МАРК РЕГНЕРУС ДОСЛІДЖЕННЯ: Наскільки відрізняються діти, які виросли в одностатевих союзах
РЕЗОЛЮЦІЯ: Громадського обговорення навчальної програми статевого виховання ЧОМУ ФОНД ОЛЕНИ ПІНЧУК І МОЗ УКРАЇНИ ПРОПАГУЮТЬ "СЕКСУАЛЬНІ УРОКИ" ЕКЗИСТЕНЦІЙНО-ПСИХОЛОГІЧНІ ОСНОВИ ПОРУШЕННЯ СТАТЕВОЇ ІДЕНТИЧНОСТІ ПІДЛІТКІВ Батьківський, громадянський рух в Україні закликає МОН зупинити тотальну сексуалізацію дітей і підлітків Відкрите звернення Міністру освіти й науки України - Гриневич Лілії Михайлівні Представництво українського жіноцтва в ООН: низький рівень культури спілкування в соціальних мережах Гендерна антидискримінаційна експертиза може зробити нас моральними рабами ЛІВИЙ МАРКСИЗМ У НОВИХ ПІДРУЧНИКАХ ДЛЯ ШКОЛЯРІВ ВІДКРИТА ЗАЯВА на підтримку позиції Ганни Турчинової та права кожної людини на свободу думки, світогляду та вираження поглядів Контакти
Тлумачний словник |
|
|||||||
Суть гетероскедастичностіУзагальнений метод найменших квадратів Умова гомоскедастичності є головною для лінійної класичної моделі і записується як (18.5) Для лінійних моделей з властивістю випадкового вектора , коли (18.6) (матриця є симетричною, додатньо визначеною матрицею n-го порядку) неможливим є використання звичайного МНК з метою визначення статистичних оцінок, як це було здійснено для лінійної класичної моделі. В такому випадку використовують так званий узагальнений метод найменьших квадратів (УМНК). Нехай досліджується лінійна модель (18.7) з порушенням умови гомоскедастичності, а саме (18.8) Тоді додатньо визначена матриця допускає існування такої невиродженої матриці , що (18.9) Із (18.9) буде випливати (18.10) Таким чином, одержимо (18.11) Враховуючи (18.11) для моделі (18.7) здійснимо таке перeтворення: ліву і праву частини рівняння помножимо зліва на матрицю . (18.12) Позначивши (18.13) Одержимо (18.14) Здійснивши перевірку моделі на наявність гетероскедастичності, маємо: 1. , 2. . Таким чином, виявилось, що перетворена модель (18.14) є гомоскедастичною, а тому для визначення статистичних оцінок цієї моделі можемо використати звичайний МНК, як для класичної лінійної моделі і одержимо (18.15) Враховуючи (18.13) маємо:
Коваріаційна матриця вектора буде дорівнювати:
Таким чином, одержали: (18.16) (18.17) Розглянутий метод перетворення початкової моделі (18.7) із подальшим використанням звичайного МНК до моделі (18.14) для визначення , дістав назву узагальненого методу найменших квадратів (УМНК). Але при цьому слід наголосити, що для реалізації УМНК необхідно знати елементи матриці , що на практиці є справою дуже складною. А тому цей метод, певною мірою, виконує чисто ілюстративну функцію в економетрії. Для практичного використання цього методу необхідно накласти певні умови на структуру матриці . Розглянемо моделі, що належать до першої групи моделей з порушенням передумов використання звичайного МНК. При здійсненні вибірки ми маємо справу з конкретними реалізаціями залежної змінної Y і відповідними значеннями пояснюючих змінних (регресорів), при цьому завжди буде присутній фактор випадкових збурень, що породжують відхилення . Випадковi величини апріорно можуть набувати довільних значень, що підпорядковані певним імовірним розподілам. Однією з головних вимог до цих розподілів є рівність їх дисперсій. Цю вимогу потрібно розуміти так: не зважаючи на те, що при кожному конкретному спостереженні випадкові відхилення будуть між собою відрізнятися, не повинно існувати причини, яка б спонукала значну розбіжність між цими величинами. Тобто похибки в середньому для всіх спостережень повинні мало відрізнятися. Звичайно, в певному розумінні, тут припускається ідеалізація ситуації. Така ідеальна ситуація в реальних умовах не спостерігається. Часто, при реалізації спостережень в одних і тих самих умовах, відхилення будуть суттєво відрізнятися між собою, тобто в одних спостереженнях вони виявляються відносно великими, в інших – малими. Так, наприклад, нехай залежність витрат на споживання (Y) середньостатистичного суб’єкта від його доходів (Х) описується парною лінійною регресією (18.18) Розглянемо для цієї моделі два випадки (рис.18.1 а, б): 1) умова гомоскедастичності виконується; 2) умова гомоскедастичності не виконується (наявна гетероскедастичність). В цьому випадку можуть виникати проблеми, пов’язані з ефектом масштабу (різних одиниць виміру). У часових рядах явище гетероскедастичності пов’язане з тим, що одні й ті самі показники розглядаються в різні моменти часу (наприклад чистий експорт, темпи інфляції в певному регіоні за певний проміжок часу).
Рисунок 18.1а
Рисунок 18.1б За наявності гетероскедастичності (моделі першої групи) статистична оцінка дисперсії обчислена за формулою , (18.19) де n – кількість спостережень, m – кількість регресорів в моделі, яка використовується для визначення дисперсій для всіх емпіричних коефіцієнтів не буде незміщеною. Тоді t-статистика, F-статистика, інтервальні оцінки параметрів моделі стануть ненадійними. Отже використання звичайного МНК при наявності гетероскедастичності в моделі буде неефективним. Це добре ілюструється на прикладі парної лінійної регресії, графік якої зображено на рис. 18.2.
Рисунок 18.2 За МНК маємо суму квадратів похибок . (18.20) Очевидно, що кожне конкретне значення в наведеній сумі (18.20) має одинакову, так би мовити, “питому вагу”, незалежно від того, чи одержали його при значенні (де є мала дисперсія), чи при значенні (де наявна велика дисперсія), що звичайно суперечить здоровому глузду, оскільки точка, одержана із розподілу точніше визначає напрямок (тенденцію) лінії регресії, ніж точка, одержана при . Тому, якщо поталанить врахувати “питому вагу” всіх точок , то це дозволить одержати ефективніші (доброякісні) (більш ефективні) статистичні оцінки.
|
||||||||
|