Метод МНК дает хорошие оценки, когда:
1.
2.
3. Отсутствует автокорреляция остатков
4. Нормальность остатков
5. Независимость факторов между собой
Мультиколлинеарность факторов
Обнаружение мультиколлинеарности
Определение 3.1. Факторы коллинеарны, если между ними имеется связь, т.е. корреляция.
Определение 3.2. Явление мультипликативности – когда больше чем 2 фактора связаны между собой.
В случае мультиколлинеарности в первоначальном уравнении может быть дублирование, отсюда следует, что независимые факторы должны не зависеть.
О наличии мультиколлинеарности между независимыми факторами, как правило, судят по матрице попарных коэффициентов корреляции.
Считают, что 2 переменные явно коллинеарны, т.е. находятся между собой в линейной зависимости, если их rxixj>0,7. Неявная зависимость факторов: 0,5< rxixj <0,7 (судят, например, по тому, что связь между незначимыми переменными есть, если Fрасч большое, а t-статистики маленькое).
Включение в модель мультиколлинеарных факторов затрудняется по следующим причинам:
1) Сложно объяснить коэффициенты регрессии с экономической точки зрения, т.к. коррелированы и имеется дубляж переменных.
2) Оценки параметров регрессии не надежны, отсюда следует, что модель не пригодна для анализа и прогнозирования.
О наличии мултиколлинеарности в целом для модели можно судить на основе следующего критерия:
1) Высчитывают определитель матрицы корреляционных парных коэффициентов.
det Rxixj
y=b0+b1x1+b2x2+…+bkxk
(3.2)
Переменные Z1,k - главные компоненты.
Чем ближе det Rxixj к 1, тем меньше коллинеарность факторов.
2) Рассчитывается
(3.1)
где n – количество наблюдений
k – количество факторов
3) Определяется для степеней свободы
4) Если < , то имеет место мультиколлинеарность факторов.