Недостаточный набор данных

Имеющихся реальных данных может быть недостаточно для того, чтобы определить функциональную связь между переменными, либо они недостаточно варьируются, чтобы можно было отделить влияние одного фактора от влияния другого. Последняя проблема получила в эконометрическом моделировании название “мультиколлинеарности”. В отличие от естественных экспериментальных наук, у отдельного исследователя, изучающего социально-экономические явления и процессы, как правило, нет возможности сколько-нибудь заметно на них повлиять.

Чтобы восполнить недостаток данных реальных наблюдений или измерений, исследователю приходится делать некоторые априорные допущения, зачастую недостаточно обоснованные. Как правило, функциональная форма модели заранее неизвестна. В этом случае хорошим выходом из положения было бы использование непараметрических методов оценивания. Однако для применения таких методов необходим значительно больший набор данных. Поэтому на практике, как правило, предполагают, что зависимость между двумя переменными линейна. Часто линейная зависимость дает хорошую аппроксимацию гладкой зависимости в некоторой небольшой окрестности, но, вообще говоря, нет никакой гарантии, что “истинная” зависимость не окажется сильно нелинейной как раз в том интервале, к которому относятся данные.

При применении статистических методов следует помнить, что постулируемые свойства, как правило, носят асимптотический характер, то есть проявляются в пределе, при стремлении количества наблюдений к бесконечности. В частности, если в линейной регрессии в качестве регрессоров используются лаги зависимой переменной, то, даже если выполнены стандартные предположения регрессионного анализа, полученные оценки будут состоятельными, но окажутся смещенными.