 e Y Yˆ Y Xaˆ мнк n H a0 0 ak xk ,t 2 2k 1 2 et TR N 1 ~ n a x x w kl k ,t l ,t t k ,l 1 14 Насколько серьезны последствия ? 15 Нарушаются условия МНК оценки параметров линейной регрессии теоремы Гаусса - Маркова больше не являются наилучшими в своем классе 16 Неверная оценка дисперсии случайной составляющей e=MY=Mv e’e=v’Mv E[e’e|X]=tr{ME[vv’|X]} 2 2 E s s Cov(v|X)=E[vv’|X]=W E[e’e|X]=tr{M W} 2 s (T-n) 17 Искажение оценки ковариационной матрицы МНК - оценки 2 Cov(v|X)=E[vv’|X]=s I Covaˆ | X s X ' X 2 1 18 Стандартные ошибки в форме Уайта Cov(v|X)=E[vv’|X]=W WM – неизвестная матрица, TxT размерность которой растет с 1 1 ростом числа наблюдений ‘T’. ˆ Cova | X X ' X X ' WX X ' X T 1 1 1 2 ' Covaˆ | X T X ' X et xt xt X ' X T t 1 19 Зависимость дисперсии случайной составляющей Будет ли от независимой переменной выполняться предположение об экзогенности ? ~ vt s xt vt ~ Evt | X Es xt vt | X s xt Evt | X 0 20 Зависимость дисперсии случайной составляющей от независимой переменной 16 12 YG 8 4 ygt=a0+a1xt+v 0 -4 -8 0.0 0.5 1.0 1.5 2.0 2.5 X 21 Переменная Оценка Ст. ошибка C 1.084224 0.321116 3.376421 0.0008 X 2.171267 0.273957 7.925564 0.0000 t-статистика p-уровень Критерий Уайта TR 47.49 2 p уровень 0.05 22 12 15 10 8 5 4 RG RG 0 0 -5 -4 -10 -15 -8 -20 -12 40 0.2 80 0.4 120 0.6 160 0.8 200 1.0 1.2 240 1.4 280 1.6 320 360 1.8 T X 23 ~ ~ yt yt xt , xt 1 xt ~ ~ yt a1 a0 xt wt 8 6 4 RN 2 0 -2 -4 -6 -8 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 X1 24 Автокорреляция случайной составляющей covvt , vs v vt , vs Dvt Dvs k=|t-s| - лаг 25 Статистика Дарбина - Уотсона (Darbin – Watson) T e e 2 t t 1 DWСтандартные 2в1форме e 1 T ошибки 2 Ньюи-Веста et t 2 0 t 1 2 4 dU d L 4 dU 4 d L 26 Нарушение нормальной гипотезы 27 Нормальная гипотеза v|X~N(0, s2I) vt – независимы 28 Как это проверить ? 29 Критерий Жака-Бера (Jarque-Bera) T 2 Kt 3 JB Sq 6 4 2 Коэффициент Число Коэффициент степеней асимметрии эксцесса свободы H0 0, Kt 3 наблюдений) H 0 : Sq (количество H1 H 0 JB ~ 2 2 30 Нормальная кривая ( x) 1 Fn x;0,1 ( Fn ( x; m,s )) x m s Для выборки из Эмпирическая функция нормального распределения распределения k x;T FT x T Число элементов выборки меньших ‘x’. ( FT ( x)) ( Fn ( x; m,s )) x x s 2 31 g x ( FT ( x)) y x x Асимметрия вправо Положительный эксцесс s2 Асимметрия влево Отрицательный эксцесс 32