Обобщенный метод наименьших квадратов

Обобщенный метод наименьших квадратов (ОМНК) применяется к преобразованным данным и позволяет получать оценки, которые обладают не только свойством несмещенности, но и имеют меньшие выборочные дисперсии.

Остановимся на использовании ОМНК для корректировки гетероскедастичности.

Как и раньше, будем предполагать, что среднее значение остаточных величин равно нулю. А вот дисперсия их не остается неизменной для разных значений фактора, а пропорциональна некоторой величине , т.е.

,

где – дисперсия ошибки при конкретном -м значении фактора;

– постоянная дисперсия ошибки при соблюдении предпосылки о гомоскедастичности остатков;

– коэффициент пропорциональности, меняющийся с изменением величины фактора, что и обусловливает неоднородность дисперсии.

При этом предполагается, что неизвестна, а в отношении величин выдвигаются определенные гипотезы, характеризующие структуру гетероскедастичности.

В общем виде для уравнения

при

модель примет вид: .

Поделим все переменные на . От регрессии по мы перейдем к регрессии на новых переменных: и .

Уравнение регрессии примет вид:

Исходные данные для этого уравнения будут иметь вид:

, .

По отношению к обычной регрессии уравнение с новыми, преобразованными переменными представляет собой взвешенную регрессию, в которой переменные и взяты с весами .

Оценка параметров нового уравнения с преобразованными переменными приводит к взвешенному методу наименьших квадратов, для которого необходимо минимизировать сумму квадратов отклонений вида

→ min

Соответственно получим следующую систему нормальных уравнений:

Если преобразованные переменные и взять в отклонениях от средних уровней, то коэффициент регрессии можно определить как

.

Как видим, при использовании обобщенного МНК с целью корректировки гетероскедастичности коэффициент регрессии представляет собой взвешенную величину по отношению к обычному МНК с весом .

Аналогичный подход возможен не только для уравнения парной, но и для множественной регрессии. Предположим, что рассматривается модель вида , для которой дисперсия остаточных величин оказалась пропорциональна . представляет собой коэффициент пропорциональности, принимающий различные значения для соответствующих значений факторов и . Ввиду того, что

,

рассматриваемая модель примет вид

,

где ошибки гетероскедастичны.

Для того чтобы получить уравнение, где остатки гомоскедастичны, перейдем к новым преобразованным переменным, разделив все члены исходного уравнения на коэффициент пропорциональности . Уравнение с преобразованными переменными составит

.

Это уравнение не содержит свободного члена. Вместе с тем, найдя переменные в новом преобразованном виде и применяя обычный МНК к ним, получим иную спецификацию модели:

.

Параметры такой модели зависят от гипотезы, принятой для коэффициента пропорциональности . В эконометрических исследованиях довольно часто выдвигается гипотеза, что остатки пропорциональны значениям фактора. Так, если в уравнении

предположить, что , т.е. и , то обобщенный МНК предполагает оценку параметров следующего трансформированного уравнения:

.

Применение в этом случае обобщенного МНК приводит к тому, что новые преобразованные переменные получают новое экономическое содержание и их регрессия имеет иной смысл, чем регрессия по исходным данным.

Пример. Пусть – издержки производства,

– объем продукции,

– основные производственные фонды,

– численность работников,

тогда уравнение – модель издержек производства.

Предполагая, что пропорциональна квадрату численности работников , получим в качестве результативного признака затраты на одного работника , а в качестве факторов следующие показатели: производительность труда и фондовооруженность труда .

Соответственно трансформированная модель примет вид:

,

где параметры , , численно не совпадают с аналогичными параметрами предыдущей модели. Кроме этого, коэффициенты регрессии меняют экономическое содержание: из показателей силы связи, характеризующих среднее абсолютное изменение издержек производства с изменением абсолютной величины соответствующего фактора на единицу, они фиксируют при обобщенном МНК среднее изменение затрат на работника; с изменением производительности труда на единицу при неизменном уровне фовдовооруженности труда; и с изменением фондовооруженности труда на единицу при неизменном уровне производительности труда.

Если предположить, что в модели с первоначальными переменными дисперсия остатков пропорциональна квадрату объема продукции , , можно перейти к уравнению регрессии вида

.

В нем новые переменные: – затраты на единицу (или на 1 руб. продукции), – фондоемкость продукции, – трудоемкость продукции.

ОМНК устраняет гетероскедастичность, если известна взаимосвязь ошибок регрессии ε с фактором х (например, на основе рассмотренных тестов гетероскедастичности). Иными словами, должны быть установлены коэффициенты пропорциональности К, что и приводит к взвешенному МНК.

Контрольные вопросы:

1. Как оценить качество модели множественной регрессии с помощью F – критерия Фишера?

2. Как оценить качество модели множественной регрессии с помощью t – критерия Стьюдента?

3. Что такое мультиколлинеарность?

4. Какие существуют методы устранения мультиколлинеарности?

5. Какая формула показывает связь коэффициентов регрессии с коэффициентами эластичности?

6. Каким критериям должны отвечать остаточные величины регрессии?

7. Какие предпосылки метода наименьших квадратов существуют?

8. В каких случаях применяется обобщенный метод наименьших квадратов?

 

Литература: [1], [2].