Суть гетероскедастичности. Последствия гетероскедастичности

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.