Економічні і економетричні моделі

ВСТУП

Що таке економетрика

Економетрика[1] – це галузь економічної теорії, яка вивчає моделі економічних систем у формі, що уможливлює перевірку цих моделей на адекватність засобами математичної статистики. Мета економетрики – здійснювати емпіричну перевірку положень економічної теорії, підтверджуючи чи відхиляючи останні. Цим економетрика відрізняється від математичної економіки, зміст якої полягає виключно у застосуванні математики, і теоретичні положення якої не обов’язково потребують емпіричного підтвердження. Економетрика є результатом синтезу економічної теорії, математичної статистики та економічної статистики. Застосування статистичних методів до аналізу економічних даних має давню історію. Стіглер[2] зауважує, що перша «емпірична» крива попиту була опублікована Чарльзом Дейвенентом у 1699 році, а перше сучасне статистичне дослідження попиту було виконано італійським статистиком Родульфо Еніні у 1907 році. Важливим поштовхом до розвитку економетрики було заснування у 1930 році у США Економетричного Товариства і публікація часопису Econometrica (який, до речі, виходить і досі).

Економічні і економетричні моделі

Економічна модель являє собою набір припущень, які приблизно описують поведінку економіки (або сектора економіки). Економетрична модель складається з таких частин: 1). Набір рівнянь поведінки, які виводяться з економічної моделі. Ці рівняння включають деякі змінні, значення яких спостерігаються, а також «збурення», які відтворюють ефект від змінних, не включених до моделі у явному вигляді, та ефект від непередбачуваних подій. 2). Опис імовірнісного розподілу «збурень».

Економетричні моделі мають стохастичний характер. Розглянемо співвідношення між споживанням С та доходом Y у такому вигляді:

С = a + b Y + e, (В.1)

де e – збурення, або стохастична складова моделі, a і b – невідомі параметри, які можна оцінити за допомогою методів математичної статистики.

Стохастичний характер економетричних моделей дозволяє використовувати теорію статистичних висновків для перевірки цих моделей на адекватність. Перевірка складається з двох етапів: статистичного і економічного. На статистичному етапі ми перевіряємо, чи виконуються вимоги, які накладено на стохастичну складову e при формулюванні моделі. На економічному етапі ми перевіряємо, чи узгоджуються знайдені оцінки параметрів з положеннями економічної теорії. Наприклад, теорія споживання стерджує, що зі зростанням доходу споживання зростає, але не в такій мірі як доход. Звідси випливає, що модель (В.1) коректна, коли в ній 0 < b < 1.

Таким чином, економетричні методи дозволяють не тільки встановлювати кількісні зв’язки між економічними змінними, але й робити висновки про коректність одержаних моделей.

В першому розділі книзі подано огляд результатів стосовно базової економетричної моделі – моделі лінійної регресії, в тому числі теми, які традиційно не включаються до елементарних курсів економетрики: асимптотична теорія, автокореляція внаслідок неправильної специфікації моделі, спатіальна автокореляція, консистентні в умовах гетероскедастичності оцінки коваріаційної матриці для МНК, метод максимальної правдоподібності включаючи оцінювання коваріаційної матриці і три основні принципи перевірки гіпотез.

Розділ 2 присвячений моделям з лаговим змінним. В Розділі розглядаються (більш грунтовно, ніж в елементарних курсах) системи одночасних рівнянь, а в Розділі 4 – моделі з обмеженою залежною змінною і моделі з панельними даними. В Додатку 2. Приведено коротке керівництво користувача програми Eviews.

ЗМІСТ

Зміст
Вступ
Розділ 1. ЛІНІЙНА РЕГРЕСІЯ
1.1. Проста лінійна регресія
1.2. Множинна лінійна регресія
1.3. Асимптотичні властивості МНК-оцінок.
1.4. Модель лінійної регресії з гетероскедастичними збуреннями
1.5. Модель лінійної регресії з автокорельованими збуреннями
1.6. Метод максимальної правдоподібності.
Розділ 2. МОДЕЛІ З ЛАГОВИМИ ЗМІННИМИ
2.1. Приклади з економічної теорії
2.2. Означення
2.3.Оцінювання моделей з розподіленними лагами
2.4.Обмежене оцінювання скінченних МРЛ
2.5.Моделі з нескінченною довжиною лагів
2.6.Моделі з нескінченою довжиною лагів і економічна теорія
2.7. Оцінювання моделей з нескінченною довжиною лагів.
Розділ 3. СИСТЕМИ СИМУЛЬТАТИВНИХ РЕГРЕСІЙНИХ РІВНЯНЬ
Розділ 4. МОДЕЛІ З ОБМЕЖЕНИМИ ЗАЛЕЖНИМИ ЗМІННИМИ І МОДЕЛІ З ПАНЕЛЬНИМИ ДАНИМИ
4.1.Моделі з обмеженими залежними змінними.
4.1.1.Моделі бінарного вибору.
4.1.2.Моделі з впорядкованим відгуком.
4.1.3.Моделі Тобіт.
4.2. Моделі з панельними даними.
4.2.1.Переваги панельних даних.
4.2.2.Модель з фіксованими ефектами.
4.2.3.Модель з випадковими ефектами.
4.2.4.Фіксовані ефекти чи випадкові ефекти?
Список літератури
Додаток1 Статистичні таблиці
Додаток2 Керівництво користувача EViews

 

 

РОЗДІЛ 1. ЛІНІЙНА РЕГРЕСІЯ

Проста лінійна регресія

Опис Моделі

Припустимо, що існують дві змінні x i y, де x - незалежна змінна (регресор), y - залежна змінна. Співвідношення між цими змінними позначимо: y = f (x). Будемо розрізняти детерміновані і статистичні співвідношення. При статистичному співвідношенні кожному значенню x відповідає не єдине значення y, але залежну змінну y можливо точно описати у імовірнісних термінах. Припустимо, що функція f(x) лінійна за x, тобто f(x) = a + b x, а співвідношення між x та y є статистичним, а саме

y = a + b x + e, (1.1)

де доданок e називається збуренням або похибкою і має відомий імовірносний розподіл (тобто є випадковою величиною). В рівнянні (1.1) a + b x є детермінованим компонентом, збурення e є випадковим або стохастичним компонентом; a і b називаються регресійними коефіцієнтами або параметрами регресії, які потрібно оцінити на основі даних про x та y.

Нехай ми маємо n пар значень . Кожну пару будемо називати спостереженням. Ми можемо записати рівняння (1.1) у вигляді

y_i = a + b x_i + e _i (1.2)

Наша мета - знайти оцінки невідомих параметрів a та b в рівнянні (1.2) на основі n спостережень x та y. Щоб це зробити ми повинні накласти деякі умови щодо збурень e _i.

1. Нульове середнє: Ee _i = 0, .

2. Рівність дисперсій (гомоскедастичність): De _i = E = s² = const, .

3. Незалежність збурень: e _і та e _j незалежні при . Зокрема, cov(e _i, e _j) = Ee _i e _j = 0 при .

4. Незалежність збурень та регресора: x_i та e _j незалежні для всіх i та j. Якщо x_i вважаються невипадковими, то дане припущення виконано автоматично.

В деяких випадках будемо накладати додаткове припущення (ми будемо вказувати в тексті, для виконнання яких результатів воно необхідно):

5. Нормальність. Збурення e _i нормально розподілені для всіх i. Взявши до уваги припущення 1-3, ми можемо сказати, що e _i – незалежні нормально розподілені випадкові величини з нульовим математичним сподіванням і однаковими дисперсіями s², або .

Отже, модель простої лінійної регресії описується за допомогою рівнянь (1.2), збурення в яких задовольняють припущенням 1 – 5.

Оскільки Ee _i = 0, то з рівняння (1.2) маємо E(y_i) = a + b x_i. Останній вираз називається популяційною функцією регресії. Таким чином, популяційна функція регресії – функція умовного математичного сподівання. Якщо замінити значення параметрів їх оцінками, одержимо вибіркову функцію регресії. Популяційна регресійна функція дає усереднене, або закономірне значення незалежної змінної, яке відповідає даному значенню незалежної змінної. Збурення можна інтерпретувати як відмінність поведінки залежної змінної від усередненої в кожній конкретній ситуації.

Друге припущення означає,що для кожного спостереження дія випадкових факторів в середньому однакова.

Третє припущення означає, що для кожного спостереження випадкові фактори діють незалежно.

 

1.1.1. Знаходження оцінок параметрів регресії методом найменших квадратів

Нехай та –деякі оцінки параметрів a та b. Запишемо рівняння вибіркової регресії . Тоді є оцінкою E y_i, побудованою на основі вибіркової регресії. Позначимо через різницю між значенням y, яке спостерігалось, і обчисленим з регресії. Оцінки методу найменших квадратів (скорочено – МНК-оцінки) знаходяться з умови мінімізаціїї за всіма можливими значеннями та виразу

(1.3)

Позначимо на координатній площині точки і побудуємо графіки прямих для різних значень і . Знаходження оцінок методом найменших квадрвтів означає пошук прямої, яка знаходиться найближче до даних точок у тому розумінні, що сума квадратів відстаней по вертикалі від даних точок до прямої буде найменшою. Обгрунтування такого вибору методу побудови оцінок полягає в їх оптимальних статистичних властивостях, які сформульовано вище.

Щоб мінімізувати вираз (1.3), запишемо необхідну умову екстремуму, тобто прирівняємо похідні відносно та до нуля. Маємо

,

звідки

(1.4)

і

,

звідки

(1.5)

Система рівнянь (1.4) і (1.5) називається системою нормальних рівнянь.

Уведемо такі позначення:

,

,

,

,

Нехай S_xx> 0. Запишемо розв’язок системи нормальних рівнянь відносно за правилом Крамера:

(1.6).

Розділимо чисельник і знаменник виразу (1.6) на n. Враховуючи уведені позначення, остаточно одержимо: . Розділимо перше нормальне рівняння (1.4) почленно на n. Маємо: . Надалі будемо позначати МНК-оцінки параметрів a та b латинськими літерами a та b. Отже, МНК-оцінки параметрів моделі простої лінійної регресії знаходяться за фомулами:

 

(1.7)

Якщо обчислити матрицю других похідних для Q, то можна побачити, що ця матриця додатньо визначена, отже значення (1.7) дійсно мінімізують (1.3).

Рівняння вибіркої регресії приймає вигляд

. (1.8)

З першого нормального рівняння випливає, що графік вибіркової регресійної прямої (1.8) проходить через точку середеніх значень залежної та незалежної змінних. Рівняння (1.8) дає нам уявлення про характер залежності (точніше детермінованої її частини) між змінними x та y.

1.1.3.Властивості залишків методу найменших квадратів

Позначимо через різниці між фактичними та теретичними, тобто обчисленими з рівняння вибіркої регресії (1.8) значеннями залежної змінної:

(1.9)

– залишки методу найменших квадратів (аналогічно тому, як ми домовились щодо позначень оцінок методом найменших квадратів, замість загального позначення залишків , для залишків методу найменших квадратів будемо використовувати літеру e). Залишки можна вважати вибірковими, або емпіричними аналогами збурень. З урахуванням уведених позначень перше нормальне рівняння запишеться у вигляді

(1.10).

Отже, сума залишків методу найменших квадратів дорівнює нулю.

Друге нормальне рівняння прийме вигляд

(1.11).

Або, якщо позначити через x вектор значень незажної змінної, а через e вектор залишків:

, ,

то . Тобто, залишки методу найменших квадратів ортогональні до регресора.

 

1.1.4.Розклад дисперсії залежної змінної. Коефіціент детермінації

З рівнянь (1.8) та (1.9) випливає, що

(1.12)

Запишемо другу з формул (1.7) у вигляді

(1.13)

Від кожного з рівняннь (1.12) віднімемо рівняння (1.13):

(1.14)

Кожне з рівнянь (1.14) піднесемо до квадрату і додамо почленно. Маємо

, (1.15)

внаслідок (1.10) та (1.11). Позначимо . З (1.10) випливає, що . Тому

.

Порівнюючи останнє рівняння з (1.14), бачимо, що

,

отже

.

Уведемо такі позначення:

– загальна сума квадратів,

– пояснена сума квадратів, або сума квадратів регресії

–сума квадратів залишків.

Загальна сума квадратів пропорційна до вибіркової дисперсії залежної змінної. Пояснена сума квадратів пропорційна до вибіркової дисперсії незалежної змінної. Отже, дисперсія залежної змінної складається з двох частин. Перша виникає завдяки розкиду значень незалежної змінної. Тобто, ця частина пояснюється за рахунок моделі (звідси і назва – пояснена сума квадратів). Друга частина – сума квадратів залишків – виникає внаслідок збурень і не пояснюється за рахунок моделі. Записавши співвідношення (1.15) з урахуванням уведених позначень, одержимо формулу розкладу дисперсії:

 

 

(1.16).

 

Коефіціент детермінаціїї визначається як частка поясненої і загальної сум квадратів

 

(1.17).

 

Для обчислення коефіціента детермінації можна користуватись такими формулами

. (1.17а)

Коефіціент детермінації є частиною дисперсії залежної змінної, яка пояснюється за рахунок моделі, або, іншими словами, завдяки мінливості незалежної змінної. Коефіціент детермінації є мірою тісноти саме лінійного зв¢язку між x та y. Коефіціент детермінації завжди знаходиться в межах від нуля до одиниці. Чим ближче до 1, тим точніше x пояснює y. Якщо = 1, це означає, що всі значення x та y лежать на одній прямій. Якщо = 0,то лінія регресії – горизонтальна пряма; це означає відсутність (лінійного) зв¢язку між змінними. Коефіціент детермінації є мірою згоди регресії. Проілюструємо сказане графічно. На Рис. 1.2 зображено три набори даних по 100 спостережень в кожному, утворені за допомогою датчика випадкових чисел, разом з вибірковими регресійними прямими, знайденими за домогою методу найменших квадратів. В кожному випадку розраховано коефіцієнт детермінації.

а) тісний зв’язок: R ^2 = 0.970261	б) відсутність зв’язку: R ^2 = 0.000771756	в) відсутність зв’язку: R ^2= 0.0000665667

Рис 1.2.

У випадку, зображеному на Рис. 1.2.а) має місце досить тісний лінійний зв’язок між змінними. У випадках б) та в) лінійний зв’язок практично відсутній. Однак між цими двома ситуаціями існує істотна різниця. На Рис. 1.2 б), очевидно, відсутній будь-який зв’язок між змінними, тоді як точки на Рис. 1.2.в) розташовані навколо деякої параболи.

1.1.5.Статистичні властивості оцінок методу найменших квадратів

Оцінки методу найменших квадратів є незміщеними1):

E b = b, E a = a.

Дисперсії та коваріація оцінок методу найменших квадратів обчислюються за наступними формулами:

(1.18)

Наведені формули не можна використовувати для перевірки гіпотез та інтервального оцінювання, оскільки до них входить невідомий параметр – дисперсія збурень s². Отже, нам потрібно вміти знаходити її оцінку. Має місце наступний результат: статистика

є незміщеною оцінкою s². Якщо збурення нормально розподілені, то a та b також нормально розподілені. Величина

має c² - розподіл з n - 2 ступенями свободи. Більше того, випадкова величина RSS не залежить від a та b.

Далі ми будемо припускати, що збурення нормально розподілені. Як відомо, якщо випадкові величини x₁~N(0,1), x₂~ незалежні2), то

 

має розподіл Стьюдента з p ступенями свободи.

Оскільки , то має стандартний нормальний розподіл. Крім того, і ці випадкові величини незалежні. Отже, частка

має розподіл Стьюдента з n - 2 ступенями свободи. Величина є оцінкою дисперсії b, а – оцінкою середньоквадратичного відхилення, або, коротко, стандартною похибкою оцінки b. Уведемо позначення SE( b) = (від англійського standard error -стандартна похибка). Маємо

(1.19)

 

1.1.6.Статистичні висновки в моделі простої лінійної регресії

Інтервальне оцінювання

Інтервальна оцінка параметра b з рівнем довіри 1-a (не плутати з постійним доданком у регресії) знаходиться за наступною формулою:

, (1.22)

де значення t _кр знаходиться за вибраним a в таблиці розподілу Стьюдента з n- 2 ступенями свободи.

Приклад

В Таблиці 1.1. наведено обсяги сукупного доходу у розпорядженні та сукупного споживання для США у постійних доларах 1972 р. Дані з Таблиці 1.1. зображено графічно на на Рис.1.3. З графіка видно, що точки, які відповідають спостереженням, розташовані навколо деякої прямої, отже доцільно розглянути лінійну функцію споживання. Оцінимо її за допомогою моделі простої лінійної регресії:

y_i = a + b x_i + e _i, , (1.27)

де через x_i та y_i позначено відповідно рівень доходу і споживання в році 1969 + i (наприклад i = 5 відповідає 1974 року). Спочатку обчислимо

Таблиця 1.1.

Рік	Доход у розпорядженні	Особисте споживання
	751,6	672,1
	779,2	696,8
	810,3	737,1
	864,7	767,9
	857,5	762,8
	874,9	779,4
	906,8	823,1
	942,9	864,3
	988,8	903,2
	1015,7	927,6

 

 

Рис. 1.3.

=(751,6+779,2+810,3+864,7+857,5+874,9+906,8+942,9+988,8+1015,7)/10 =

= 879,24;

=(672,1+696,8+737,1+767,9+762,8+779,4+823,1+864,3+903,2+927,6)/10 =

= 793,43;

 

S_xx = ((751,6 – 879,24)² + (779,2 – 879,24)² + (810,3 – 879,24)² +

+ (864,7 – 879,24)² + (857,5 – 879,24)² + (874,9 – 879,24)² +

+ (906,8 – 879,24)² + (942,9 – 879,24)² + (988,8 – 879,24)² +

+ (1015,7879,24)²) = 67192,4;

 

S_yy = ((672,1 – 793,43)² + (696,8 – 793,43)² + (737,1 – 793,43)² +

+ (767,9 – 793,43)² + (762,8 – 793,43)² + (779,4 – 793,43)² +

+ (823,1 – 793,43)² + (864,3 – 793,43)² + (903,2 – 793,43)² +

+ (927,6 – 793,43)²) = 64972,1;

 

S_xy = ((751,6 – 879,24) (672,1 – 793,43) + (779,2 – 879,24) (696,8 – 793,43) +

+ (810,3 – 879,24) (737,1 – 793,43) + (864,7 – 879,24) (767,9 – 793,43) +

+ (857,5 – 879,24) (762,8 – 793,43) + (874,9 – 879,24) (779,4 – 793,43) +

+ (906,8 – 879,24) (823,1 – 793,43) + (942,9 – 879,24) (864,3 – 793,43) +

+(988,8 – 879,24) (903,2 – 793,43) + (1015,7879,24) (927,6 – 793,43)) =

= 65799,3.

За формулами (1.7) знаходими оцінки методу найменших квадратів коефіцієнгів моделі (1.27):

Отже, рівняння вибіркової регресійної прямої (рівняння фунцції споживання) має вигляд:

= – 67,58 + 0.979 x. (1.28)

Рис 1.4

Графік цієї прямої зображено на Рис. 1.4. разом з фактичними даними. Щоб мати уявлення про тісноту зв’язку між доходом і споживанням, обчислимо коефі-цієнт детемінації. За формулою (1.17а) маємо:   R ^2 = bSxy/Syy =

= 0.979´65799,3/64972,1 = 0.990702.

Як ми бачимо, зв’язок між споживанням і доходом є вельми тісним. Перед тим, як використовувати рівняння (1.28) для економічного аналізу або побудови прогнозів, модель (1.27) потрібно перевірити на адекватність. Перевіримо гіпотезу про значущість регресії двома способами. Спочатку використаємо F -статистику (1.23):

.

Нехай, рівень значущості a дорівнює 0,05. В Таблиці 3. Додатку знаходимо, що критичне значення F _кр = 5,32. Ми бачимо, що | F |³ F _кр, отже гіпотеза про рівність b нулю відхиляється, тим самим модель (1.27) є значущою.

Обчислимо стандартні похибки оцінок. Спочатку знайдемо суму квадратів залишків RSS. За формулою (1.15)

RSS = S_yy – b ² S_xx = 64972,1 – 0.979²´67192,4 = 537,0.

Далі знаходимо оцінку дисперсії збурень

.

стандартна похибка b дорювнює:

 

SE( b) = 0.0316071.

 

Перевіримо гіпотезу про те, що коефіцієнт нахилу регресійної прямої b дорівнює нулю за допомогою t -статистики (1.20):

.

Нехай, рівень значущості a дорівнює 0,05. В Таблиці 1. Додатку знаходимо, що критичне значення t _кр = 2,306. Ми бачимо, що | t |³ t _кр, отже гіпотеза відхиляється.

Отже, ми можемо вважати модель адекватною (читач не повинен забувати, що повна перевірка моделі на адекватність включає аналіз залишків, з елементами якого ми ознайомимось в розділах 3 та 4).

З теорії споживання відомо, що коефіцієнт нахилу лінійної функції споживання є маргінальною або граничною схильністю до споживоння. Таким чином, ми встановили, що в середньому 0.979 ´ 100 = 97,9% прирісту доходу витрачається на споживання1). Обчислене значення граничної схильності до споживання знаходиться в інтервалі (0; 1), що узгоджується з економічною теорією.

Множинна лінійна регресія

1.2.1. Опис моделі

За допомогою моделі простої лінійної регресіїї ми вивчали зв’язок між залежною змінною y та незалежною змінною x. Модель множинної лінійної регресії описує співвідношення між y та набором незалежних змінних x₀, x ₁,..., x_{k -1}. Так, наприклад, при дослідженні попиту нас цікавить залежність обсягу попиту на деякий товар від ціни на цей товар, цін на взаємозамінні з даним товари та від доходів споживачів. При наявності n спостережень модель множинної лінійної регресії записується у вигляді

(1.29)

де x_ij – значення j -ї незалежної змінної (x_j) в i -му спостереженні, збурення e _i задовольняють тим самим припущенням, що і в моделі простої регресії.

1. Нульове середнє: E e _i = 0, .

2. Рівність дисперсій: De _i = E = s² = const, .

3. Незалежність збурень: e _і та e _j незалежні при .

4. Незалежність збурень та регресорів: x_ij та e _і незалежні для всіх i та j (якщо регресори не стохастичні, то дане припущення виконується автоматично).

5. (Додаткове). Збурення e _i нормально розподілені для всіх i.

Модель множинної лінійної регресії (1.29) зручно записувати у матрично-векторному вигляді:

(1.30)

 

з використанням наступних позначень:

–вектор значень залежної змінної,

– матриця значень незалежних змінних,

– вектор збурень,

– вектор параметрів (коефіцієнтів) регресії.

Матриця X складається з n рядків – відповідно до кількості спостережень, – і з k стовпчиків, кількість яких дорівнює кількості незалежних змінних. Щоб записати модель з константою:

у матричному вигляді, розглядають матрицю значень незалежних змінних, в якій перший стовпчик складається з одиниць:

.

Позначимо через D e коваріаційну матрицю вектора збурень

,

внаслідок того, що збурення мають нульові математичні сподівання. Тоді припущення 2 та 3 зручно записувати у вигляді:

De =s² I _n, (1.31)

де I _n – одинична матриця n -го порядку, а припущення 1 – E e = 0.

Модель множинної лінійної регресії у матрично-векторних позначеннях:

e не залежить від X

Додаткове припущення:

e ~ N (0,s² I)

 

1.2.2. Знаходження параметрів регресії методом найменших квадратів

Нехай –деяка оцінка вектора параметрів . Запишемо рівняння вибіркої регресії

.

Тоді

є оцінкою E y_i, побудованою на основі вибіркової регресіїї. Залишки визначаються як різниці між значеннями залежної змінної, які спостерігались, і обчисленими з регресії:

.

Вектор залишків дорівнює , де , .

Оцінки методу найменших квадратів знаходяться з умови мінімізації суми квадратів залишків за всіма можливими значеннями

(1.32)

Щоб мінімізувати вираз (1.32), запишемо необхідну умову екстремуму, тобто прирівняємо похідні відносно до нуля. Маємо

,

тобто, система нормальних рівнянь має вигляд

,

звідки

. (1.33)

Перевірка достатніх умов екстремуму показує, що , обчислена за (1.33), дійсно мінімізує функцію (1.32). Надалі оцінку вектора коефіцієнтів моделі множинної лінійної регресії позначатимемо латинською літерою b,

.

Оцінка методу найменших квадратів коефіцієнтів моделі моделі множинної лінійної регресії знаходиться за формулою:

(1.34)

Рівняння вибіркої регресії приймає вигляд

. (1.35),

або, у випадку регресії з костантою,

(1.36).

Рівняння вибіркої регресії є рівнянням лінійної функції багатьох змінних.

Зауваження 1

Без використання додаткової інформаціїї не можна робити висновків про те, яке значення вважати великим. Для деяких даних, наприклад, значення 0.8 може бути недостатнім, а в інших випадках величина 0.4 може бути прийнятною.

Зауваження 2

В моделях без константи коефіцієнт детермінації не обов’язково знаходиться в межах від нуля до одиниці, оскількі подвоєний добуток у (1.40) не дорівнює нулю. В таких моделях різні способи визначення дають різні результати, і коефіцієнт детермінації важко інтерпретувати. Ні в якому разі не можна співвідносити моделі з константою і без константи на підставі порівняння коефіцієнтів детермінації. Взагалі, можна дати таку рекомендацію. Якщо немає економічних підстав для вибору регресійної функціі у вигляді без константи, то бажано розглядати модель з константою.

 

1.2.5. Статистичні властивості оцінок методу найменших квадратів

Обчислимо математичне сподівання оцінок методу найменших квадратів. Підставимо формулу (1.30) до формули (1.34):

1.43)

Маємо

,

оскільки лінійний множник можна виносити за знак математичного сподівання, і E e = 0. Отже, МНК-оцінки є незміщеними. Знайдемо коваріаційну матрицю оцінки b:

Db = E(b - E b)(b - E b)^T = E(b - b)(b - b)^T =

=

.

Ми скористались властивостями математичного сподівання, добутку транспонованих матриць, формулою (1.31), а також тим, що матриця X ^T X, аотже і обернена до неї, симетричні.

(1.44)

Позначимо матрицю через . Тоді

(1.45)

Наведені формули не можна використовувати для перевірки гіпотез та інтервального оцінювання, оскільки до них входить невідомий параметр – дисперсія збурень s². Отже, нам потрібно вміти знаходити її оцінку. Має місце наступний результат: статистика

, (1.46)

де k – кількість регресорів, включаючи константу, є незміщеною оцінкою s². Якщо збурення нормально розподілені, то b має багатовимірний нормальний розподіл, математичне сподівання і коваріаційна матриця якого обчислюються за формулою (1.44). Зокрема,

.

Величина

має c² - розподіл з n - k ступенями свободи і не залежить від b. Оцінка коваріаційної матриці коефіціентів методу найменших квадратів одержується підстановкою до формули (1.44) виразу (1.46) замість дисперсії збурень s²:

, (1.47)

зокрема

 

.

Позначимо через s.e. ( b_i) оцінку середньокватратичного відхилення коефіціента b_i. (стандартнy похибку)

Розмірковуючи так, як у випадку простої регресії, приходимо до висновку, що

(1.48)

Оцінки методу найменших квадратів є лінійними у тому розумінні, що b є лінійною функцією y. Наступна теорема встановлює оптимальні властивості оцінки методу найменших квадратів.

Теорема Гауса-Маркова

1) Нехай припущення про нормальність збурень не накладається. Тоді МНК-оцінки мають мінімальну коваріаційну матрицю в класі незміщених лінійних оцінок.

2)Припустимо, що збурення нормально розподілені. МНК- оцінки мають мінімальну коваріаційну матрицю в класі усіх незміщених оцінок.

Зокрема, оцінки індивідуальних коефіціентів b_i мають найменші дисперсії серед оцінок відповідних класів.

 

Прогностичний Критерій Чау

Застосовується у випадках, коли одна з двох груп нараховує невелику кількість спостережень, недостатню для знаходження оцінок. Нехай, для визначеності, n ₁ > n ₂. Для перевірки гіпотези потрібно оцінити модель (1.70) двічі: за всіма спостереженнями і за більшою групою. Позначимо:

RSS – сума квадратів залишків у моделі, яка оцінена за всіма n спостереженнями,

RSS₁ – сума квадратів залишків у моделі, яка оцінена за більшою групою з n ₁ спостереження.

Якщо гіпотеза про стійкість моделі вірна,