Методы устранения мультиколлинеарности
Обнаружение мультиколлинеарности
Суть и последствия мультиколлинеарности
Методы устранения автокорреляции
Обнаружение автокорреляции
Суть автокорреляции
Методы устранения гетероскедастичности
Обнаружение гетероскедастичности
Суть гетероскедастичности. Последствия гетероскедастичности
Оценивание параметров структурной модели
Коэффициенты структурной модели могут быть оценены разными способами в зависимости от вида системы одновременных уравнений. Наибольшее распространение в литературе получили следующие методы оценивания коэффициентов структурной модели:
- косвенный метод наименьших квадратов;
- двухшаговый метод наименьших квадратов;
- трехшаговый метод наименьших квадратов;
- метод максимального правдоподобия с полной информацией;
|
|
- метод максимального правдоподобия при ограниченной информации.
Косвенный метод наименьших квадратов (КМНК) применяется для идентифицируемой системы одновременных уравнений, а двухшаговый метод наименьших квадратов (ДМНК) используется для оценки коэффициентов сверхидентифицируемой модели. Перечисленные методы оценивания также используются для сверхидентифицируемых систем уравнений.
Косвенный метод наименьших квадратов (КМНК) применяется в случае точно идентифицируемой структурной модели. Процедура применения КМНК предполагает выполнение следующих этапов:
1 Структурная модель преобразовывается в приведенную форму модели.
2 Для каждого уравнения приведенной формат модели обычным МНК оцениваются приведенные коэффициенты.
3 Коэффициенты приведенной формы модели трансформируются в параметры структурной модели.
Тема 5 Эконометрический анализ при нарушении классических модельных предложений
Одной из предпосылок МНК является условие постоянства дисперсий случайных отклонений (гомоскедастичностъ). Не должно быть априорной причины, вызывающей большую ошибку (отклонение) при одних наблюдениях и меньшую – при других. Невыполнимость данной предпосылки называется гетероскедастичностыо.
Проблема гетероскедастичности характерна для перекрестных данных и довольно редко встречается при рассмотрении временных рядов. Оценки, полученные по МНК, при наличии гетероскедастичности не будут эффективными (то есть они не будут иметь наименьшую дисперсию по сравнению с другими оценками данного параметра). Стандартные ошибки коэффициентов будут занижены. Поэтому статистики будут завышены, что может привести к признанию статистически значимыми коэффициентов, которые таковыми не являются. Доверительные интервалы теоретических коэффициентов уравнения линейной регрессии получаются уже, чем на самом деле.