Cтраница 1
Гетероскедастичность портит многие результаты статистического анализа и, как правило, требует устранения. [1]
Воздействие гетероскедастичности на оценку интервала прогнозирования и проверку гипотезы заключается в том, что хотя коэффициенты не смещены, дисперсии и, следовательно, стандартные ошибки этих коэффициентов будут смещены. Если смещение отрицательно, то оценочные стандартные ошибки будут меньше, чем они должны быть, а критерий проверки будет больше, чем в реальности. Таким образом, мы можем сделать вывод, что коэффициент значим, когда он таковым не является. И наоборот, если смещение положительно, то оценочные ошибки будут больше, чем они должны быть, а критерии проверки - меньше. Значит, мы можем принять нулевую гипотезу, в то время как она должна быть отвергнута. [2]
Проверкой на гетероскедастичность служит тест Голдфелда - Кванта. Он требует, чтобы остатки были разделены на две группы из п наблюдений, одна группа с низкими, а другая - с высокими значениями. Обычно срединная одна шестая часть наблюдений удаляется после ранжирования в возрастающем порядке, чтобы улучшить разграничение между двумя группами. Отсюда число остатков в каждой группе составляет ( п-с) / 2, где с представляет одну шестую часть наблюдений. [3]
Что такое гетероскедастичность, каковы некоторые из ее причин. Как она влияет на толкование уравнения регрессии. [4]
Чтобы решить проблему гетероскедастичности, нужно исследовать взаимосвязь между значениями ошибки и переменными и трансформировать регрессионную модель так, чтобы она отражала эту взаимосвязь. [5]
Гипотеза об отсутствии гетероскедастичности ( условие / const) принимается в случае незначимости регрессии (7.21) в целом. [6]
Однако во многих случаях гетероскедастичность модели далеко не столь очевидна, и требуется применение методов математической статистики для принятия решения о том, какой тип модели будет рассматриваться. [7]
На практике процедура устранения гетероскедастичности может представлять технические трудности. Дело в том, что реально в формулах (7.26) присутствуют не сами стандартные отклонения ошибок регрессии, а лишь их оценки. А это значит, что модель (7.27) вовсе не обязательно окажется гомоскедастичной. [8]
При малом объеме выборки для оценки гетероскедастичности может использоваться метод Гольдфельда - Квандта. [9]
Проведите тестирование ошибок уравнения множественной регрессии на гетероскедастичность, применив тест Гельфельда-Квандта. [10]
Проведите тестирование ошибок уравнения множественной регрессии на гетероскедастичность, применив тест Гельфельда-Квандта. [11]
Вспомним, что наиболее часто употребляемые процедуры устранения гетероскедастичности так или иначе были основаны на предположении, что дисперсия ошибок регрессии ст2 является функцией от каких-то регрессоров. Если а2 существенно зависит от регрессора Z, а при спецификации модели регрессор Z не был включен в модель, стандартные процедуры могут не привести к устранению гетероскедастичности. [12]
Голдфельда-Квандта): Название метода, используемого при диагностике гетероскедастичности ( hetero-scedasticity) остатков ( residuals) регрессионного ( regression) уравнения. Метод включает ранжирование остатков в порядке возрастания величины переменной, с которой, как предполагается, связана ге-тероскедастичность, и вычисление отдельных сумм квадратов для верхней и нижней третей ( опуская центральную треть) наблюдений. Если получается значимый результат, то проблема гетероскедастичности, вероятно, существует. [13]
Как видим, при использовании обобщенного МНК с целью корректировки гетероскедастичности коэффициент регрессии Ь представляет собой взвешенную величину по отношению к обычному МНК с весами 1 / К. [14]
Постройте графики остатков, проведите тестирование ошибок уравнения множественной регрессии на гетероскедастичность, применив тест Гольдфельдта-Квандта. [15]