5217957482

Zatem: H\ : p > O,

odczytane wartości krytyczne z tablic dla a = 0,05, n = 73, k = 3 to: d_L = 1,543, d_v = 1, 709.

Ponieważ 1,96 > 1,709 (DW > dy), zatem na postawie testu Durbin’a-Watson’a nie możemy odrzucić Ho o braku autokorelacji składnika losowego.

6.2 Test mnożnika Lagrange’a

Po oszacowaniu modelu:

Yt = ao + a\Xit + 0:2X21 + 0:3^34 + et,    (17)

szacujemy model:

et = 0o + 0iXi t + 02X21 + 03X31 + 0^et-i +    (18)

i obliczamy R².

Obliczamy statystykę (n — l)i?² i odczytujemy z tablic Xa=o,05; df=v

Jeżeli (n - 1 )R² < x„₌o,05_; ^to:

Hq : p = 0 - brak autokorelacji składnika losowego,

jeżeli (n - l)R² > Xa=0,05; df=i ^to:

Hi : p 7^ 0 - autokorelacja składnika losowego.

Testing for Error Autocorrelation from lags 1 to 1

Chi“2(l) = 0.01015 [0.9198] and F-form(l,68) = 0.0094563 [0.9228]

Xdf=i — 0,0102 oraz o* — 0,9198.

Zatem dopiero przy prawie 92% poziomie istotności moglibyśmy odrzucić Hq, co znacznie przekracza 5% poziom błędu. Uznajemy więc, że w naszym modelu nie występuje zjawisko autokorelacji składnika losowego.

Możemy również odczytać wartości oszcowanch parametrów równania (13):

Autoregression for The present sample :	Residual: lags from 1 to 1 Ls: 1992 (3) to 1998 (2)
Constant	Lag 1
Coeff. -1.373	0.012
Std.Err 20.04	0.1202

€t = — 1,373 + 0,012et_i, co potwierdza niską wartość współczynnika autokorelacji.

7 Heteroskedastyczność składnika losowego

7.1 Test White’a

Po oszacowaniu modelu:

Yt = ao + aiXu + 02X21 + 0:3X3₁ + et,    (19)

11