plik


ÿþWeryfikacja zaBo|eD modelu KMNK ZaBo|enia klasycznej regresji liniowej: 1. Prawdziwe powizanie zmiennej obja[nianej Y ze zmiennymi obja[niajcymi X reprezentuje stabilny hipotetyczny model liniowy : yt = ²1xt1 + ²2xt2 + & + ²KxtK , w zapisie macierzowym Y = X². ². ². ². 2. Zaobserwowana warto[ zmiennej obja[nianej Y w momencie t to warto[ z modelu hipotetycznego zakBócona dziaBaniem skBadnika losowego, tzn. Yt  zmienna losowa Yt = (²1xt1 + ²2xt2 + & + ²KxtK) + µt , w zapisie macierzowym Y = X² µ. ² + µ ² µ ² µ 3. Zmienne obja[niajce X1,..., XK s nielosowe, znane. 4. Oceny parametrów modelu (z punktu 1) wyznaczane s z klasycznej mnk: b = (X X)-1X y 5. Przy zaBo|eniu, |e zmienna obja[niana Y jest zmienn losow estymator wektora parametrów ² (z punktu 2) jest te| ² ² ² zmienn losow: b b = (X X)-1X Y . b b 6. PozostaBe zaBo|enia dotycz skBadnika losowego µ, tzn. µ µ µ " warto[ oczekiwana skBadnika losowego jest równa zero, tj. E(µ µ) = 0 , µ µ " wszystkie skBadniki losowe maj t sam wariancj równ Ã2 i s wzajemnie nieskorelowane, tj. var(µ) = µ µ µ E(µµ2 µµ2 )= Ã2 I , gdzie I  macierz jednostkowa oraz Ã12 = Ã22 = & = ÃT2 = Ã2, µµ2 µµ2 (oznacza, |e dyspersja Bcznego wpBywu zmiennych nie ujtych w modelu nie zmienia si w czasie), " skBadnik losowy ma rozkBad normalny, tzn. µ <" N(0, Ã). µ µ µ Z powy|szego wynika, |e: -) warto[ oczekiwana losowej zmiennej obja[nianej E(Y ) = X² ² , ² ² -) kowariancje skBadników losowych w ró|nych obserwacjach s zerowe, tzn. cov (µs, µr) = 0 dla s `" r, -) E(X2 µ) = 0, co oznacza, |e zmienne obja[niajce s nie s skorelowane ze skBadnikiem losowym i nielosowe. -) dodatnie i ujemne wahania losowe si znosz, -) liczba dodatnich odchyleD zbli|ona jest do liczby odchyleD ujemnych, -) w granicach ± trzech odchyleD standardowych powinno znalez si ponad 99,7% wszystkich odchyleD losowych. Weryfikacja wybranych zaBo|eD KMNK: 1. Autokorelacja skBadnika losowego Autokorelacj skBadnika losowego rzdu I mo|na zapisa µt = Áµt-1 + ¾t , gdzie ¾t <" N(0, Ã). Test Durbina - Watsona H0 : Á = 0 wobec hipotezy alternatywnej H1 : Á > 0 . Sprawdzianem jest statystyka: n - et-1)2 "(et t=2 DW = n 2 "et t=1 Z tablic rozkBadu statystyki Durbina  Watsona odczytujemy warto[ci d (±, T, K) oraz g (±, T, K), s to warto[ci: _ odpowiednio dolna oraz górna warto[ krytyczna: 1. je|eli DW < d , hipotez H0 odrzucamy na rzecz hipotezy alternatywnej H1, oznacza to autokorelacj skBadnika losowego, 2. je|eli DW > q , nie mamy podstaw do odrzucenia hipotezy H0 , oznacza to brak istotnej autokorelacji skBadnika losowego, 3. je|eli d d" DW d" g , nie mamy podstaw do przyjcia bdz odrzucenia |adnej z dwu hipotez, jest to tzw. obszar nieokre[lono[ci testu Durbina  Watsona. Dla wspóBczynnika korelacji z przedziaBu [-1,0) liczymy DW = 4  DW i wykorzystujemy tablice jakby to byBa korelacja dodatnia. 1 Test Breuscha-Godfrey a do testowania autokorelacji wy|szego rzdu. Na podstawie reszt z modelu budujemy model testowy: K m et = a0 + X + et-s + µt "ai it "Ás i=1 s=1 H0: brak autokorelacji: Á1 = & = Ám = 0 ; H1: istotna autokorelacja rzdu m. Statystyka testowa (mno|nika Lagrange a) LM = TR2 ma rozkBad Ç2 z m stopniami swobody lub lepsza T - Q1 R2 Statystyka LMF = Å" (Q1 = K+m+1) ma rozkBad F dla m i T-Q1 stopni swobody. m 1- R2 2. Homoskedastyczno[ skBadnika losowego Testowanie równo[ci wariancji w podpróbach mo|na poprowadzi w oparciu o test Goldfelda  Quanta: H0 : Ãa2 = Ãb2 = Ã2 wobec H1: Ãa2 `" Ãb2 Wnioskowanie opiera si na porównaniu SKR dwóch funkcji regresji oszacowanych KMNK i przebiega nastpujco: a) Zbiór obserwacji dzielimy na 2 cz[ci o liczebno[ci L (je[li T jest nieparzyste usuwamy [rodkow obserwacj, uporzdkowane wzgldem czasu lub wybranej zmiennej). b) Szacujemy parametry funkcji regresji w podpróbach i wyznaczamy SKRa i SKRb, c) Warto[ empiryczna statystyki F: SKRa , je[li SKRa > SKRb . F = SKRb ma graniczny rozkBad Fishera  Snedeckora. Warto[ krytyczn odczytujemy dla okre[lonego poziomu istotno[ci ± oraz Q stopni swobody licznika i Q stopni swobody mianownika (Q = ½*T-K-1) = L-K-1. d) Je[li F e" F(±; Q; Q), to H0 odrzucamy na korzy[ hipotezy alternatywnej (skBadniki losowe maj ró|ne wariancje). Test White a zakBada sprawdzenie istotno[ci regresji wyznaczonej dla kwadratów reszt z zestawem zmiennych modelu i ich kwadratami. Je|eli: Yt = ²0 + ²1Xt1 + & ²2X2 + µt , a Ãt2 = ±0 + ±1Xt1 + ±2Xt2 + ±3Xt12 + ±4Xt22 + ±5X1tX2t , to dla hipotezy H0 : ±1 = ±2 = ±3 = ±4 = ±5 = 0 , warto[ statystyki TR2 ma rozkBad Ç2 dla k stopni swobody. TR2 > Ç2(k) nakazuje odrzuci hipotez H0 i przyj, |e skBadnik losowy jest heteroskedastyczny. 3. Normalno[ rozkBadu skBadnika losowego Test Jarque-Bera wykorzystuje wBasno[ci rozkBadu normalnego: symetryczno[, sko[no[ (w = 0  trzeci moment centralny) i kurtoz, bdc miar koncentracji wokóB [redniej(k = 3 - czwarty moment centralny). H0: µ~N(0,Ã); rozkBad skBadnika losowego modelu jest rozkBadem normalnym, H1: ¬µ~N(0,Ã); skBadnik losowy modelu ma rozkBad ró|ny od normalnego. Sprawdzianem testu jest statystyka 2 îø - 3)2 ùø S (K JB = nïø + úø 6 24 ðø ûø gdzie: µ3 S = 3/ to wspóBczynnik sko[no[ci, µ2 2 (et - e)k " µ4 µk = K = n 2 µ2 to wspóBczynnik kurtozy. Przy zaBo|eniu prawdziwo[ci H0 statystyka JB ma rozkBad Ç2 z dwoma stopniami swobody. Obszar odrzucenia hipotezy zerowej jest prawostronny. 2

Wyszukiwarka