WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 6 | 7 || 9 | 10 |

«Оглавление Введение................................... 11 I Введение в социально-экономическую статистику 15 1. Основные понятия 17 1.1. Краткая историческая справка.. ...»

-- [ Страница 8 ] --

Общее определение многомерного ARCH-процесса не представляет никакой теоретической сложности: рассматривается m-мерный наблюдаемый случайный вектор xt, m-мерный вектор его условного математического ожидания, услов ная ковариационная матрица размерностью m m. В современной литературе предложено множество подобных моделей разной степени сложности. Оценива ние многомерной ARCH-модели, однако, сопряжено со значительными трудностя ми. В частности, эти трудности связаны с необходимостью максимизации по боль шому количеству неизвестных параметров. Поэтому в прикладных исследованиях отдается предпочтение таким многомерным моделям волатильности, в которых количество параметров мало. В то же время для таких компактных моделей (на пример, для факторных моделей волатильности) может не существовать явной формулы для функции правдоподобия, что создает дополнительные трудности при оценивании.

540 Модели с авторегрессионной условной...

16.5. Упражнения и задачи Упражнение Сгенерируйте ряд длиной 1000 наблюдений в соответствии с моделью ARCH(4) по уравнению: t =1+0.32 +0.252 +0.152 +0.12. (Вместо начальных t-1 t-2 t-2 t- значений квадратов ошибок возьмите безусловную дисперсию.) В действительности мы имеем только ряд наблюдений, а вид и параметры мо дели неизвестны.

1.1. Оцените модель ARCH(4). Сравните оценки с истинными параметрами моде ли. Сравните динамику оценки условной дисперсии и ее истинных значений.

1.2. Проделайте то же самое для модели GARCH(1, 1).

1.3. Рассчитайте описательные статистики ряда: среднее, дисперсию, автокорре ляцию первого порядка, асимметрию и эксцесс. Соответствуют ли получен ные статистики теории?

Упражнение В Таблице 16.1 дана цена pt акций IBM за периодc 25 июня 2002 г. по 9 апреля 2003 г.

2.1. Получите ряд логарифмических доходностей акций по формуле yt = 100 ln(pt/pt-1).

2.2. Постройте график ряда yt, график автокорреляционной функции yt, график автокорреляционной функции квадратов доходностей yt. Сделайте выводы об автокоррелированности самих доходностей и их квадратов. Наблюдается ли авторегрессионная условная гетероскедастичность?

2.3. Оцените для доходностей модель GARCH(1, 1) на основе первых 180 наблю дений. Значимы ли параметры модели? Постройте график условной диспер сии и укажите периоды высокой и низкой волатильности.

2.4. Найдите эксцесс изучаемого ряда доходностей yt и эксцесс нормированных остатков из модели GARCH. Сравните и сделайте выводы.

2.5. Постройте прогноз условной дисперсии для 19 оставшихся наблюдений. По стройте интервальный прогноз изучаемого ряда для тех же 19 наблюдений.

Какая доля наблюдений попадает в прогнозные интервалы?

Таблица 16. 25.06.02 68.19 6.08.02 67.49 17.09.02 71.48 28.10.02 76.27 9.12.02 79.44 22.01.03 79.55 5.03.03 77. 26.06.02 69.63 7.08.02 68.91 18.09.02 69.29 29.10.02 76.45 10.12.02 80.64 23.01.03 80.89 6.03.03 77. 27.06.02 71.47 8.08.02 71.34 19.09.02 64.56 30.10.02 78.37 11.12.02 81.28 24.01.03 78.84 7.03.03 77. 28.06.02 71.57 9.08.02 71.56 20.09.02 63.68 31.10.02 78.64 12.12.02 80.01 27.01.03 78.27 10.03.03 75. 1.07.02 67.20 12.08.02 71.50 23.09.02 63.13 1.11.02 80.10 13.12.02 79.84 28.01.03 79.95 11.03.03 75. 2.07.02 68.17 13.08.02 71.63 24.09.02 59.52 4.11.02 82.19 16.12.02 81.46 29.01.03 80.16 12.03.03 75. 3.07.02 70.09 14.08.02 74.64 25.09.02 62.77 5.11.02 81.37 17.12.02 80.15 30.01.03 78.15 13.03.03 78. 5.07.02 73.06 15.08.02 76.21 26.09.02 61.79 6.11.02 81.38 18.12.02 78.98 31.01.03 78.05 14.03.03 79. 8.07.02 70.87 16.08.02 79.05 27.09.02 60.13 7.11.02 78.80 19.12.02 78.51 3.02.03 78.03 17.03.03 82. 9.07.02 69.25 19.08.02 82.18 30.09.02 58.09 8.11.02 77.44 20.12.02 79.64 4.02.03 76.94 18.03.03 82. 10.07.02 68.35 20.08.02 80.96 1.10.02 60.94 11.11.02 77.14 23.12.02 80.10 5.02.03 77.11 19.03.03 82. 11.07.02 69.00 21.08.02 80.69 2.10.02 59.40 12.11.02 79.00 24.12.02 79.61 6.02.03 77.51 20.03.03 82. 12.07.02 68.80 22.08.02 81.68 3.10.02 59.77 13.11.02 79.20 26.12.02 78.35 7.02.03 77.10 21.03.03 84. 15.07.02 70.58 23.08.02 80.10 4.10.02 56.39 14.11.02 80.56 27.12.02 77.21 10.02.03 77.91 24.03.03 82. 16.07.02 68.60 26.08.02 79.12 7.10.02 56.65 15.11.02 79.85 30.12.02 76.10 11.02.03 77.39 25.03.03 83. 17.07.02 70.27 27.08.02 77.67 8.10.02 56.83 18.11.02 79.03 31.12.02 77.35 12.02.03 76.50 26.03.03 81. 18.07.02 71.62 28.08.02 75.77 9.10.02 54.86 19.11.02 78.22 2.01.03 80.41 13.02.03 75.86 27.03.03 81. 19.07.02 71.57 29.08.02 76.33 10.10.02 57.36 20.11.02 81.45 3.01.03 81.49 14.02.03 77.45 28.03.03 80. 22.07.02 68.09 30.08.02 75.10 11.10.02 63.68 21.11.02 84.74 6.01.03 83.43 18.02.03 79.33 31.03.03 78. 23.07.02 66.65 3.09.02 72.08 14.10.02 63.18 22.11.02 84.27 7.01.03 85.83 19.02.03 79.51 1.04.03 78. 24.07.02 69.12 4.09.02 73.45 15.10.02 68.22 25.11.02 86.03 8.01.03 84.03 20.02.03 79.15 2.04.03 81. 25.07.02 68.94 5.09.02 71.91 16.10.02 64.65 26.11.02 84.89 9.01.03 86.83 21.02.03 79.95 3.04.03 81. 26.07.02 66.00 6.09.02 72.92 17.10.02 71.93 27.11.02 87.53 10.01.03 87.51 24.02.03 78.56 4.04.03 80. 29.07.02 70.75 9.09.02 74.22 18.10.02 73.97 29.11.02 86.75 13.01.03 87.34 25.02.03 79.07 7.04.03 80. 30.07.02 71.36 10.09.02 75.31 21.10.02 75.26 2.12.02 87.13 14.01.03 88.41 26.02.03 77.40 8.04.03 80. 31.07.02 69.98 11.09.02 73.92 22.10.02 74.21 3.12.02 85.04 15.01.03 87.42 27.02.03 77.28 9.04.03 78. 1.08.02 67.84 12.09.02 71.60 23.10.02 74.32 4.12.02 83.53 16.01.03 85.88 28.02.03 77. 2.08.02 67.47 13.09.02 72.23 24.10.02 71.83 5.12.02 82.90 17.01.03 81.14 3.03.03 77. 5.08.02 65.60 16.09.02 72.05 25.10.02 74.28 6.12.02 82.16 21.01.03 80.38 4.03.03 76. 16.5 Упражнения и задачи 542 Модели с авторегрессионной условной...

Задачи 1. Объясните значение термина «волатильность».

2. Рассмотрите следующие два утверждения:

а) «GARCH является слабо стационарным процессом»;

б) «GARCH является процессом с изменяющейся во времени дис персией».

Поясните смысл каждого из них. Объясните, почему между ними нет проти воречия.

3. Почему процесс GARCH представляет особый интерес для финансовой эко нометрии?

4. В каком отношении находятся между собой модели ARCH и GARCH?

5. Коэффициент процесса ARCH(1) равен = 0.8, безусловная дисперсия равна 2. Запишите уравнение процесса.

6. Приведите конкретный пример процесса ARCH(1), который имел бы конеч ную безусловную дисперсию. Ответ обоснуйте.

7. Приведите конкретный пример процесса ARCH(1), куртозис которого не определен («бесконечен»). Ответ обоснуйте.

8. Вычислите безусловную дисперсию следующего процесса GARCH:

2 t =0.4+0.1t-1 +0.72.

t Докажите формально, что ваш ответ верен.

9. Докажите, что следующий процесс GARCH не может иметь конечную без условную дисперсию:

2 t =1 +0.6t-1 +0.62.

t- (Подсказка: можно использовать доказательство от противного.) 2 10. Процесс GARCH(1, 1) задан уравнением t =1+0.8t-1 +0.12. Извест t- но, что T =9, T = -2. Чему равен прогноз на следующий период? Чему равна дисперсия этого прогноза?

11. Покажите, что модель GARCH(1, 1) можно записать в виде модели ARCH бесконечного порядка.

16.5 Упражнения и задачи 12. Утверждается, что «модель GARCH более компактна, чем модель ARCH».

Что при этом имеется в виду? Почему важна «компактность» модели?

13. Докажите, что процесс GARCH(p, q) не автокоррелирован.

14. Докажите, что процесс GARCH(p, q) является белым шумом, если существу ет его безусловная дисперсия.

15. Пользуясь представлением квадратов процесса GARCH(1, 1) в виде ARMA(1, 1) выведите их автокорреляционную функцию.

16. Запишите автокорреляционную функцию квадратов процесса GARCH(1, 1).

Покажите, что при значении суммы коэффициентов 1 + 1, приближа ющемся к 1 (но меньшем 1) автокорреляционная функция затухает мед ленно. Покажите, что при фиксированном значении суммы коэффициен тов 1 + 1 = (0 <<1), автокорреляция тем слабее, чем меньше 1, и стремится к нулю при 1 0.

17. Рассмотрите следующую модель с авторегрессионной условной гетероскеда стичностью:

2 t = + t-1 + [f(t-1)]2, где f(z) =|z| -z.

а) Укажите значения параметров, при которых эта модель сводится к обыч ной модели GARCH.

б) Утверждается, что в этой модели имеет место асимметричность влияния «шоков» t на условную дисперсию. Что при этом имеется в виду? При каких значениях параметров влияние будет симметричным?

18. Запишите модель GARCH(1, 1)-M с квадратным корнем условной дисперсии в уравнении регрессии (с расшифровкой обозначений).

19. Рассмотрите модель AR(1) с независимыми одинаково распределенными ошибками и модель AR(1) с ошибками, подчиняющимися процессу GARCH.

а) Объясните, почему точечные прогнозы по этим двум моделям не будут отличаться.

б) Как будут отличаться интервальные прогнозы?

20. Пусть имеется некоторый процесс с авторегрессионной условной гетероске дастичностью t, задаваемый моделью 2 2 t = var(t|t-1) =h(t-1,..., t-p, 2,..., 2 ), t-1 t-q 544 Модели с авторегрессионной условной...

где t-1 — предыстория процесса, h(·) — некоторая функция и t = tt.

Предполагается, что инновации t имеют стандартное нормальное распреде ление и не зависят от предыстории t-1. Найдите куртозис t, если известно, 2 что E(t ) =5, E(t ) = 100. О чем говорит величина куртозиса?

21. Докажите, что эксцесс распределения отдельного наблюдения t процесса ARCH(1) t = tt, t = + 2, t NID(0, 1) t- равен.

1 - 22. Какие сложности возникают при построении прогнозных интервалов процес са GARCH с заданным уровнем доверия (например, 95%)? Каким способом можно обойти эту проблему?

23. Почему модель GARCH не подходит для прогнозирования автокоррелиро ванных временных рядов?

Рекомендуемая литература 1. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика — начальный курс. — М.: «Дело», 2000. (Гл. 12).

2. Предтеченский А.Г. Построение моделей авторегрессионной условной гете роскедастичности (ARCH) некоторых индикаторов российского финансового рынка (дипломная работа), ЭФ НГУ, 2000.

( ).

3. Шепард Н. Статистические аспекты моделей типа ARCH и стохастическая волатильность. Обозрение прикладной и промышленной математики. Т. 3, вып. 6. — 1996.

4. Baillie Richard T. and Tim Bollerslev. Prediction in Dynamic Models with Time Dependent Conditional Variances // Journal of Econometrics, No. 52, 1992.

5. Bera A.K. and Higgins M.L. ARCH Models: Properties, Estimation and Testing // Journal of Economic Surveys, No. 7, 1993.

6. Bollerslev T., Engle R.F. and Nelson D.B. ARCH Models // Handbook of Econometrics. Vol. IV. Ch. 49. — Elsevier Science, 1994.

16.5 Упражнения и задачи 7. Bollerslev Tim. Generalized Autoregressive Conditional Heteroskedasticity // Journal of Econometrics, No. 31, 1993.

8. Bollerslev Tim, Ray Y. Chou and Kenneth F. Kroner. ARCH Modeling in Finance: A Review of the Theory and Empirical Evidence // Journal of Econo metrics, No. 52, 1992.

9. Campbell John Y., Lo Andrew W., MacKinlay A. Craig. The Econometrics of Financial Markets. — Princeton University Press, 1997. (Ch. 12).

10. Diebold, Francis X. and Jose A. Lopez Modeling Volatility Dynamics, Macroeconometrics: Developments, Tensions and Prospects. — Kluwer Acade mic Press, 1995.

11. Engle, Robert F. Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of U.K. Inflation // Econometrica, No. 50, 1982.

12. Greene W.H. Econometric Analysis. — Prentice-Hall, 2000. (Ch. 18).

13. Hamilton James D. Time Series Analysis. Ch. 21. — Princeton University Press, 1994.

14. Mills Terence C. The Econometric Financial Modelling Time Series. — Cam bridge University Press, 1999. (Ch. 4).

Глава Интегрированные процессы, ложная регрессия и коинтеграция 17.1. Стационарность и интегрированные процессы Для иллюстрации различия между стационарными и нестационарными случай ными процессами рассмотрим марковский процесс, т.е. авторегрессию первого порядка:

xt = µ + xt-1 + t, или (1 - L)xt = µ + t.

В данной модели xt — не центрированы.

Будем предполагать, что ошибки t — независимые одинаково распределен ные случайные величины с нулевым математическим ожиданием и дисперсией.

Как известно, при || < 1 процесс авторегрессии первого порядка слабо стацио нарен и его можно представить в виде бесконечного скользящего среднего:

µ + t µ xt = = + it-i.

1 - L 1 - i= 17.1. Стационарность и интегрированные процессы Условие || < 1 гарантирует, что коэффициенты ряда затухают. Математиче µ ское ожидание переменной xt постоянно: E(xt) =. Дисперсия равна 1 - var(xt) = 2ivar(t-i) =.

1 - i= Найдем также автоковариации процесса:

k 2 2 k = cov(xt, xt-k) = i+ki = k 2i =.

1 - i=0 i= Таким образом, рассматриваемый процесс слабо стационарен, поскольку сла бое определение стационарности требует, чтобы математическое ожидание xt бы ло постоянным, а ковариации не зависели от времени, но только от лага. На самом деле, поскольку ошибки t одинаково распределены, то он стационарен и в строгом смысле.

При || > 1 это будет взрывной процесс. Такие процессы рассматриваться не будут.

Как известно (см. гл. 14), авторегрессионный процесс первого порядка при = 1 называют случайным блужданием. Если µ = 0, то это просто случайное блуждание, а при µ =0 это случайное блуждание с дрейфом.

У процесса случайного блуждания, начавшегося бесконечно давно, не суще ствует безусловного математического ожидания и дисперсии. За бесконечное время процесс «уходит в бесконечность», его дисперсия становится бесконечной. В свя зи с этим будем рассматривать все моменты процесса случайного блуждания как условные, т.е. будем действовать так, как если бы x0 была детерминированной величиной. Выразим xt через x0:

t xt = x0 + µt + i.

i= Таким образом, константа (дрейф) в авторегрессионной записи процесса при водит к появлению линейного тренда в xt. Мы получили разложение процесса xt на две составляющие: детерминированный линейный тренд µt и случайное блуж t дание = x0 + i, такое что ошибка t представляет собой его приросты:

t i= t =. Вторую составляющую, как мы помним, называют стохастическим трен t дом, поскольку влияние каждой ошибки не исчезает со временем.

548 Интегрированные процессы...

= 0.1 = 0. 4 20 40 60 80 100 20 40 60 80 = 1 = 1. 50 10 20 40 60 80 100 20 40 60 80 Рис. 17.1. Поведение процесса AR(1) в зависимости от значения Используя данное представление, найдем математическое ожидание и диспер сию:

E(xt|x0) =x0 + µt.

t t var(xt|x0) =var i = var (i) =t. (17.1) i=1 i= Дисперсия со временем растет линейно до бесконечности.

Случайное блуждание является примером авторегрессионого процесса с еди ничным корнем. Это название следует из того, что при =1 корень характери стического многочлена 1 - L, соответствующего процессу AR(1), равен единице.

Рисунок 17.1 иллюстрирует поведение марковских процессов при различных коэффициентах авторегрессии. На каждом из графиков изображены 20 рядов дли ной T = 100, случайно сгенерированных по формуле xt =0.3+xt-1 + t сраз ными значениями : 1) =0.1;

2) =0.9;

3) =1;

4) =1.02. Во всех случаях использовалось стандартное нормальное распределение для t и x0 =0.

Добавим к стационарному процессу AR(1) детерминированный тренд µ1t:

xt = µ0 + µ1t + xt-1 + t.

17.1. Стационарность и интегрированные процессы Тогда µ0 + µ1t + t µ xt = = + µ1 i(t - i) + it-i = 1 - L 1 - i=0 i= µ0 µ = - µ1 ii + t + it-i.

1 - 1 - i=0 i= Ряд ii сходится, поскольку i возрастает линейно, а i убывает экспо i= ненциально при || < 1, т.е. значительно быстрее. Его сумма равна.

(1 - ) Используя это, получаем µ0 µ1 µ xt = - + t + it-i = 0 + 1t + it-i, (17.2) 1 - (1 - )2 1 - i=0 i= где µ0 µ1 µ 0 = - и 1 =.

1 - (1 - )2 1 - Можно также записать уравнение процесса в виде:

(xt - 0 - 1t) =(xt-1 - 0 - 1(t - 1)) + t.

Ясно, что если вычесть из xt тренд 1t, то получится стационарный процесс.

Подобного рода процессы называют стационарными относительно тренда.

Рассмотрим теперь процесс ARMA(p, q):

p q xt = ixt-i + t - it-i.

i=1 i= Если все корни характеристического многочлена p (z) =1 - izi i= по абсолютной величине больше 1, т.е. лежат за пределами единичного круга на комплексной плоскости, то процесс стационарен. Если один из корней лежит в пределах единичного круга, то процесс взрывной. Если же d корней равны еди нице, а остальные лежат за пределами единичной окружности, то процесс неста ционарный, но не взрывной и о нем говорят, что он имеет d единичных корней.

550 Интегрированные процессы...

Нестационарный процесс, первые разности которого стационарны, называют интегрированным первого порядка и обозначают I(1). Стационарный процесс обо значают I(0). Если d-e разности случайного процесса стационарны, то его называют интегрированным d-го порядка и обозначают I(d).

Рассмотрим, например, процесс t yt = xi, где xt = xt-1 + t.

i= Он будет I(2), то есть его вторые разности, 2yt, стационарны.

Для процессов ARIMA можно дать более удачное определение интегрирован ности. Процессом I(0) называется стационарный процесс с обратимым скользя щим средним. Процесс I(d) — такой процесс, d-e разности которого являются I(0).

Соответственно, процесс, являющийся d-ой разностью процесса I(0), буд ет I(-d).

Такое уточнение нужно для того, чтобы необратимые процессы, такие как t -t-1, где t — белый шум, по определению были I(-1), нонеI(0). По этому уточненному определению процесс I(d) при d >0 будет иметь в точности d единичных корней.

17.2. Разложение Бевериджа—Нельсона для процесса I(1) Рассмотрим ARIMA-процесс I(1), интегрированный первого порядка. Пусть его исходная форма, записанная через лаговый оператор, имеет вид (L)xt = µ + (L)t.

Поскольку это процесс I(1), то многочлен (L) имеет единичный корень и урав нение процесса можно представить в виде (1 - L)(L)xt = (L)xt = µ + (L)t, где у многочлена (L) все корни находятся за пределами единичного круга. От сюда следует разложение Вольда для приростов xt, которые являются стацио нарными:

µ + (L) µ µ xt = t = + cit-i = + c(L)t = + c(L)t.

p (L) (L) i= 1 - j j= Ряд c(z) можно представить следующим образом:

c(z) =c(1) + c(z)(1 - z), 17.3. Ложная регрессия где c(z) = czi, с коэффициентами c = - cj.

i i i=0 j=i+ Действительно, c(1) + c(z)(1 - z) = ci + czi - czi+1 = i i i=0 i=0 i= = ci + c + (c - c )zi = c0 + cizi = cizi.

0 i i- i=0 i=1 i=1 i= Таким образом, можно представить xt ввид е xt = +(c(1) + c(L)(1 - L)) t = + c(1)t + c(L)t.

Суммируя xt, получим xt = t + c(1) + c(L)t, t где — случайное блуждание, такое что = t. Без доказательства отметим, t t что ряд c(L) сходится абсолютно1: |c| <. Следовательно, он соответствует i i= разложению Вольда стационарного процесса.

Мы получили так называемое разложение Бевериджа—Нельсона. Процесс xt вида I(1) мы представили как комбинацию детерминированного тренда t, стоха стического тренда c(1) и стационарного процесса c(L)t, который здесь обычно t интерпретируется как циклическая компонента.

17.3. Ложная регрессия Одним из важнейших условий получения корректных оценок в регрессионных моделях является требование стационарности переменных. В экономике довольно часто встречаются стационарные ряды, например, уровень безработицы. Одна ко, как правило, экономические процессы описываются нестационарными рядами:

объем производства, уровень цен и т.д.

Это можно понять из того, что |c| = |ci| = i|ci|. Поскольку ко i j=i+1 ci i=0 i=0 i=0 j=i+1 i= эффициенты ci у стационарного процесса ARMA сходятся экспоненциально, то ряд должен сойтись (экспоненциальное убывание превосходит рост i).

552 Интегрированные процессы...

Очень важным условием корректного оценивания регрессионных моделей яв ляется условие стационарности регрессоров. Если зависимая переменная является I(1), и, кроме того, модель неверно специфицирована, т.е. некоторые из факторов, введенные ошибочно, являются I(1), то полученные оценки будут очень «плохими».

Они не будут обладать свойством состоятельности, т.е. не будут сходиться к истин ным значениям параметров по мере увеличения размеров выборки. Привычные по казатели, такие как коэффициент детерминации R2, t-статистики, F -статистики, будут указывать на наличие связи там, где на самом деле ее нет. Такой эффект называют эффектом ложной регрессии.

Показать эффект ложной регрессии для переменных I(1) можно с помощью метода Монте-Карло. Сгенерируем достаточно большое число пар независимых процессов случайного блуждания с нормально распределенными ошибками:

xt = xt-1 + t и zt = zt-1 + t, где t N(0, 1) и t N(0, 1). Оценив для каждой пары рядов xt и zt достаточно много раз регрессию вида xt = azt + b + ut, получим экспериментальные распределения стандартных статистик.

Проведенные экспериментальные расчеты для рядов длиной 50 наблюдений показывают, что t-статистика для a при номинальной вероятности 0.05 (т.е. 5%) в действительности отвергает верную гипотезу об отсутствии связи примерно в 75% случаев. Для того чтобы нулевая гипотеза об отсутствии связи отклонялась с веро ятностью 5%, вместо обычного 5%-го квантиля распределения Стьюдента, рав ного примерно 2, нужно использовать критическую границу t0.05 =11.2.

Из экспериментов также следует, что регрессии с независимыми процесса ми случайного блуждания с большой вероятностью имеют высокий коэффициент детерминации R2 из-за нестационарности. Более чем в половине случаев коэф фициент детерминации превышает 20%, и несколько менее чем в 5% случаев пре вышает 70%. Для сравнения можно построить аналогичные регрессии для двух независимых нормально распределенных процессов типа белый шум. Оказывает ся, что в таких регрессиях R2 чрезвычайно редко превышает 20% (вероятность этого порядка 0.1%)2.

То же самое, хотя и в меньшей степени, можно наблюдать и в случае двух стацио нарных AR(1)-процессов с коэффициентом автокорреляции, близким к единице.

Отличие заключается в том, что здесь ложная связь асимптотически (при стрем лении длины рядов к бесконечности) исчезает, а в случае I(1)-процессов — нет.

Для двух независимых I(2)-процессов, построенных как проинтегрированные процессы случай ного блуждания, примерно в половине случаев коэффициент детерминации превышает 80%!

17.4. Проверка на наличие единичных корней Все же проблема остается серьезной, поскольку на практике экономист имеет дело с конечными и часто довольно короткими рядами.

Таким образом, наличие в двух независимых процессах стохастических трен дов может с высокой вероятностью привести к получению ложного вывода об их взаимосвязанности, если пользоваться стандартными методами.

Стандартные методы проверки гипотез, применяемые в регрессионном анали зе, в данном случае не работают. Это происходит по причине нарушения некоторых предположений, лежащих в основе модели регрессии. Какие же предположения нарушаются? Приведем одну из возможных точек зрения.

Предположим, как и выше, что xt и zt — два независимых процесса случай ного блуждания, и оценивается регрессия xt = azt + b + ut.

Поскольку в этой регрессии истинное значение параметра a равно нулю, то ut = xt - b, т.е. ошибка в регрессии является процессом случайного блуждания.

Выше получено выражение (17.1) для дисперсии процесса случайного блуждания (условной по начальному наблюдению):

var(ut) =t, где — дисперсия t (приростов xt). Таким образом, здесь наблюдается силь нейшая гетероскедастичность. С ростом номера наблюдения дисперсия ошибки растет до бесконечности. Вследствие этого t-статистика регрессии имеет нестан дартное распределение, и обычные таблицы t-распределения использовать нельзя.

Отметим, что наличие в переменных регрессии обычного детерминированного тренда также может приводить к появлению ложной регрессии. Пусть, например, xt и zt заданы формулами xt = µ0 + µ1t + t и zt = 0 + 1t + t, где t и t — два независимых процесса типа белый шум. Регрессия xt по кон станте и zt может иметь высокий коэффициент детерминации, и этот эффект только усиливается с ростом размера выборки. С «детерминированным» вари антом ложной регрессии достаточно легко бороться. В рассматриваемом случае достаточно добавить в уравнение в качестве регрессора тренд, т.е. оценить регрес сию xt = azt + b + ct + ut, и эффект ложной регрессии исчезает.

17.4. Проверка на наличие единичных корней С осознанием опасности применения ОМНК к нестационарным рядам появи лась необходимость в критериях, которые позволили бы отличить стационарный процесс от нестационарного.

554 Интегрированные процессы...

К неформальным методам проверки стационарности можно отнести визуаль ный анализ графиков спектральной плотности и автокорреляционной функции.

В настоящее время самым популярным из формальных критериев является критерий, разработанный Дики и Фуллером (DF-тест).

Предположим, нужно выяснить, какой из двух процессов лучше подходит для описания временного ряда:

xt = µ0 + µ1t + t или xt = µ0 + xt-1 + t, где t — стационарный ARMA-процесс. Первый из процессов является стацио нарным относительно тренда, а второй содержит единичный корень и дрейф. Каж дый из вариантов может рассматриваться как правдоподобная модель экономиче ского процесса.

Внешне два указанных процесса сильно различаются, однако можно показать, что оба являются частными случаями одного и того же процесса:

xt = 0 + 1t + vt, vt = vt-1 + t, что можно переписать также в виде (xt - 0 - 1t) =(xt-1 - 0 - 1(t - 1)) + t. (17.3) Как было показано ранее (17.2) для марковского процесса, при || < 1 данный процесс эквивалентен процессу xt = µ0 + µ1t + t, где коэффициенты связаны соотношениями:

µ0 µ1 µ 0 = - и 1 =.

1 - (1 - )2 1 - При =1 получаем xt - 0 - 1t = xt-1 - 0 - 1t + 1 + t, т.е.

xt = 1 + xt-1 + t.

Таким образом, как и утверждалось, обе модели являются частными случаями одной и той же модели (17.3) и соответствуют случаям || < 1 и =1.

Модель (17.3) можно записать следующим образом:

xt = 0 + 1t + (xt-1 - 0 - 1(t - 1)) + t.

17.4. Проверка на наличие единичных корней Это модель регрессии, нелинейная по параметрам. Заменой переменных мы можем свести ее к линейной модели:

xt = µ0 + µ1t + xt-1 + t, где µ0 =(1 - )0 + 1, µ1 =(1 - )1.

Эта новая модель фактически эквивалентна (17.3), и метод наименьших квад ратов даст ту же самую оценку параметра. Следует, однако, иметь в виду, что линейная модель скрывает тот факт, что при =1 будет выполнено µ1 =0.

Базовая модель, которую использовали Дики и Фуллер, — авторегрессионный процесс первого порядка:

xt = xt-1 + t. (17.4) При =1 это случайное блуждание. Конечно, вряд ли экономическая пере менная может быть описана процессом (17.4). Более реалистично было бы пред положить наличие в этом процессе константы и тренда (линейного или квадратич ного):

xt = µ0 + xt-1 + t, (17.5) xt = µ0 + µ1t + xt-1 + t, (17.6) xt = µ0 + µ1t + µ2t2 + xt-1 + t. (17.7) Нулевая гипотеза в критерии Дики—Фуллера состоит в том, что ряднестацио нарен и имеет один единичный корень =1, при этом µi =0, альтернативная — в том, что рядстационарен || < 1:

H0 : =1, µi =0, HA : || < 1.

Здесь i =0, если оценивается (17.5), i =1, если оценивается (17.6), и i =2, если оценивается (17.7).

Предполагается, что ошибки t некоррелированы. Это предположение очень важно, без него критерий работать не будет.

Для получения статистики, с помощью которой можно было бы проверить ну левую гипотезу, Дики и Фуллер предложили оценить данную авторегрессионную мод ель ивзять из нее обычную t-статистику для гипотезы о том, что =1. Эту статистику называют статистикой Дики—Фуллера и обозначают DF. При этом критерий является односторонним, поскольку альтернатива >1, соответству ющая взрывному процессу, не рассматривается.

DF заключается в том, что с помощью одной t-статистики как бы проверяется гипотеза сразу о двух коэффициентах. На самом деле, фактически подразумевается модель вида (17.3), в которой проверяется гипотеза об одном коэффициенте.

556 Интегрированные процессы...

Если в регрессии (17.6) нулевая гипотеза отвергается, то принимается альтер нативная гипотеза — о том, что процесс описывается уравнением (17.6) с <1, то есть это стационарный относительно линейного тренда процесс. В против ном случае имеем нестационарный процесс, описываемый уравнением (17.5), где =1, то есть случайное блуждание с дрейфом, но без временного тренда в урав нении авторегрессии.

Часто встречается несколько иная интерпретация этой особенности данного критерия: проверяется гипотеза H0 : = 1 против гипотезы HA : < 1, и оцениваемая регрессия не совпадает с порождающим данные процессом, каким он предполагается согласно альтернативной гипотезе, а именно, в оцени ваемой регрессии имеется «лишний» детерминированный регрессор. Так, чтобы проверить нулевую гипотезу для процесса вида (17.5), нужно построить регрессию (17.6) или (17.7). Аналогично для проверки нулевой гипотезы о процессе вида (17.6) нужно оценить регрессию (17.7). Однако приведенная ранее интерпретация более удачная.

Поскольку статистика Дики—Фуллера имеет нестандартное распределение, для ее использования требуются специальные таблицы. Эти таблицы были состав лены эмпирически методом Монте-Карло. Все эти статистики получены на основе одного и того же процесса вида (17.4) с =1, но с асимптотической точки зре ния годятся и для других процессов, несмотря на наличие мешающих параметров, которые приходится оценивать.

Чтобы удобно было использовать стандартные регрессионные пакеты, урав нения регрессии преобразуются так, чтобы зависимой переменной была первая разность. Например, в случае (17.4) имеем уравнение xt = xt-1 + t, где = - 1. Тогда нулевая гипотеза примет вид =0.

Предположение о том, что переменная следует авторегрессионному процессу первого порядка и ошибки некоррелированы, является, конечно, слишком ограни чительным. Критерий Дики—Фуллера был модифицирован для авторегрессионных процессов более высоких порядков и получил название дополненного критерия Дики—Фуллера (augmented Dickey—Fuller test, ADF).

Базовые уравнения для него приобретают следующий вид:

k xt =( - 1)xt-1 + jxt-j + t, (17.8) j= 17.4. Проверка на наличие единичных корней k xt = µ0 +( - 1)xt-1 + jxt-j + t, (17.9) j= k xt = µ0 + µ1t +( - 1)xt-1 + jxt-j + t, (17.10) j= k xt = µ0 + µ1t + µ2t2 +( - 1)xt-1 + jxt-j + t. (17.11) j= Распределения этих критериев асимптотически совпадают с соответствующими обычными распределениями Дики—Фуллера и используют те же таблицы. Грубо говоря, роль дополнительной авторегрессионной компоненты сводится к тому, что бы убрать автокорреляцию из остатков. Процедура проверки гипотез не отличается от описанной выше.

Как показали эксперименты Монте-Карло, критерий Дики—Фуллера чувстви телен к наличию процесса типа скользящего среднего в ошибке. Добавление в чис ло регрессоров распределенного лага первой разности (с достаточно большим зна чением k) частично снимает эту проблему.

На практике решающим при использовании критерия ADF является вопрос о том, как выбирать k — порядок AR-процесса в оцениваемой регрессии. Можно предложить следующие подходы.

1) Выбирать k на основе обычных t-и F -статистик. Процедура состоит в том, чтобы начать с некоторой максимальной длины лага и проверять вниз, используя t- или F -статистики для значимости самого дальнего лага (лагов). Процесс оста навливается, когда t-статистика или F -статистика значимы.

2) Использовать информационные критерии Акаике и Шварца. Длина лага с минимальным значением информационного критерия предпочтительна.

3) Сделать остатки регрессии ADF-критерия как можно более похожими на бе лый шум. Это можно проверить при помощи критерия на автокорреляцию. Если соответствующая статистика значима, то лаг выбран неверно и следует увели чить k.

Поскольку дополнительные лаги не меняют асимптотические результаты, то лучше взять больше лагов, чем меньше. Однако этот последний аргумент ве рен только с асимптотической точки зрения. ADF может давать разные результаты в зависимости от того, каким выбрано количество лагов. Даже добавление лага, ко торый «не нужен» согласно только что приведенным соображениям, может резко изменить результат проверки гипотезы.

Особую проблему создает наличие сезонной компоненты в переменной. Если сезонность имеет детерминированный характер, то достаточно добавить в регрес 558 Интегрированные процессы...

сию фиктивные сезонные переменные — это не изменяет асимптотического рас пределения ADF-статистики. Для случая стохастической сезонности также есть специальные модификации критерия.

До сих пор рассматривались критерии I(1) против I(0). Временной ряд может быть интегрированным и более высокого порядка. Несложно понять, что критерии I(2) против I(1) сводятся к рассмотренным, если взять не уровень исследуемого ряда, а первую разность. Аналогичный подход рекомендуется для более высоких порядков интегрирования.

Имитационные эксперименты, проведенные Сэдом и Дики, показали, что сле дует проверять гипотезы последовательно, начиная с наиболее высокого порядка интегрирования, который можно ожидать априорно. То есть сначала следует про верить гипотезу о том, что ряд является I(2), и лишь после этого, если гипотеза отвергнута, что он является I(1).

17.5. Коинтеграция. Регрессии с интегрированными переменными Как уже говорилось выше, привычные методы регрессионного анализа не под ходят, если переменные нестационарны. Однако не всегда при применении МНК имеет место эффект ложной регрессии.

Говорят, что I(1)-процессы {x1t} и {x2t} являются коинтегрированными по рядка 1 и 0, коротко CI(1, 0), если существует их линейная комбинация, которая является I(0), т.е. стационарна. Таким образом, процессы {x1t} и {x2t}, интегри рованные первого порядка I(1), — коинтегрированы, если существует коэффици ент такой, что x1t - x2t I(0). Понятие коинтеграции введено Грейнджером в 1981 г. и использует модель исправления ошибок. Коинтегрированные процессы {x1t} и {x2t} связаны между собой долгосрочным стационарным соотношением, и предполагается, что существует некий корректирующий механизм, который при отклонениях возвращает x1t и x2t к их долгосрочному отношению.

Если =1, то разность x1t-x2t будет стационарной и, грубо говоря, x1t и x2t будут двигаться «параллельно» во времени. На рисунке 17.2 изображены две такие коинтегрированные переменные, динамика которых задана моделью исправления ошибок:

x1t = -0.2(x1,t-1 - x2,t-1 +2) +1t, (17.12) x2t =0.5(x1,t-1 - x2,t-1 +2) +2t, (17.13) где 1t и 2t — независимые случайные величины, имеющие стандартное нор мальное распределение.

17.5. Коинтеграция. Регрессии с интегрированными переменными Рис. 17.2. Два коинтегрированных процесса при = Если переменные в регрессии не стационарны, но действительно связаны друг с другом стационарной линейной комбинацией (модель специфицирована верно), то полученные оценки коэффициентов этой линейной комбинации будут на самом деле сверхсостоятельными, т.е. будут сходиться по вероятности к истинным ко эффициентам со скоростью, пропорциональной не квадратному корню количества наблюдений T, как в регрессии со стационарными переменными, а со скоростью, пропорциональной просто количеству наблюдений T. Другими словами, в обыч ной регрессии T (-) имеет невырожденное асимптотическое распределение, где — полученная из регрессии оценка, а в регрессии с I(1)-переменными T ( - ) имеет невырожденное асимптотическое распределение.

Обычные асимптотические аргументы сохраняют свою силу, если речь идет об оценках параметров краткосрочной динамики в модели исправления ошибок.

Таким образом, можно использовать t-статистики, получаемые обычным методом наименьших квадратов, для проверки гипотез о значимости отдельных перемен ных. Важно помнить, что это относится к оценкам краткосрочных параметров.

Этот подход не годится для проверки гипотез о коэффициентах коинтеграционной комбинации.

Определение коинтеграции естественным образом распространяется на слу чай нескольких переменных произвольного порядка интегрирования. Компоненты k-мерного векторного процесса xt =(x1t,..., xkt) называют коинтегрирован ными порядка d и b, что обозначается xt CI(d, b), если 1) каждая компонента xit является I(d), i =1,..., k;

2) существует отличный от нуля вектор, такойчто xt I(d - b), d b >0.

Вектор называют коинтегрирующим вектором.

560 Интегрированные процессы...

Коинтегрирующий вектор определен с точностью до множителя. В рассмотрен ном ранее примере коинтегрирующий вектор имеет вид =(-1, ). Его можно пронормировать: =(-1/, 1), или так, чтобы сумма квадратов элементов была равна 1, т.е. = -,.

1+2 1+ 17.6. Оценивание коинтеграционной регрессии:

подход Энгла—Грейнджера Если бы коэффициент был известен, то выяснение того, коинтегрированы ли переменные x1t и x2t, было бы эквивалентно выяснению того, стационар на ли комбинация x1t - x2t (например, с помощью критерия Дики—Фуллера).

Но в практических ситуациях обычно стационарная линейная комбинация неиз вестна. Значит, необходимо оценить коинтегрирующий вектор. После этого следует выяснить, действительно ли этот вектор дает стационарную линейную комбинацию.

Простейшим методом отыскания стационарной линейной комбинации является метод Энгла—Грейнджера. Энгл и Грейнджер предложили использовать оценки, полученные из обычной регрессии с помощью метода наименьших квадратов. Одна из переменных должна стоять в левой части регрессии, другая — в правой:

x1t = x2t + t.

Для того чтобы выяснить, стационарна ли полученная линейная комбинация, предлагается применить метод Дики—Фуллера к остаткам из коинтеграционной регрессии. Нулевая гипотеза состоит в том, что t содержит единичный корень, т.е. x1t и x2t не коинтегрированы. Пусть et — остатки из этой регрессии. Про верка нулевой гипотезы об отсутствии коинтеграции в методе Энгла—Грейнджера проводится с помощью регрессии:

et = et-1 + ut. (17.14) Статистика Энгла—Грейнджера представляет собой обычную t-статистику для проверки гипотезы = 1 в этой вспомогательной регрессии. Распреде ление статистики Энгла—Грейнджера будет отличаться (даже асимптотически), от распределения DF-статистики, но имеются соответствующие таблицы. Если мы отклоняем гипотезу об отсутствии коинтеграции, то это дает уверенность в том, что полученные результаты не являются ложной регрессией.

Игнорирование детерминированных компонент ведет к неверным выводам о ко интеграции. Чтобы этого избежать, в коинтеграционную регрессию следует доба вить соответствующие переменные — константу, тренд, квадрат тренда, сезонные 17.7. Коинтеграция и общие тренды фиктивные переменные. Например, добавляя константу и тренд, получим регрес сию x1t = µ0+µ1t+x2t+t. Такое добавление, как и в случае критерия DF, меняет асимптотическое распределение критерия Энгла—Грейнджера. Следует помнить, что, в отличие от критерия Дики—Фуллера, регрессия (17.14), из которой берется t-статистика, остается неизменной, то есть в нее не нужно добавлять детермини рованные регрессоры.

В МНК-регрессии с коинтегрированными переменными оценки должны быть смещенными из-за того, что в правой части стоит эндогенная переменная x2t, коррелированная с ошибкой t. Кроме того, ошибка содержит пропущенные пере менные. Коинтеграционная регрессия Энгла—Грейнджера является статической по форме, т.е. не содержит лагов переменных. С асимптотической точки зрения это не приводит к смещенности оценок, поскольку ошибка является величиной мень шего порядка, чем регрессор x2t, дисперсия которого стремится к бесконечности.

Как уже говорилось, оценки на самом деле сверхсостоятельны. Однако в малых выборках смещение может быть существенным.

После того как найдена стационарная линейная комбинация, можно оценить модель исправления ошибок (15.11), которая делает переменные коинтегриро ванными. В этой регрессии используются первые разности исходных переменных и остатки из коинтеграционной регрессии, которые будут представлять корректи рующий элемент модели исправления ошибок:

p-1 q- x1t = -lt + jx1,t-j + jx2,t-j + vt. (17.15) j=1 j= Подчеркнем роль корректирующего элемента lt. До появления метода Энгла—Грейнджера исследователи часто оценивали регрессии в первых разно стях, что хотя и приводило к стационарности переменных, но не учитывался ста ционарный корректирующий член, т.е. регрессионная модель была неверно специ фицирована (проблема пропущенной переменной).

Несмотря на то, что в модели исправления ошибок (17.15) используется оцен ка коинтегрирующего вектора ( 1 - ), оценки коэффициентов такой модели будут иметь такие же асимптотические свойства, как если бы коинтегрирующий век тор был точно известен. В частности, можно использовать t-статистики из этой регрессии (кроме t-статистики для ), поскольку оценки стандартных ошибок яв ляются состоятельными. Это является следствием сверхсостоятельности оценок коинтегрирующего вектора.

17.7. Коинтеграция и общие тренды Можно предположить, что коинтеграция между двумя интегрированными пере менными, скорее всего, проистекает из того факта, что обе они содержат одну и ту 562 Интегрированные процессы...

же нестационарную компоненту, называемую общим трендом. Выше мы получили для интегрированной переменной разложение Бевериджа—Нельсона на детерми нированный тренд, стохастический тренд и стационарную составляющую. Следует показать, что стохастические тренды в двух коинтегрированных переменных долж ны быть одними и теми же.

Проведем сначала подобный анализ для детерминированных трендов. Пусть процессы {xt} и {zt} стационарны относительно некоторого тренда f(t), необя зательно линейного:

xt = µ0 + µ1f(t) +t и zt = 0 + 1f(t) +t, где t и t — два стационарных процесса. В каком случае линейная комбина ция этих двух процессов будет стационарной в обычном смысле (не относительно тренда)? Найдем линейную комбинацию xt - zt:

xt - zt = µ0 - 0 +(µ1 - 1)f(t) +t - t.

Для ее стационарности требуется, чтобы µ1 = 1.

С другой стороны, если бы {xt} содержал тренд f(t), а {zt} — отличный от него тренд g(t), то, в общем случае, не нашлось бы линейной комбинации, такой что µ1f(t) - 1g(t) оказалась бы постоянной величиной. Следовательно, для {xt} и {zt} не нашлось бы коинтегрирующего вектора. Коинтегрирующий вектор можно найти только в том случае, если f(t) = g(t) для некоторого, µ т.е. если f(t) и g(t) линейно зависимы.

Пусть теперь {xt} и {zt} — два процесса I(1), для которых существуют раз ложения Бевериджа—Нельсона:

xt = t + vt + t, zt = t + wt + t, где vt и wt — случайные блуждания, а t и t — стационарные процессы.

Найдем условия, при которых линейная комбинация xt и zt, xt - zt = t + vt + t - (t + wt + t) =( - )t + vt - wt + t - t, может быть стационарной. Для стационарности требуется, чтобы в получившейся переменной отсутствовал как детерминированный, так и стохастический тренд. Это достигается при = и vt = wt. При этом xt можно записать как xt = (t + wt) +t, т.е. {xt} и {zt} содержат общий тренд t + wt.

17.8. Упражнения и задачи Этот взгляд на коинтеграцию развили в 1988 г. Сток и Уотсон: пусть есть k интегрированных переменных, которые коинтегрированы. Тогда каждая из этих переменных может быть записана как стационарная компонента плюс линейная комбинация меньшего количества общих трендов.

17.8. Упражнения и задачи Упражнение Сгенерируйте 20 марковских процессов xt = xt-1 + t при различных коэф фициентах авторегрессии: а) =0.1;

б) =0.9;

в) =1;

г) =1.02. Вкачестве ошибки используйте нормально распределенный белый шум с единичной диспер сией и возьмите x0 =0.

1.1. Изобразите графики для всех 20 рядов для каждого из четырех случаев.

Какой вывод можно сделать?

1.2. Рассчитайте для каждого из четырех случаев дисперсию значений соответ ствующих 20 рядов, рассматривая их как выборку для t =1,..., 100. На рисуйте график дисперсии по времени для всех четырех случаев. Сделайте выводы.

1.3. Оцените для всех рядов авторегрессию первого порядка и сравните распреде ления оценок для всех 4 случаев с истинными значениями. Сделайте выводы.

Упражнение Покажите эффект ложной регрессии для переменных I(1) с помощью метода Монте-Карло. Сгенерируйте по 100 рядов xt и zt по модели случайного блужда ния:

xt = xt-1 + t и zt = zt-1 + t, где ошибки t N(0, 1) и t N(0, 1) неавтокоррелированы и некоррелированы друг с другом.

2.1. Оцените для всех 100 наборов данных регрессию xt по константе и zt:

xt = azt + b + ut.

Рассчитайте соответствующие статистики Стьюдента для коэффициента a и проанализируйте выборочное распределение этих статистик. В скольки 564 Интегрированные процессы...

процентах случаев нулевая гипотеза (гипотеза о том, что коэффициент равен нулю) отвергается, если использовать стандартную границу t-распределения с уровнем доверия 95%? Найдите оценку фактической границы уровня дове рия 95%.

2.2. Проанализируйте для тех же 100 регрессий выборочное распределение ко эффициента детерминации.

2.3. Возьмите пять первых наборов данных и проверьте ряды на наличие единич ных корней с помощью теста Дики—Фуллера.

2.4. Повторите упражнения 2.1, 2.2 и 2.3, сгенерировав данные xt и zt по стаци онарной модели AR(1) с авторегрессионным коэффициентом 0.5 исравните с полученными ранее результатами. Сделайте выводы.

Упражнение Сгенерируйте 100 рядов по модели случайного блуждания с нормально распре деленным белым шумом, имеющим единичную дисперсию. Проверьте с помощью сгенерированных данных одно из значений в таблице статистики Дики—Фуллера.

Упражнение Рассмотрите данные из таблицы 15.3 на стр. 520.

4.1. Преобразуйте ряды, перейдя к логарифмам, и постройте их графики. Можно ли сказать по графику, что ряды содержат единичный корень?

4.2. Проверьте формально ряды на наличие единичных корней с помощью допол ненного теста Дики—Фуллера, включив в регрессии линейный тренди 4 лага разностей.

4.3. Используя МНК, оцените параметры модели Ct = Yt + + t, вычислите остатки из модели. К остатком примените тест Энгла—Грэйнджера.

4.4. Используя коэффициенты из упражнения 4.3, оцените модель исправления ошибок с четырьмя лагами разностей.

Задачи 1. Задан следующий процесс: xt =0.8xt-1 +0.2xt-2 + t - 0.9t-1. При каком d процесс dxt будет стационарным?

17.8. Упражнения и задачи 2. Изобразите графики автокорреляционной функции и спектра для второй раз ности стохастического процесса, содержащего квадратический тренд.

3. Дан процесс xt = ft + t, ft = ft-1 + t, гд е t N(0, 2) и t N(0, 1).

Определить тип процесса, перечислить входящие в его состав компоненты и вычислить условное математическое ожидание и условную дисперсию про цесса xt.

4. Чем отличается стохастический тренд от обычного линейного тренда с точки зрения устранения проблемы ложной регрессии?

5. Процессы xt и yt заданы уравнениями xt = xt-2 + t и yt = xt + + t + t-1, гд е t и t — стационарные процессы. При каких условиях на параметры, и можно было бы сказать, что xt и yt коинтегрированы как CI(1, 0)?

t 6. Известно, что zt = xi, где xi — процесс случайного блуждания, i= а yt = t +0.5t-1 +0.25t-2 +0.125t-3 +.... Можно ли построить ре грессию zt от yt? Ответ обосновать.

7. Пусть xt = + bxt-1 + t, гд е t N(0, 1) и b 1, а zt — стохастический процесс, содержащий линейный тренд. Можно ли установить регрессионную связь между xt и zt? Если да, то как?

8. Получены оценки МНК в регрессии xt = xt-1 + t. Приведите вид стати стики, используемой в тесте Дики—Фуллера.

9. Правомерно ли построение долгосрочной зависимости yt по xt, если yt — процесс случайного блуждания с шумом, xt — процесс случайного блуж дания с дрейфом? Если нет,— ответ обосновать. Если да, — изложить эта пы построения регрессии с приведением формул, соответствующих каждому этапу.

10. В чем преимущества дополненного теста Дики—Фуллера по сравнению с обычным DF-тестом? Привести формулы.

Рекомендуемая литература 1. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика — начальный курс.— М.: «Дело», 2000 (гл. 12 — стр. 240–249).

2. Banerjee A., Dolado J.J., Galbraith J.W. and Hendry D.F., Co-integration, Error Correction and the Econometric Analysis of Non-stationary Data, Oxford University Press, 1993 (гл. 3–5) 566 Интегрированные процессы...

3. Davidson, R., and J.G. MacKinnon. Estimation and Inference in Econometrics.

Oxford University Press, 1993 (Гл. 20.) 4. Dickey, D.A. and Fuller W.A., «Distributions of the Estimators for Autore gressive Time Series With a Unit Root», Journal of American Statistical Asso ciation, 75 (1979), 427–431.

5. Enders, W. Applied Econometric Time Series. John Wiley & Sons, 1995.

6. Engle, R.F. and Granger C.W.J., «Co-integration and Error Correction: Repre sentation, Estimation and Testing», Econometrica, 55 (1987), 251–276.

7. Granger, C.W.J., and Newbold P. «Spurious Regressions in Econometrics», Journal of Econometrics, 21 (1974), 111–120.

8. Greene W.H. Econometric Analysis, Prentice-Hall, 2000. (гл.18 — стр. 776– 784) 9. Said, E.S. and Dickey D.A., «Testing for Unit Roots in Autoregressive-Moving Average Models of Unknown Order», Biometrica, 71 (1984), 599–607.

10. Stock, J.H. and Watson M.W., «Testing for Common Trends», Journal of the American Statistical Association, 83 (1988), 1097–1107.

11. Stock, J.H., «Asymptotic Properties of Least Squares Estimators of Cointe grating Vectors», Econometrica, 55 (1987), 1035–1056.

12. Wooldridge Jeffrey M. Introductory Econometrics: A Modern Approach, 2nd ed., Thomson, 2003. (Ch. 18).

Часть IV Эконометрия — II Это пустая страница Глава Классические критерии проверки гипотез 18.1. Оценка параметров регрессии при линейных ограничениях Рассмотрим модель линейной регрессии X = Z + в случае, когда известно, что коэффициенты удовлетворяют набору линейных ограничений R = r, где R — матрица размерности k(n+1),а r — вектор свободных частей ограни чений длины k. Метод наименьших квадратов для получения более точных оценок в этом случае следует модифицировать, приняв во внимание ограничения. Оценки наименьших квадратов при ограничениях получаются из задачи условной миними зации:

(X - Z) (X - Z) min!

R = r.

Запишем для этой задачи функцию Лагранжа:

L =(X - Z) (X - Z) +2 (R - r), 570 Глава 18. Классические критерии проверки гипотез где — вектор-столбец множителей Лагранжа. Возьмем производные (см. При ложение A.2.2):

L = -2(R - r), L = -2(Z (X - Z) - R ).

Следовательно, оценки наименьших квадратов при ограничениях, a1, находятся из уравнений:

Ra1 - r =0, Z (X - Za1) - R =0.

Умножим второе уравнение слева на (Z Z)-1. Получим -1 - a1 = Z Z Z X - Z Z R.

Пусть a0 —оценки без учета ограничений, то есть a0 =(Z Z)-1 Z X. Тогд а - a1 = a0 - Z Z R. (18.1) Если умножим это уравнение слева на R, то получим - R Z Z R = Ra0 - r.

Отсюда = A-1 (Ra0 - r), где мы ввели обозначение A = R (Z Z)-1 R. Это можно проинтерпретировать следующим образом: чем сильнее нарушается ограничение на оценках из регрес сии без ограничений, тем более значимы эти ограничения. Подставим множители Лагранжа обратно в уравнение (18.1):

- a1 = a0 - Z Z R A-1 (Ra0 - r). (18.2) Таким образом, оценки a1 и a0 различаются тем сильнее, чем сильнее нарушается ограничение R = r в точке a0, т.е. чем больше невязки Ra0 - r.

Докажем несмещенность оценок. Для этого в выражении для a везде заменим на -1 -1 -1 - Z Z Z X = Z Z Z (Z + ) = Z Z Z (Z + ) = + Z Z Z.

18.1. Оценка параметров регрессии при линейных ограничениях Получим -1 -1 - a1 = + Z Z Z - Z Z R A-1 R + R Z Z Z - r.

При выполнении нулевой гипотезы R = r можем упростить это выражение:

-1 -1 - a1 = + Z Z Z - Z Z R A-1R Z Z Z = -1 - = + I - Z Z R A-1R Z Z Z.

Но по предположению классической модели регрессии E() = 0, следователь но, математическое ожидание второго слагаемого здесь равно нулю. А значит, E(a1) =. Несмещенность оценки a1 доказана.

Величина I - (Z Z)-1 R A-1R (Z Z)-1 Z представляет собой отличие a от.

Найдем теперь ковариационную матрицу оценок a. После преобразований по лучаем -1 - cov(a1) =E (a1 - )(a1 - ) = 2 I - Z Z R A-1R Z Z, где используется еще одно предположение модели регрессии — отсутствие авто корреляции и гетероскедастичности в ошибках, т.е. E( ) =2I.

В то же время cov(a0) = 2 (Z Z)-1. Таким образом, ковариационные матрицы оценок различаются на положительно (полу-) определенную матрицу 2 (Z Z)-1 R A-1R (Z Z)-1, что можно интерпретировать в том смысле, что оцен ки a являются более точными, чем, поскольку учитывают дополнительную ин формацию о параметрах.

Насколько отличаются между собой суммы квадратов остатков в двух рассмат риваемых моделях? Ясно, что в регрессии с ограничениями сумма квадратов не может быть ниже (так как минимизируется та же функция при дополнительных ограничениях). Вычислим разность между двумя суммами квадратов остатков.

Пусть e0 = X - Za0 — вектор остатков при оценке параметров регрессии без ограничений, а e1 = X - Za1 — вектор остатков при оценке параметров с ограничениями, и пусть RSS(a0) =e e1, RSS(a0) =e e0 — соответствующие 1 суммы квадратов остатков. Из (18.2) получаем - X - Za1 = X - Za0 + Z Z Z R A-1 (Ra0 - r), или - e1 = e0 + Z Z Z R A-1 (Ra0 - r).

572 Глава 18. Классические критерии проверки гипотез Введем обозначение: = Z (Z Z)-1 R A-1 (Ra0 - r), тогда e1 = e0 +.

Поскольку Z e0 =0, то e0 =0. Следовательно, e e1 = e e0 + e0 + e + = e e0 +.

1 0 0 Здесь -1 - = Z Z Z R A-1 (Ra0 - r) Z Z Z R A-1 (Ra0 - r) = - =(Ra0 - r) A-1R Z Z R A-1 (Ra0 - r), или, учитывая определение матрицы A, =(Ra0 - r) A-1 (Ra0 - r).

Итак, RSS(a1) - RSS(a0) =e e1 - e e0 =(Ra0 - r) A-1 (Ra0 - r).

1 Как и следовало ожидать, эта разность оказывается неотрицательной.

18.2. Тест на существенность ограничения Пусть, как и раньше, e0 — вектор остатков в регрессии без ограничений, e1 — вектор остатков в регрессии с ограничениями, N — число наблюдений, n — количество факторов, k — общее количество ограничений на параметры регрессии.

В случае, если ограничения R = r выполнены, то (e e1 - e e0)/k c 1 F = Fk, N-n-1. (18.3) e e0/(N - n - 1) Иными словами, статистика, равная относительному приросту суммы квадратов остатков в регрессии с ограничениями по сравнению с регрессией без ограничений, скорректированному на степени свободы, имеет распределение Фишера (см. При ложение A.3.2). Чем больше RSS(a1) будет превышать RSS(a0), тем более су щественно ограничение и тем менее правдоподобно, что ограничение выполнено.

18.2. Тест на существенность ограничения Докажем, что распределение статистики будет именно таким, если предположить, что ошибки имеют нормальное распределение:

N(0, 2I).

Мы видели, что e1 = e0 +. Выразим через с учетом нулевой гипотезы R = r:

= Z (Z Z)-1 R A-1 (Ra0 - r) =Z (Z Z)-1 R A-1R (Z Z)-1 Z = - = Z (Z Z)-1 R R (Z Z)-1 R R (Z Z)-1 Z.

Для вектора остатков e0 имеем e0 = I - Z (Z Z)-1 Z.

Совместное распределение векторов и e0 является нормальным (так как они линейно выражаются через ошибки ). Эти вектора некоррелированы:

E (e ) = -1 = Z (Z Z)-1 R R (Z Z)-1 R R (Z Z)-1 Z E ( ) I - Z (Z Z)-1 Z = -1 = 2Z (Z Z)-1 R R (Z Z)-1 R R (Z Z)-1 Z I - Z (Z Z)-1 Z =0.

Последнее равенство здесь следует из того, что Z I - Z (Z Z)-1 Z = Z - Z Z (Z Z)-1 Z = Z - Z =0.

По свойствам многомерного нормального распределения это означает, что и e0 независимы (см. Приложение A.3.2). Кроме того имеет форму Q (Q Q)-1 Q, гд е Q = Z (Z Z)-1 R.

Для вектора же e0 матрица преобразования равна I - Z (Z Z)-1 Z. Обе мат рицы преобразования являются симметричными и идемпотентными. Ранг матрицы преобразования (другими словами, количество степеней свободы) равен k для и N - n - 1 для e0. С учетом того, что N(0, 2I), этоозначает:

1 = (e e1 - e e0) 2, 2 2 1 0 k e e0 2, 2 0 N-n- причем эти две величины независимы. Частное этих величин, деленных на количе ство степеней свободы, распределено как Fk,N-n-1, что и доказывает утверждение.

Проверяемая нулевая гипотеза имеет вид:

H0 : R = r, 574 Глава 18. Классические критерии проверки гипотез то есть ограничения выполнены. Критерий заключается в следующем: если c c F >Fk, N-n-1, 1-, то нулевая гипотеза отвергается, если F < Fk, N-n-1, 1-, то она принимается.

Распишем статистику подробнее:

- (Ra0 - r) R (Z Z)-1 R (Ra0 - r) /k c F = (18.4) (X - Za0) (X - Za0) / (N - n - 1) Покажем, что F -критерий базового курса — это частный случай данного кри терия. С помощью F -критерия для регрессии в целом проверяется нулевая гипоте за о том, что все коэффициенты, кроме свободного члена (последнего, (n +1)-го коэффициента), равны нулю:

H0 : 1 =0,..., n =0.

Запишем эти ограничения на коэффициенты в матричном виде (R = r). Со ответствующие матрицы будут равны R =[In;

0n] и r =0n.

Обозначим матрицу Z без последнего столбца (константы) через Z-. В этих обозначениях Z =[Z-;

1N ]. Тогд а M + Z Z Z Z Z = N Z и -1 M-1 -M-1Z Z Z =, N -ZM-1 1+ ZM-1Z 1 где Z = 1 Z- — вектор средних, а M = Z Z — ковариационная матрица N N N факторов Z-. Умножение (Z Z)-1 слеваисправана R выделяет из этой матрицы левый верхний блок:

- R Z Z R = M-1.

N Подставим это выражение в (18.4), обозначая через a- = Ra0 вектор из пер вых n компонент оценок a0 (все коэффициенты за исключением константы):

(a Ma-) /n c F =.

(X - Za0) (X - Za0) / (N(N - n - 1)) 18.2. Тест на существенность ограничения Здесь a Ma- — объясненная дисперсия в регрессии, а (X-Za0) (X-Za0)/N = = s2 — остаточная дисперсия (смещенная оценка). Видим, что e R2(N - n - 1) c F =, (1 - R2)n а это стандартная форма F -статистики.

Более простой способ получения этого результата состоит в том, чтобы возвра титься к исходной задаче условной минимизации. Ограничение, что все коэффи циенты, кроме свободного члена, равны нулю, можно подставить непосредственно в целевую функцию (сумму квадратов остатков). Очевидно, что решением задачи будет an+1 = X 1N = и aj =0, j = n +1, т.е.

x N 0n a1 =.

x Отсюда получаем, что остатки равны центрированным значениям зависимой пере менной: e1 = X. Следовательно, из (18.3) получим (X X - e e0)/n c F =.

e e0/(N - n - 1) В числителе стоит объясненная сумма квадратов, а в знаменателе — сумма квадратов остатков.

Покажем, что t-критерий также является частным случаем данного критерия.

Нулевая гипотеза заключается в том, что j-й параметр регрессии равен нулю.

Таким образом, в этом случае k =1, R =(0,..., 0,, 0,..., 0) и r =0.

j При этом R(Z Z)-1R = m-1, гд е m-1 — j-й диагональный элемент мат jj jj рицы M-1, а M = Z Z — матрица вторых начальных моментов факторов Z.

N В числителе F -статистики стоит несмещенная оценка остаточной дисперсии 2 =(X - Za0) (X - Za0) / (N - n - 1).

e Кроме того, Ra0 - r = a0j. Окончательно получаем a 0j c F = F1, N-n-1.

m-12/N jj e 576 Глава 18. Классические критерии проверки гипотез Здесь m-12/N = s2 — оценка дисперсии коэффициента a0j. Видим, что jj e aj F -статистика имеет вид:

a a0j 0j c F = = = t2, s2 saj j aj т.е. это квадрат t-статистики для коэффициента a0j. Для квантилей F распределения выполнено F1, N-n-1, 1- = t2. Нулевая гипотеза H0 :

N-n-1, 1 c c j =0 отвергается, если F >F1, N-n-1, 1-, т.е. если |tj| = F >tN-n-1, 1-.

Видим, что два критерия полностью эквивалентны.

Рассмотрим регрессию, в которой факторы разбиты на два блока:

X = Z11 + Z22 +.

В качестве промежуточного случая между F -критерием для регрессии в целом и t-критерием для одного фактора рассмотрим F -критерий для группы факторов.

Требуется получить ответ на вопрос о том, нужна ли в регрессии группа факторов Z2. Для проверки гипотезы H0 : 2 =0 мы можем воспользоваться полученными выше результатами. В этом случае k = n2, гд е n2 — количество факторов во второй группе, а матрицы, задающие ограничение, равны 0 · · · 0 1 0 · · ·..

..

.. 0 1 · · · R = =[0n2n1;

In2] и r =0n2.

...

.

....

.

...

0 · · · 0 0 0 · · · n1 n Очевидно, что оценки с этими ограничениями будут равны (Z Z1)-1 Z X 1 a =, 0n а остатки можно найти по формуле e1 = IN - Z1 (Z Z1)-1 Z X.

1 F -статистику можно рассчитать по общей формуле (18.3):

(e e1 - e e0)/n c 1 F = Fn2,N-n-1.

e e0/(N - n - 1) 18.2. Тест на существенность ограничения Мы неявно рассматривали здесь тест на исключение факторов. Можно рас сматривать его с другой точки зрения — как тест на включение факторов, при этом формулы не поменяются. То есть мы, оценив регрессию X = Z11 +, можем проверить, следует ли включать в нее дополнительные факторы Z2.

Тест на включение факторов особенно полезен для проверки того, не наруша ются ли предположения модели регрессии. Это так называемые диагностические тесты. Все они строятся по одному и тому же принципу: если модель X = Z11 + специфицирована корректно, то любые дополнительные факторы Z2 скорее все го будут незначимы в тесте на их включение (т.е. с большой вероятностью будет принята нулевая гипотеза 2 =0). Факторы Z2 конструируются таким образом, чтобы тест имел бо льшую мощность против определенного класса нарушений пред положений модели регрессии. Из сказанного следует, что во всех диагностических тестах нулевой гипотезой является то, что базовая модель корректно специфи цирована. Если нулевая гипотеза будет отвергнута, то естественно искать другую модель, которая бы лучше описывала имеющиеся данные. Следует понимать, что регрессия X = Z11 + Z22 + в этом случае будет носить обычно вспомога тельный характер, то есть оценки коэффициентов в ней, вообще говоря, не при званы нести смысловой нагрузки. Она нужна только для проверки базовой модели X = Z11 +. (Хотя здесь есть, конечно, и исключения.) 18.2.1. Тест Годфрея (на автокорреляцию ошибок) Оценим регрессию X = Z11 +. Для проверки отсутствия автокорреляции p-го порядка попытаемся ввести такой набор факторов:

0 0 · · · e1 0 · · · e2 e1 · · ·...

.

....

Z2 =.

.

...

...

...

... e....

....

....

eN-1 · · · · · · eN-p Столбцы матрицы Z2 состоят из лагов остатков, дополненных нулями. Ес ли нулевая гипотеза (2 = 0) отвергается, то делается вывод о наличии авто корреляции. При p = 1 тест Годфрея представляет собой близкий аналог теста 578 Глава 18. Классические критерии проверки гипотез Дарбина—Уотсона, однако при p >1 помогает обнаруживать и автокорреляцию более высоких порядков, в чем и состоит его преимущество.

18.2.2. Тест RESET Рамсея (Ramsey RESET test) на функциональную форму уравнения Рассмотрим модель X = Z11 +, которую можно записать в виде X = X0 +, гд е X0 = Z11. Можно рассмотреть возможность наличия между X и X0 более сложной нелинейной зависимости, например, квадратичной. Для проверки линейности модели против подобной альтернативы служит тест Рамсея.

Оценим регрессию X = Z11 +. Попытаемся ввести фактор (xc).

.

Z2 =,.

(xc ) N где Xc = Z1a1 — расчетные значения из проверяемой регрессии. Если 2 =0, то зависимость линейная, если 2 =0, то зависимость квадратичная.

Можно тем же способом проводить тест на 3-ю, 4-ю степени и т.д. Матрица добавляемых факторов имеет следующую общую форму:

(xc)2 (xc)3 · · · (xc )m 1 1 N...

...

Z2 =.

...

(xc )2 (xc )3 · · · (xc )m N N N 18.2.3. Тест Чоу (Chow-test) на постоянство модели Часто возникает сомнение в том, что для всех наблюдений 1,..., N модель неизменна, в частности, что параметры неизменны.

Пусть все наблюдения в регрессии разбиты на две группы. В первой из них — N1 наблюдений, а во второй — N2 наблюдений, так что N1 + N2 = N. Без огра ничения общности можно считать, что сначала идут наблюдения из первой группы, а потом из второй. Базовую регрессию X = Z + можно представить в следую щем блочном виде:

X1 Z1 = +.

X2 Z2 18.2. Тест на существенность ограничения Требуется проверить, действительно ли наблюдения в обеих группах подчиня ются одной и той же модели x = z +.

1-я форма теста Чоу В качестве альтернативы базовой модели рассмотрим регрессию X1 Z1 0 1 = +.

X2 0 Z2 2 Фактически, это две разные регрессии:

X1 = Z11 + 1 и X2 = Z22 + 2, но предполагается, что дисперсия в них одинакова.

Пусть e0 — вектор остатков в регрессии на всей выборке, e1 — вектор остат ков в регрессии с наблюдениями 1,..., N1, e2— вектор остатков в регрессии с N1 +1,..., N наблюдениями. Требуется проверить нулевую гипотезу о равен стве коэффициентов по двум частям выборки:

H0 : 1 = 2.

Для того чтобы применить здесь тест добавления переменных, обозначим 2 - 1 = и подставим 2 = 1 + в рассматриваемую модель:

X2 = Z21 + Z2 + 2, Таким образом, можно рассматривать следующую регрессию (для упрощения обозначений пишем вместо 1):

X1 Z1 0 = +. (18.5) X2 Z2 Z2 Мы хотим проверить гипотезу H0 : =0.

Если нулевая гипотеза принимается, то это означает, что 1 = 2, т.е. коэф фициенты постоянны.

Заметим, что в регрессии (18.5) с ограничениями остатки окажутся равными e0, e а в регрессии (18.5) без ограничений —. Суммы квадратов остатков равны e 580 Глава 18. Классические критерии проверки гипотез e e0 и e e1 + e e2, соответственно. В регрессии с ограничениями оценивается 0 1 n +1 параметров, без ограничений — 2(n +1). Всего проверяется k = n + ограничений. Используя общую формулу (18.2), получим (e e0 - e e1 - e e2) / (n +1) c 0 1 F = Fn+1, N-2(n+1).

(e e1 + e e2) / (N - 2(n +1)) 1 Для того чтобы применить этот тест, нужно оценить модель по двум частям выборки. Это можно сделать, когда количество наблюдений превышает количество параметров, т.е. N1 n+1 и N2 n+1. Кроме того, если Nj = n+1, то остатки ej =0 (j =1, 2). Таким образом, для применимости теста требуется, чтобы хотя бы в одной части количество наблюдений превышало количество параметров.

2-я форма теста Чоу То, что модель в двух частях одна и та же, можно проверить и по-другому. Пусть сначала рассчитывается регрессия по N1 < N наблюдениям, а затем по всем N наблюдениям. Если полученные результаты существенно отличаются, то это должно означать, что во второй части модель каким-то образом поменялась.

Реализуем эту идею с помощью вспомогательной регрессии, к которой можно применить тест добавления переменных:

X1 Z1 0N1N2 = +. (18.6) X2 Z2 IN2 Эта регрессия с ограничением =0 совпадает с регрессией по всем N на блюдениям по первоначальной модели, и остатки равны e0.

Если же оценить (18.6, 18.5) без ограничений, то, как можно показать, оценки совпадут с оценками по N1

e Остатки будут иметь вид. 0n Это связано с тем, что добавочные переменные являются фиктивными переменными, каждая из которых всюду равна нулю, за исключением одного из наблюдений второй части выборки. Такие фиктивные переменные приводят к «обнулению» остатков. Следовательно, задача минимизации суммы квадратов остатков по N наблюдениям здесь сводится к задаче минимизации суммы квадратов остатков по первым N1 наблюдениям.

18.2. Тест на существенность ограничения Действительно, запишем модель в матричном виде. Пусть Z1 0 X Z =, X =.

Z2 I X a Тогда оценки коэффициентов модели удовлетворяют нормальным уравнени d ям:

a Z Z = Z X, d или Z1Z1 + Z2Z2 Z2 a Z1X1 + Z2X =.

Z2 I d X Получаем следующую систему уравнений для оценок коэффициентов:

Z1Z1a + Z2Z2a + Z2d = Z1X1 + Z2X2, (18.7) Z2a + d = X2.

Умножив второе уравнение системы (18.7) слева на Z2, получим Z2Z2a + Z2d = Z2X2.

После вычитания из первого уравнения системы (18.7) получим Z1Z1a = Z1X1.

Таким образом, оценки коэффициентов a являются оценками МНК по первой части выборки.

Далее, остатки второй части равны e2 = X2 - Z2a - d =0.

Последнее равенство следует из второго уравнения системы (18.7).

582 Глава 18. Классические критерии проверки гипотез Суммы квадратов остатков в двух моделях равны e e0 и e e1, соответственно.

0 Количество ограничений k = N2. Таким образом, получаем следующую статистику:

(e e0 - e e1) /N c 0 F = FN2, N1-n-1.

e e1/ (N1 - n - 1) Статистика имеет указанное распределение, если выполнена нулевая гипотеза H0 : =0.

Если нулевая гипотеза принимается, это означает, что модель не менялась.

Заметим, что в случае, когда наблюдений в одной из частей выборки не хватает, чтобы оценить параметры, либо их столько же, сколько параметров, например, N2 n +1, второй тест Чоу можно рассматривать как распространение на этот вырожденный случай первого теста Чоу.

Второй тест Чоу можно интерпретировать также как тест на точность прогноза.

Поскольку Z2a — прогнозы, полученные для второй части выборки на основе оце нок первой части (a), то из второго уравнения системы (18.7) следует, что оценки d равны ошибкам такого прогноза:

d = X2 - Z2a.

Таким образом, проверяя гипотезу =0, мы проверяем, насколько точны прогно зы. Если модель по второй части выборки отличается от модели по первой части, то ошибки прогноза будут большими и мы отклоним нулевую гипотезу.

18.3. Метод максимального правдоподобия вэконометрии 18.3.1. Оценки максимального правдоподобия Метод максимального правдоподобия — это один из классических методов оце нивания, получивший широкое распространение в эконометрии благодаря своей универсальности и концептуальной простоте.

Для получения оценок максимального правдоподобия следует записать функ цию правдоподобия, а затем максимизировать ее по неизвестным параметрам мо дели. Предположим, что изучаемая переменная x имеет распределение с плот ностью fx(x), причем эта плотность зависит от вектора неизвестных параметров, что можно записать как fx(x|). Тогда для N независимых наблюдений за переменной x, т.е. x1,..., xN, функция правдоподобия, по определению, есть 18.3. Метод максимального правдоподобия в эконометрии плотность их совместного распределения, рассматриваемая как функция от при данном наборе наблюдений x1,..., xN :

N L () = fx(xi|).

i= Если изучаемая переменная имеет дискретное распределение, то fx(x|) сле дует понимать как вероятность, а не как плотность. Наряду с функцией L () из со ображений удобства рассматривают также ее логарифм, называемый логарифми ческой функцией правдоподобия.

Оценки максимального правдоподобия для параметров являются, по определению, аргмаксимумом функции правдоподобия (или, что то же самое, лога рифмической функции правдоподобия). Они являются решением уравнения прав доподобия:

ln L =0.

В более общем случае нельзя считать наблюдения за изучаемой переменной, x1,..., xN, независимыми и одинаково распределенными. В этом случае задается закон совместного распределения всех наблюдений, fx(x1,..., xN|) =fx(x|), и функция правдоподобия для данного вектора наблюдений x полагается рав ной fx(x|).

Известно, что оценки максимального правдоподобия обладают свойствами со стоятельности, асимптотической нормальности и асимптотической эффективности.

Оценку ковариационной матрицы оценок можно получить на основе мат рицы вторых производных (матрицы Гессе) логарифмической функции правдопо добия:

- 2 ln L() -.

Другая классическая оценка ковариационной матрицы имеет вид (I())-1, где 2 ln L() I() =E — так называемая информационная матрица.

584 Глава 18. Классические критерии проверки гипотез 18.3.2. Оценки максимального правдоподобия для модели линейной регрессии Рассмотрим модель линейной регрессии xi = zi+i, где вектор коэффициен тов имеет размерность n +1, ошибки i независимы и распределены нормально:

i N(0, 2), а факторы zi являются детерминированными. При этом изучаемая переменная тоже имеет нормальное распределение: xi N(zi, 2). Плотность этого распределения равна (xi-zi) e-.

Перемножая плотности для всех наблюдений (с учетом их независимости), получим функцию правдоподобия:

N - (xi-zi) 1 i= L (, ) = e.

(2)N/2 N Соответствующая логарифмическая функция правдоподобия равна N N ln L (;

) =- ln (2) - N ln - (xi - zi)2, 2 i= или в матричных обозначениях N ln L (;

) =- ln (2) - N ln - (X - Z) (X - Z).

2 Берем производные:

ln L = Z (X - Z) =0, ln L N = - + (X - Z) (X - Z) =0.

Из первого уравнения получим оценки максимального правдоподобия для ко эффициентов :

- a = Z Z Z X.

Видим, что оценки наименьших квадратов и оценки максимального правдопо добия совпадают. Из второго уравнения, подставляя в него оценки a вместо, получим оценку дисперсии 2:

s2 = e e, N 18.3. Метод максимального правдоподобия в эконометрии где e e =(X - Za) (X - Za) — сумма квадратов остатков. Оценка максималь ного правдоподобия для дисперсии ошибки смещена. Несмещенная оценка, ис пользуемая в МНК, равна 2 = e e.

N - n - Тем не менее, оценки (a, s) асимптотически несмещены, состоятельны, асимп тотически эффективны в классе любых оценок (а не только линейных, как при МНК).

Чтобы проверить, на самом ли деле мы нашли точку максимума правдоподобия, исследуем матрицу вторых производных:

2 ln L = - Z Z, 2 ln L N = - (X - Z) (X - Z), 2 2 2 ln L 2 ln L = = - Z (X - Z).

Таким образом, 1 Z Z (X - Z) Z 2 ln L 2 = -.

(;

)(;

) 2 3 N Z (X - Z) (X - Z) (X - Z) 3 4 Значение матрицы вторых производных в точке оценок (a, s) равно Z Z 2 ln L N =.

- (;

)(;

) e e a,s 0 2N Видно, что матрица вторых производных отрицательно определена, то есть най дена точка максимума. Это дает оценку ковариационной матрицы оценок (a, s):

(Z Z)-1 e e.

N 2N Таким образом, оценка ковариационной матрицы для a является смещенной (поскольку основана на смещенной оценке дисперсии):

- e e Ma = Z Z.

N 586 Глава 18. Классические критерии проверки гипотез В методе наименьших квадратов в качестве оценки берут - e e Ma = Z Z.

N - n - При N эти две оценки сходятся.

Метод максимального правдоподобия дает также оценку дисперсии для s:

e e var(s) =.

2N Рассчитаем также информационную матрицу. Для этого возьмем математиче ское ожидание от матрицы вторых производных со знаком минус:

1 2 Z Z (X - Z) Z Z Z 2 3 I = E =, 2 3 N 2N Z (X - Z) (X - Z) (X - Z) - 3 4 2 где мы воспользовались тем, что X -Z представляет собой вектор ошибок моде ли и выполнено E () =0, E ( ) =N2. Обращая информационную матрицу в точке (a, s), получим ту же оценку ковариационной матрицы, что и раньше. Таким образом, оба метода дают одинаковый результат.

Рассмотрим логарифмическую функцию правдоподобия как функ Ln L цию одного из коэффициентов, j, при остальных коэффициентах за фиксированных на уровне оценок максимального правдоподобия, т.е. срез (n +2)-мерного пространства (см. рис.

18.1). Видим, что оценка aj тем точнее, чем острее пик функции правдоподобия.

А степень остроты пика показывает xj j вторая производная (по абсолютному значению). Поэтому математическое Рис. 18. ожидание матрицы вторых производных со знаком минус называется информационной матрицей. Эта матрица удовле творяет естественным требованиям: чем больше имеем информации, тем точнее оценка.

Если в логарифмическую функцию правдоподобия ln L (;

) подставить оцен ln L ку s2 для 2, которая найдена из условия =0:

e e s2 =, N 18.3. Метод максимального правдоподобия в эконометрии то получится так называемая концентрированная функция правдоподобия, которая зависит уже только от :

N N 1 N ln Lc () =- ln (2) - ln e e -.

2 2 N Очевидно, что максимизация концентрированной функции правдоподобия эк вивалентна методу наименьших квадратов (минимизации суммы квадратов остат ков).

18.3.3. Три классических теста для метода максимального правдоподобия Рассмотрим линейную регрессию с нормальными ошибками. Требуется прове рить гипотезу о том, что коэффициенты этой регрессии удовлетворяют некоторым линейным ограничениям. Пусть a0 — оценки, полученные методом максималь ного правдоподобия без учета ограничений, а a1 — оценки, полученные тем же методом с учетом ограничений, и пусть ln L0 — значение логарифмической функ ции правдоподобия в точке a0, а ln L1 — значение логарифмической функции правдоподобия в точке a1. Статистику для проверки такой гипотезы естественно строить как показатель, измеряющий существенность различий между двумя моде лями — с ограничениями и без них. Если различия не очень велики (ограничения существенны), то гипотезу о том, что ограничения выполнены, следует принять, а если достаточно велики — то отвергнуть. Рассмотрим три возможных способа измерения этих различий, проиллюстрировав их графически.

Критерий отношения правдоподобия (Likelihood ratio test — LR) основан Ln L на различии значений логарифмической функции правдоподобия в точках a0 и Ln L a1 (см. рис. 18.2), или, что то же са мое, на логарифме отношения правдопо Ln L добия, т.е. величине L ln L0 - ln L1 =ln.

L a1 a0 a Критерий множителей Лагранжа (Lagrange multiplier test — LM) осно Рис. 18. ван на различии тангенса угла наклона касательной к логарифмической функции правдоподобия в точках a0 и a1. По скольку в точке a0 он равен нулю, то следует рассмотреть, насколько тангенс угла наклона касательной в точке a1 отличен от нуля (см. рис. 18.3).

588 Глава 18. Классические критерии проверки гипотез Критерий Вальда (Wald test — W) Ln L основан на невязках рассматриваемых ограничений. В точке a1, по опреде Ln L лению, невязки равны нулю. Таким об разом, следует рассмотреть, насколь Ln L ко невязки в точке a0 отличны от ну ля. В случае одного параметра точка a1 однозначно задается ограничения ми, и невязка в точке a0 при линей a1 a0 a ных ограничениях будет некоторой ли нейной функцией разности оценок a Рис. 18. и a1 (см. рис. 18.4).

Покажем, как соответствующие кри терии выводятся в рассматриваемом нами Ln L случае линейной регрессии с нормальными ошибками, когда требуется проверить ли нейные ограничения на коэффициенты. (В общем случае построение критериев про исходит аналогичным образом.) При выво де критериев нам понадобится следующая лемма (см. Приложение A.3.2).

Лемма: Пусть — вектор ( Rk) a1 a0 a случайных величин, подчиненных мно гомерному нормальному распределению:

Рис. 18. N 0, 2, где матрица неособенная. Тогда -1 2.

k Доказательство:

Так как положительно определена (cм. Приложения A.1.2 и A.1.2), то су ществует неособенная квадратная матрица C, такая, что -1 = CC. Рассмотрим 1 вектор C. Ясно, что E C =0, а ковариационная матрица этого вектора равна E C C = CC = Ik.

Таким образом, вектор C состоит из k некоррелированных и, как следствие (по свойству многомерного нормального распределения), независимых случайных 18.3. Метод максимального правдоподобия в эконометрии величин, имеющих стандартное нормальное распределение. Тогда (по определению распределения -квадрат) сумма квадратов вектора C распределена как 2.

k Тест Вальда (W-тест) Для оценки коэффициентов регрессии без ограничений выполнено -1 - a0 = Z Z Z X N, 2 Z Z.

Рассмотрим невязки ограничений Ra0 - r. Чем они больше, тем более прав доподобно, что ограничения не выполнены. Ясно, что (см. Приложение A.3.2) Ra0 - r N R - r;

2A, где, как и раньше, используется обозначение A = R (Z Z)-1 R. Матрица A имеет размерность k k, гд е k — количество ограничений. Пусть выполнена нулевая гипотеза H0: R = r.

Тогда Ra0 - r N 0;

2A. По лемме (Ra0 - r) A-1 (Ra0 - r) 2.

k Поскольку известны лишь a0 — оценки без ограничений, то в качестве оценки неизвестной величины 2 берем e e0, гд е e0 = X - Za0— остатки из модели N без ограничений. Отсюда получаем статистику Вальда:

-1 - N W = (Ra0 - r) R Z Z R (Ra0 - r).

e e Эта статистика распределена примерно как 2. Тогд а, если W< 2, тосле k k, дует принять H0, что ограничения выполнены. При W> 2 ограничения суще k, ственны и следует отвергнуть H0.

Можно увидеть, что статистика Вальда имеет следующую структуру:

- W =(Ra0 - r) RMa0R (Ra0 - r), e e где Ma0 = (Z Z)-1 — оценка ковариационной матрицы оценок a0. Фактиче N ски это общая формула для статистики Вальда, применимая в случае произвольной модели, а не только линейной регрессии с нормальными ошибками.

590 Глава 18. Классические критерии проверки гипотез Тест отношения правдоподобия (LR-тест) L Рассмотрим статистику LR = -2(lnL1 - ln L0) =-2ln, называемую ста L тистикой отношения правдоподобия. Здесь L1 и L0 — значения логарифмической функции правдоподобия в точках a0 и a1:

N N e e ln L0 = - (1 + ln 2) - ln, 2 2 N N N e e ln L1 = - (1 + ln 2) - ln.

2 2 N Суммы квадратов остатков здесь равны e e0 =(X - Za0) (X - Za0) и e e1 =(X - Za1) (X - Za1) = =(X - Za0) (X - Za0) +(Ra0 - r) A-1 (Ra0 - r).

Покажем, что если верна нулевая гипотеза R = r, то приближенно выполнено -2ln(L1/L0) 2.

k Действительно, L1 e e1 (Ra0 - r) A-1 (Ra0 - r) -2ln = N ln = N ln 1+.

L0 e e (X - Za0) (X - Za0) Для натурального логарифма при малых x выполнено ln (1 + x) x. Рассмот рим последнюю дробь. При большом количестве наблюдений оценки a0 стремятся к вектору, для которого выполнено H0 : R = r. Отсюда следует, что при боль шом количестве наблюдений дробь — малая величина, и получаем приближенно L1 (Ra0 - r) A-1 (Ra0 - r) LR = -2ln N = W.

L (X - Za0) (X - Za0) Таким образом, статистика отношения правдоподобия приближенно равна ста тистике Вальда, которая приближенно распределена как 2. Получили LR-тест:

k если LR > 2, то H0 неверна, ограничения не выполнены, а если LR < 2, k, k, то наоборот.

18.3. Метод максимального правдоподобия в эконометрии Тест множителей Лагранжа (LM-тест) Ранее мы получили выражение для множителей Лагранжа, соответствующих ограничению R = r:

= A-1 (Ra0 - r).

Из того, что Ra0 - r N R - r;

2A, следует, что N A-1(R - r);

2A-1.

Отсюда при H0 : R = r выполнено N 0;

2A-1, поэтому в силу леммы имеем A 2. Поскольку известны только оценки с ограничением, a1, k то в качестве оценки 2 берем e e1.

N Получили статистику - N N LM = A = R Z Z R.

e e1 e e 1 Если LM > 2, то H0 отвергается, ограничения не выполнены. Если k, LM < 2, то H0 принимается.

k, Вспомним, что из нормальных уравнений для оценок при ограничениях R = Z (X - Za1).

Втожевремя ln L(a1, e e1/N) N = Z (X - Za1) — e e производная логарифмической функции правдоподобия (это функция без учета огра e e ничений) по параметрам в точке оценок при ограничениях a1 и s1 =.

N Статистика множителей Лагранжа, таким образом, имеет следующую структуру:

e e1 ln L(a1, e e1/N) ln L(a1, e e1/N) 1 1 LM = (Z Z)-1 = N ln L(a1, e e1/N) ln L(a1, e e1/N) 1 = Ma (a1), e e где Ma (a1) = (Z Z)-1 — оценка ковариационной матрицы оценок a0, вы N численная на основе информации, доступной в точке a1. Это общая формула для статистики множителей Лагранжа, применимая в случае произвольной моде ли, а не только линейной регрессии с нормальными ошибками. В таком виде тест называется скор-тестом (score test) или тестом Рао.

592 Глава 18. Классические критерии проверки гипотез 18.3.4. Сопоставление классических тестов - Величину (Ra0 - r) R (Z Z)-1 R (Ra0 - r), которая фигурирует в фор мулах для рассматриваемых статистик, можно записать также в виде e e1 - e e0.

1 Таким образом, получаем следующие формулы для трех статистик через суммы квадратов остатков:

e e1 - e e 1 W = N, e e e e1 - e e 1 LM = N, e e e e LR = N ln.

e e F -статистику для проверки линейных ограничений можно записать аналогич ным образом:

N - n - 1 e e1 - e e 1 F =.

k e e Нетрудно увидеть, что все три статистики можно записать через F -статистику:

k LR = N ln 1+ F, N - n - N W = kF, N - n - N LM = kF.

kF + N - n - Заметим, что по свойству F -распределения kF в пределе при N схо дится к 2, чем можно доказать сходимость распределения всех трех статистик k к этому распределению.

Так как e e1 e e0, то W LM. Следовательно, тест Вальда более жест 1 кий, он чаще отвергает ограничения. Статистика отношения правдоподобия лежит всегда между W и LM. Чтобы это показать, обозначим k e e1 - e e 1 x = F =.

N - n - 1 e e Доказываемое свойство следует из того, что при x >-1 выполнено неравенство x ln (1 + x) x.

1+x 18.4. Упражнения и задачи 18.4. Упражнения и задачи Упражнение В Таблице 18.1 приведены данные о продаже лыж в США: SA — продажа лыж в США, млн. долл., PDI — личный располагаемый доход, млрд. долл.

1.1. Оценить регрессию SA по константе и PDI. Построить и проанализировать автокорреляционную функцию остатков.

1.2. Оценить регрессию с добавлением квартальных сезонных переменных Q1, Q2, Q3, Q4. Константу не включать (почему?). Оценить ту же регрессию, заменив Q4 на константу. Построить и проанализировать автокорреляцион ную функцию остатков в регрессии с сезонными переменными.

1.3. Проверить гипотезу о том, что коэффициенты при сезонных переменных равны одновременно нулю. Есть ли сезонная составляющая в данных?

Таблица 18.1. (Источник: Chatterjee, Price, Regression Analysis by Example, 1991, p.138) Квартал SA PDI Квартал SA PDI Квартал SA PDI 1965.1 37.4 118 1968.1 44.2 143 1971.1 52 1965.2 31.6 120 1968.2 40.4 147 1971.2 46.2 1965.3 34 122 1968.3 38.4 148 1971.3 47.1 1965.4 38.1 124 1968.4 45.4 151 1971.4 52.7 1966.1 40 126 1969.1 44.9 153 1972.1 52.2 1966.2 35 128 1969.2 41.6 156 1972.2 47 1966.3 34.9 130 1969.3 44 160 1972.3 47.8 1966.4 40.2 132 1969.4 48.1 163 1972.4 52.8 1967.1 41.9 133 1970.1 49.7 166 1973.1 54.1 1967.2 34.7 135 1970.2 43.9 171 1973.2 49.5 1967.3 38.8 138 1970.3 41.6 174 1973.3 49.5 1967.4 43.7 140 1970.4 51 175 1973.4 54.3 594 Глава 18. Классические критерии проверки гипотез Таблица 18.2. (Источник: M.Pokorny, An Introduction to Econometrics.

Basil Blackwell, 1987, p.230) Год X L K D Год X L K D 1965 190.6 565 4.1 0.413 1973 130.2 315 4.2 0. 1966 177.4 518 4.3 0.118 1974 109.3 300 4.2 5. 1967 174.9 496 4.3 0.108 1975 127.8 303 4.2 0. 1968 166.7 446 4.3 0.057 1976 122.2 297 4.3 0. 1969 153 407 4.3 1.041 1977 120.6 299 4.4 0. 1970 144.6 382 4.3 1.092 1978 121.7 295 4.6 0. 1971 147.1 368 4.3 0.065 1979 120.7 288 4.9 0. 1972 119.5 330 4.3 10.8 1980 128.2 286 5.2 0. 1.4. Оценить ту же регрессию, считая, что коэффициент при Q1 равен коэффи циенту при Q4 («зимние» кварталы) и коэффициент при Q2 равен коэффи циенту при Q3 («летние» кварталы).

1.5. Мы предполагали выше, что константа меняется в зависимости от квартала.

Теперь предположим, что в коэффициенте при PDI также имеется сезонность.

Создать необходимые переменные и включить их в регрессию. Меняется ли коэффициент при PDI в зависимости от квартала? Проверить соответствую щую гипотезу.

Упражнение В Таблице 18.2 приведены данные о добыче угля в Великобритании: X — общая добыча угля (млн. тонн), L — общая занятость в добыче угля (тыс. чел.), K — основные фонды в угледобывающей отрасли (восстановительная стоимость в ценах 1975 г., млн. фунтов), D — потери рабочих дней в угледобывающей от расли из-за забастовок (млн. дней).

2.1. Оценить уравнение регрессии X = const + bK + cD. На основе графиков остатков по времени и по расчетным значениям сделать выводы относительно гетероскедастичности, автокорреляции и функциональной формы.

18.4. Упражнения и задачи 2.2. Провести вручную с помощью соответствующих регрессий тесты: а) на ге тероскедастичность, б) тест Годфрея на автокорреляцию остатков, в) тест Рамсея на функциональную форму.

2.3. Провести Чоу-тест (тест на постоянство коэффициентов регрессии) с по мощью умножения на фиктивную переменную. Данные разбить на 2 части:

с 1965 по 1972 и с 1973 по 1980 гг. Сделать выводы.

2.4. Провести тест на добавление фактора L. Оценить уравнение регрессии X =const +bK + cD + aL.

2.5. Правильно ли выбрана функциональная форма регрессии? В случае, если она выбрана неправильно, попробовать исправить ее путем добавления квадра тов переменных K и L.

Упражнение В Таблице 15.3 на стр. 520 приведены данные о совокупном доходе и потребле нии в США в 1953–1984 гг.

3.1. Оценить потребительскую функцию (в логарифмах) ln Ct = + ln Yt + t.

3.2. Проверить гипотезу =1 с помощью: а) теста Вальда, б) преобразованной модели ln Yt = +( - 1) ln Yt + t, в) теста отношения правдоподобия.

3.3. Проверить гипотезу об отсутствии автокорреляции первого порядка.

3.4. Предположим, что ошибка подчинена авторегрессионному процессу первого порядка t = t-1 + ut. Оценить соответствующую модель.

3.5. Модель с авторегрессией в ошибке можно записать в следующем виде:

ln Ct = (1 - ) + ln Yt - ln Yt-1 + ln Ct-1 + ut.

Эта же нелинейная модель представляется в виде линейной регрессии:

ln Ct = + ln Yt + ln Yt-1 + ln Ct-1 + ut, где =, = (1 - ), = -, =. Оцените модель как линейную регрессию.

3.6. Для той же нелинейной модели должно выполняться соотношение между ко эффициентами линейной регрессии: = -. Проверить данную гипотезу.

3.7. Оценить нелинейную регрессию. Использовать тест отношения правдоподо бия для проверки той же гипотезы, т.е. = -.

596 Глава 18. Классические критерии проверки гипотез Задачи 1. Оценивается функция Кобба—Дугласа (в логарифмическом виде) с ограни чением однородности первой степени. Запишите матрицы (R и r) ограниче ний на параметры регрессии.

2. Запишите матрицы (R и r) ограничений на параметры регрессии в случае проверки того, что 1-й и 3-й коэффициенты регрессии X = Z + совпа дают, где матрица наблюдений 1 1 1 1 0 2 Z = 1 3 3 -1.

1 0 4 1 2 5 3. Запишите матрицы (R и r) ограничений на параметры регрессии в случае проверки значимости j-го коэффициента регрессии.

4. Запишите матрицы (R и r) ограничений на параметры регрессии в случае проверки значимости уравнения регрессии в целом.

5. Исходные данные для модели линейной регрессии x = 1z1 + 2z2 + неиз вестны, известно только, что количество наблюдений N = 100, сумма квад ратов остатков равна 196, 2 -3 Z Z = и Z X =.

-3 5 а) Используя эту информацию, рассчитайте оценки МНК.

б) Рассчитайте оценки МНК, учитывая ограничение 21 -32 =10. Най дите сумму квадратов остатков.

в) Рассчитайте статистику, с помощью которой можно проверить гипотезу 21 - 32 =10. Какое распределение имеет эта статистика?

6. Регрессию xi = a0 + a1zi1 + a2zi2 + ei оценили без ограничений на пара метры и получили остатки (3, -2, -4, 3), а затем оценили с ограничением a1 + a2 =1 и получили остатки (2, -1, -4, 3). Найдите F -статистику для 18.4. Упражнения и задачи проверки ограничений. С чем ее следует сравнить? В каком случае гипотеза принимается?

7. В регрессии с одним фактором и свободным членом остатки равны (1;

-1;

0;

-1;

1;

0). Если не включать в регрессию свободный член, то остат ки равны (1;

-2;

1;

-1;

1;

0). Проверьте гипотезу о том, что свобод ный член равен нулю, если 5%-ные границы F -распределения равны F1,1 = 161.5;

F1,2 =18.51;

F1,3 =10.13;

F1,4 =7.71;

F1,5 =6.61.

8. Как с помощью критерия Стьюдента проверить автокорреляцию первого по рядка в остатках регрессии X = Z11 + ?

9. Пусть в простой линейной регрессии остатки равны (0;

2;

-2;

1;

-2;

1).

После добавления в исходную регрессию лага остатков (0;

0;

2;

-2;

1;

-2) текущие остатки оказались равны (0;

0;

0;

1;

-1;

0). Проверить гипотезу об отсутствии автокорреляции ошибок, если 5%-ные границы F -распреде ления равны F1,1 = 161.5, F1,2 = 18.51, F1,3 = 10.13, F1,4 = 7.71, F1,5 =6.61.

10. С помощью какой регрессии можно проверить правильность функциональ ной формы уравнения регрессии?

11. Уравнение регрессии с двумя факторами и константой оценено по времен ным рядам длиной 10. Сумма квадратов остатков, полученная в регрессии по всем наблюдениям, равна 100, сумма квадратов остатков, полученная в ре грессии по первым 5-ти наблюдениям, равна 40, а сумма квадратов остатков, полученная в регрессии по последним 5-ти наблюдениям, равна 20. Найдите F -статистики для гипотезы о постоянстве коэффициентов регрессии. С чем ее следует сравнить? В каком случае гипотеза принимается?

12. В исходной регрессии было 12 наблюдений, 2 фактора и константа. Сумма квадратов остатков была равна 120. Затем выборку разбили на две части, в первой из которых 6 наблюдений. В регрессии по первой части выбор ки сумма квадратов оказалась равной 25, а по второй части 15. Проверить гипотезу о постоянстве коэффициентов в регрессии, если 5%-ные границы F -распределения равны: F2,1 = 199.5, F2,2 =19, F2,3 =9.55, F2,4 =6.94, F2,5 = 5.79, F2,10 = 4.10, F3,1 = 215.7, F3,2 = 19.16, F3,3 =9.28, F3,4 =6.59, F3,5 =5.41, F3,10 =3.71.

13. Тест Чоу применили к регрессии, разбив выборку на N1 и N2 наблюдений.

Количество факторов равно n. Приведите условия на N1, N2 и n, при которых невозможно использовать первую форму теста Чоу.

598 Глава 18. Классические критерии проверки гипотез 14. Тест Чоу применили к регрессии, разбив выборку на N1 и N2 наблюдений.

Количество факторов равно n. Приведите условия на N1, N2 и n, при которых невозможно использовать вторую форму теста Чоу.

15. Для чего можно использовать информационную матрицу в методе макси мального правдоподобия?

16. В регрессии X = Z + матрица 1 1 Z =, 1 1 а остатки равны (1, 1, 2, -2). Запишите информационную матрицу.

17. В регрессии X = Z + матрица 1 1 Z =, 1 1 а оценка дисперсии, найденная методом максимального правдоподобия, рав на. Запишите информационную матрицу.

18. Регрессию x = a0 +a1z1 +a2z2 +e оценили без ограничений на параметры и получили остатки (0, -1, 1, 0), а затем оценили с ограничением a1+a2 = и получили остатки (2, -1, -4, 3). Найдите статистику отношения прав доподобия для проверки ограничений. С чем ее следует сравнить? В каком случае гипотеза принимается?

19. Регрессию x = a0 + a1z1 + a2z2 + e оценили без ограничений на парамет ры и получили остатки (2, -1, -4, 3), а затем оценили с ограничением a1 + a2 =1 и получили остатки (3, -2, -4, 3). Найдите статистику мно жителя Лагранжа для проверки ограничений. С чем ее следует сравнить? В каком случае гипотеза принимается?

18.4. Упражнения и задачи 20. Регрессию x = a0 + a1z1 + a2z2 + e оценили без ограничений на парамет ры и получили остатки (0, -1, -1, 2), а затем оценили с ограничением a1 + a2 =1 и получили остатки (1, -2, -2, 3). Найдите статистику Валь да для проверки ограничений. С чем ее следует сравнить? В каком случае гипотеза принимается?

21. В модели линейной регрессии x = 1z1 + 2z2 + e по некоторому на бору данных (N = 100 наблюдений) получены следующие оценки МНК:

a =(0.4, -0.7). Оценка ковариационной матрицы этих оценок равна 0.01 -0. Ma =.

-0.02 0. Используя общую формулу для статистики Вальда, проверьте следующие гипотезы на уровне 5%:

а) H0 : 1 =0.5, 2 = -0.5, б) H0 : 1 - 2 =1, в) H0 : 31 + 2 =0.

22. В регрессии x = a0 + a1z1 + a2z2 + a3z3 + a4z4 + e по 40 наблюдениям с помощью теста Вальда проверяют гипотезы a1 = a4 +1, a3 + a2 = 1.

Как распределена статистика W (Вальда)? В каком случае гипотеза прини мается?

23. Методом наименьших квадратов была оценена производственная функция:

ln Y =1.5+ 0.6 ln K +0.45 ln L, (0.3) (0.2) где Y — объем производства, K — капитал, L — труд. В скобках указаны стандартные ошибки коэффициентов. Ковариация оценок коэффициентов при ln K и ln L равна 0.05. Коэффициент детерминации равен R2 =0.9.

Проверьте следующие гипотезы:

а) как труд, так и капитал не влияют на объем производства;

б) эластичности объема производства по труду и капиталу совпадают;

в) производственная функция характеризуется постоянной отдачей от мас штаба (сумма эластичностей равна единице).

24. При каких условиях можно применить критерии Вальда (W), отношения прав доподобия (LR), множителей Лагранжа (LM)?

600 Глава 18. Классические критерии проверки гипотез а) без ограничений;

б) известны оценки параметров при ограничениях;

в) и те и другие оценки.

Для каждого из пунктов (а), (б) и (в) указажите имена тестов, которые можно применить.

Рекомендуемая литература 1. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика — начальный курс. — М.: «Дело», 2000. (Гл. 3, 11).

2. Себер Дж. Линейный регрессионый анализ. — М.: «Мир», 1980.

3. Статистические методы в экспериментальной физике. — М: Атомиздат, 1976. (Гл. 5, 8–10).

4. Цыплаков А.А. Некоторые эконометрические методы. Метод максималь ного правдоподобия в эконометрии. — Новосибирск: НГУ, 1997.

5. Baltagi, Badi H. Econometrics, 2nd edition, Springer, 1999. (Ch. 7).

6. Davidson, R., and J.G. MacKinnon. Estimation and Inference in Econometrics.

Oxford University Press, 1993. (Ch. 1, 3, 8, 13).

7. Engle R. Wald, Likelihood Ratio and Lagrange Multiplier Tests in Econometrics, in Handbook of Econometrics, vol. II, Amsterdam: North Holland, 1984.

8. Greene W.H. Econometric Analysis, Prentice-Hall, 2000. (Ch. 4, 7).

9. Judge G.G., Griffiths W.E., Hill R.C., Luthepohl H., Lee T. Theory and Practice of Econometrics. — New York: John Wiley & Sons, 1985. (Ch. 2, 5).

10. Ruud Paul A. An Introduction to Classical Econometric Theory, Oxford University Press, 2000. (Ch. 4, 11, 17).

Глава Байесовская регрессия Прежде чем переходить к регрессии, полезно напомнить, в чем заключается байесовский подход. Он основан на теореме Байеса (см. Приложение A.3.1) p(B|A)p(A) p(A|B) =, (19.1) p(B) которая следует из определения вероятности совместного события:

p(A B) =p(A|B)p(B) =p(B|A)p(A).

Пусть теперь Mi, i = 1,..., k — гипотезы, модели, теории, суждения об изучаемом предмете;

они являются взаимоисключающими и образуют исчерпывающее множество возможных объяснений изучаемого феномена;

p(Mi) — априорные (доопытные, субъективные) вероятности, выражаю щие совокупность априорных (доопытных, субъективных) знаний об изучае мом предмете;

p(Mi) =1;

D — результат наблюдения, опыта;

p(D|Mi) — правдоподобия, вероятности того, насколько правдоподобен ре зультат, если правильна i-я теория изучаемого предмета, считаются извест ными.

602 Глава 19. Байесовская регрессия Тогда в соответствии с (19.1) записывается следующее соотношение:

p(D|Mi)p(Mi) p(Mi|D) =, (19.2) p(D) где p(D) = p(D|Mi)p(Mi), p(Mi|D) — апостериорные (послеопытные) вероятности.

Это соотношение показывает, как априорные знания о предмете меняются в результате получения опытных данных, т.е. как накапливаются знания.

Пример трансформации представлений преподавателя об уровне знаний студента.

M1 — студент знает предмет, M2 — студент не знает предмет.

Преподаватель имеет априорные оценки вероятностей этих состояний:

p(M1) =0.2, p(M2) =0.8.

Наблюдение, опыт — в данном случае это экзамен. Результат опыта:

D1 — студент сдал экзамен, D2 — студент не сдал экзамен.

Правдоподобия преподавателя:

p(D1|M1) =0. p(D2|M1) =0. p(D1|M2) =0. p(D2|M1) =0. Пусть студент сдал экзамен. Тогда априорные оценки преподавателя корректируются следующим образом:

0.9 · 0. p ( | ) = =0.36, M D 1 0.9 · 0.2+0.4 · 0. 0.4 · 0. p (M2|D1) = =0.64.

0.9 · 0.2+0.4 · 0. Если студент не сдал экзамен, то апостериорные вероятности будут такими:

p (M1|D2) =0.04, p (M2|D2) =0.96.

19.1. Оценка параметров байесовской регрессии 19.1. Оценка параметров байесовской регрессии Для уравнения регрессии X = Z + имеются априорные представления об и, которые выражаются плотностью вероятности совместного распределения (, ).

После эксперимента, результатами которого является выборка в виде вектора X и матрицы Z, эти представления корректируются. Аналогом (19.2) в данном случае выступает следующее выражение:

L (X, Z|, ) p (, ) p (, |X, Z) =, (19.3) p (X, Z) где p (X, Z) = L (X, Z|, ) d d.

, Поскольку Z не зависит от и, его можно «вынести за скобки»:

L (X, Z|, ) = (X|Z, 2I)p (Z), P N p(X, Z) =p(X|Z)p(Z), и записать (19.3) в следующем виде:

PN (X|Z, 2I)p (, ) p (, |X, Z) =.

p (X|Z) Поскольку p(X|Z) не зависит от и, эту формулу можно записать, исполь зуя знак %, который выражает отношение «пропорционально», «равно с точно стью до константы»:

p (, |X, Z) PN (X|Z, 2I)p (, ). (19.4) Пусть выполнены все гипотезы основной модели линейной регрессии, включая гипотезу о нормальности. Тогда - (X-Z) (X-Z) PN (X|Z, 2I) -Ne = - [ ] e e+(-a)Z Z(-a) - (-a)-1(-a) a -N = -Ne e, где a =(Z Z)-1Z X — МНК-оценка (см. 7.13), a = 2(Z Z)-1 — матрица ковариации (см. 7.29).

604 Глава 19. Байесовская регрессия Действительно, (X - Z) (X - Z) =(X - Za -Z( - a)) (X - Za - Z( - a)) = -- e = e e - 2e Z( - a) +( - a) Z Z( - a), ----- = т.к. e и Z ортогональны (см. 7.18).

Теперь предполагается, что известна. Тогда - (-a)-1(-a) a PN (X|Z, 2I) e, а соотношение (19.4) записывается в более простой форме:

p (|X, Z) PN (X|Z, 2I)p().

Пусть априорно распределен нормально с математическим ожиданием и ковариацией :

-1 - p () e- -.

Тогда - - -1 - +(-a) (-a) - a p (|X, Z) e. (19.5) Утверждается, что апостериорно распределен также нормально с математи ческим ожиданием = ( a + (19.6) -1 -1) a и ковариацией - = +, (19.7) -1 - a т.е.

(-) -1(-) [ ] p(|X, Z) e-. (19.8) Для доказательства этого утверждения необходимо и достаточно показать, что раз ность показателей экспонент в (19.5) и (19.8) не зависит от.

Вводятся новые обозначения: x = - a;

y = - ;

A =-1;

B =-1.

a 19.1. Оценка параметров байесовской регрессии В этих обозначениях показатель степени в (19.5) записывается следующим образом (множитель - отбрасывается):

x Ax + y By. (19.9) Вэтих обозначениях =(A + B)-1, =(A + B)-1 (A ( - x) +B ( - y)) = =(A + B)-1 ((A + B) - (Ax + By)) = - (A + B)-1 (Ax + By) и, следовательно, показатель степени в (19.8) выглядит так (множитель - также отбрасывается):

(Ax - By) (A + B)-1 (Ax - By). (19.10) Искомая разность (19.9) и (19.10) записывается следующим образом:

(1) - (2) - (3) + (4), где (1) = A - A (A + B)-1 A, (2) = A (A + B)-1 B, (3) = B (A + B)-1 A, (4) = B - B(A + B)-1B.

Легко показать, что все эти матрицы одинаковы и равны некоторой матрице C:

(1) = A (A + B)-1 A A-1 (A + B) A-1A - I = A(A + B)-1B =(2), -1 - (2) = A B A-1 + B-1 A B = AA-1 A-1 + B-1 BB-1 = - = A-1 + B-1 = C, -1 (3) = B A A-1 + B-1 B A = BB-1 A-1 + B-1 A-1A = C =(2), (4) = B(A + B)-1B B-1(A + B)B-1B - I = B(A + B)-1A =(3), и, следовательно, искомая разность представима в следующей форме:

x Cx - x Cy - y Cx + y Cy =(x - y) C (x - y) = - a C - a.

Что и требовалось доказать.

606 Глава 19. Байесовская регрессия Как видно из (19.5, 19.6), апостериорная ковариация () является результатом гармонического сложения опытной (a) и априорной ( ) ковариаций, апосте риорные оценки регрессии () — средневзвешенными (матричными) опытных (a) иаприорных () оценок. Если априорные оценки имеют невысокую точность, и велика, то влияние их на апостериорные оценки невелико, и последние определя ются в большой степени опытными оценками. В предельном случае, когда, т.е. априорная информация совершенно не надежна, a, a.

19.2. Объединение двух выборок В действительности априорная информация может быть также опытной, но по лученной в предшествующем опыте. Тогда формулы, полученные в предыдущем пункте показывают, как информация нового опыта — по новой выборке — кор ректирует оценки, полученные в предыдущем опыте — по старой выборке. В дан ном пункте показывается, что в результате применения этих формул получаемая апостериорная оценка в точности равна оценке, которую можно получить по объ единенной выборке, включающей старую и новую.

Пусть имеется две выборки:

старая — Z1, X1: X1 = Z11 + 1, и новая — Z2, X2: X2 = Z22 + 2.

Считается, что 1 и 2 известны (как и в предыдущем пункте).

Даются оценки параметров по этим двум выборкам:

a1 =(Z Z1)-1 Z1X1, = (Z1Z1)-1, 1 a a2 =(Z2Z2)-1 Z2X2, = (Z2Z2)-1.

a В предыдущем пункте первой выборке соответствовала априорная оценка, вто рой — опытная.

Теперь дается оценка параметров по объединенной выборке. При этом наблю дения должны быть приведены к одинаковой дисперсии:

X1 1 Z1 1 1 = +.

X2 2 Z2 2 2 В этой объединенной регрессии остатки имеют дисперсию, равную единице.

19.3. Упражнения и задачи Оценки параметров рассчитываются следующим образом:

- Z1 X Z1 Z2 Z1 Z2 = a = 1 2 1 Z2 2 X2 -1 1 1 1 = Z1Z1 + Z2Z2 Z1X1 + Z2X2 = 2 2 2 1 2 1 - 1 = -1 +-1 (Z1Z1)(Z Z1)-1Z1X1 + (Z2Z2)(Z2Z2)-1Z2X2 = 1 2 1 1 -1 = + a1 + a2.

-1 -1 -1 - 1 2 1 Ковариационная матрица (учитывая, что 2 =1):

- = +.

-1 - 1 Таким образом, оценки по объединенной выборке в терминах предыдущего пункта являются апостериорными.

19.3. Упражнения и задачи Упражнение По данным таблицы 19.1:

1.1. Оцените регрессию X по Z и константе, учитывая априорную информа цию, что математические ожидания всех коэффициентов регрессии равны 2, а их ковариационная матрица — единичная. Считать, что дисперсия ошибки равна 2.

1.2. Разделите выборку на две части. Одна часть — 20 первых наблюдений, другая часть — 20 остальных наблюдений. Считать, что дисперсия ошиб ки в первой части равна 1, а во второй части — 4.

а) Оцените обычную регрессию, воспользовавшись первой частью выбор ки. Найдите матрицу ковариаций полученных оценок.

б) Используя информацию, полученную на шаге (а), как априорную инфор мацию о математическом ожидании и ковариационной матрице коэф фициентов, оцените байесовскую регрессию для второй части выборки.

608 Глава 19. Байесовская регрессия Таблица 19. № X Z № X Z № X Z № X Z 1 6.7 2.2 11 2.4 1.2 21 4.8 1.8 31 –1.4 1. 2 5.5 1.8 12 5.8 0.8 22 3.3 0.8 32 –0.9 3 4.8 1.5 13 5.7 2.5 23 5.2 2.5 33 4.2 0. 4 3 0.3 14 –0.9 1.7 24 5.4 2.1 34 –1.4 5 4.9 1.9 15 9.3 2.7 25 4.5 2.8 35 –2.6 1. 6 2.8 0.7 16 3 2.2 26 3.8 1 36 3.1 0. 7 2.7 0.8 17 –2.9 2.8 27 3.9 1.4 37 2.5 1. 8 7 2.1 18 –1.5 1.8 28 6.4 2.4 38 –0.8 2. 9 5.8 1.4 19 1.8 0.7 29 2.7 0.8 39 1.7 0. 10 6.3 2.3 20 8.3 2.9 30 4.2 0.1 40 –0.1 1. в) Оцените регрессию, используя все наблюдения. Регрессия должна быть взвешенной, т.е. наблюдения каждой из частей нужно разделить на ко рень из соответствующей дисперсии. Найдите ковариационную матрицу оценок. Сравните с результатом, полученным на шаге (б). Совпадают ли коэффициенты и ковариационные матрицы?

Задачи 1. Чем отличается байесовская регрессия от обычной регрессии с точки зрения информации о коэффициентах? Приведите формулы для оценки параметров по этим двум регрессиям.

2. Налоговая инспекция считает, что предприятия в среднем недоплачивают налог на прибыль в 80% случаев. Вероятность того, что в ходе проверки некоторого предприятия будет выявлено такое нарушение, равна 40%д ля предприятия, которое недоплачивает налог, и 10% для предприятия, которое полностью выплачивает налог (ошибочно). Вычислите апостериорную веро ятность того, что данное предприятие недоплачивает налог на прибыль, если в ходе проверки не было выявлено нарушений.

3. Студент может либо знать, либо не знать предмет и либо сдать, либо не сдать экзамен по этому предмету. Вероятность того, что студент знает предмет 19.3. Упражнения и задачи равна 0.3. Если студент знает предмет, то вероятность того, что он сдаст экзамен, равна 0.9, а если не знает, то 0.6. Какова вероятность, что студент не знает предмет, если он сдал экзамен?

4. Предположим, что исследователь исходит из априорной информации, что коэффициенты регрессии распределены нормально с некоторым математи ческим ожиданием и ковариационной матрицей, а дисперсия ошибки равна некоторой известной величине. Исследователь получил какие-то данные и вычислил по ним апостериорное распределение. Затем он получил дополни тельные данные и использовал прежнее апостериорное распределение как априорное. Можно ли утверждать, что новое апостериорное распределение будет нормальным? Ответ обоснуйте.

5. Случайная величина имеет нормальное распределение с математическим ожиданием µ и дисперсией 16. Априорно известно, что µ имеет распреде ление N(2, 9). Выборочное среднее по выборке длиной N равно 1. Найдите апостериорное распределение µ в зависимости от N.

6. Чему равна апостериорная оценка параметра, если его априорная оценка имеет нормальное распределение с математическим ожиданием 2 и диспер сией 0.25, а выборочная оценка равна 8 по выборке длиной 10?

7. Априорная оценка параметра имеет нормальное распределение с матема тическим ожиданием 2 и дисперсией 0.5, а выборочная оценка по выборке длиной 20 равна 2. Запишите плотность распределения апостериорных оце нок.

8. Оценка параметра по первойчасти выборки равна 0 при дисперсии оценки 1, а по второй части выборки она равна 1 при дисперсии 2. Найдите оценку параметра по всей выборке.

9. Оценки регрессии по первой выборке совпадают с оценками по объединению двух выборок. Что можно сказать об оценках по второй выборке? Докажите свое утверждение.

Рекомендуемая литература 1. Зельнер А. Байесовские методы в эконометрии. — М.: «Статистика», 1980.

(Гл. 2, 3).

2. Лимер Э. Cатистический анализ неэксперементальных данных. — М.: «Фи нансы и статистика», 1983.

610 Глава 19. Байесовская регрессия 3. Справочник по прикладной статистике. В 2-х т. Т 2. / Под ред. Э. Ллойда, У. Ледермана. — М.: «Финансы и статистика», 1990. (Гл. 15).

4. Judge G.G., Griffiths W.E., Hill R.C., Luthepohl H., Lee T. Theory and Practice of Econometrics. — New York: John Wiley & Sons, 1985. (Ch. 4).

Глава Дисперсионный анализ В этой главе продолжается рассмотрение темы, начатой в пункте 4.3. Здесь ана лизируются модели дисперсионного анализа в общем виде и доказываются некото рые из сделанных ранее утверждений.

Как и прежде, исходная совокупность xi, i =1,..., N сгруппирована по n факторам;

j-й фактор может находиться на одном из kj уровней. Регрессионная модель дисперсионного анализа общего вида получается исключением из модели регрессии с фиктивными переменными, полученной в конце пункта 9.1, «обычных» регрессоров:

G X = ZJJ +, (20.1) J= где ZJ = Zj (матрица Zj имеет размерность N kj, и в ее ij-м столбце jJ единицы стоят в строках тех наблюдений, в которых j-й фактор находится на ij-м уровне, остальные элементы равны 0), или, как это следует из структуры Z и, представленной в пункте 9.1, в покомпонентной записи:

G J xI, iI = 0 + I(J) + I,iI, (20.2) J= где I — мультииндекс конечной группы, I = I1,..., IK (см. обозначения вп. 1.9);

iI — линейный индекс элемента в конечной группе, iI = 1,..., NI, NI — численность конечной группы;

612 Глава 20. Дисперсионный анализ J I(J) (по сравнению с обозначениями, используемыми в п. 4.3, добавлен верх ний индекс J, необходимый в данной главе для более точной идентификации пара метра) — параметр эффекта сочетания (совместного влияния) факторов J на дан ный элемент совокупности (на значение изучаемой переменной в данном наблюде нии).

1, J Так, например, если n =3, I = {2, 3, 1}, J = {1, 3}, то I(J) = 2,1.

В пункте 9.1 отмечено, что в модели (20.1) на регрессорах существует много линейных зависимостей и поэтому непосредственно оценить ее нельзя. Для исклю чения линейных зависимостей регрессоров проводится следующее преобразова ние. Предполагая, что суммы компонент вектора J по всем значениям каждого элемента нижнего мультииндекса I(J) равны нулю (в принятых ниже обозначени ях: ZjJ =0 для всех j J), переходят к вектору J путем исключения из J bJ всех тех его компонент, для которых хотя бы один элемент нижнего мультииндекса равен единице (благодаря сделанному предположению их всегда можно восстано вить, поскольку они линейно выражаются через оставшиеся компоненты). Теперь модель можно записать в форме без линейных зависимостей регрессоров:

G X = ZJJ +, (20.3) J= где ZJ = ZJCJ, а CJ = Cj, матрица Cj имеет следующую структуру:

jJ -1kj-.

Ikj- При этом, как и для модели (20.1), остается справедливым соотношение ZJ = Zj.

jJ Эквивалентность моделей (20.1) и (20.3) очевидна, т.к. J = CJJ.

В этой главе сначала рассматривается частный случай, когда численности всех конечных групп NI равны единице, т.е. для каждого сочетания уровней факторов имеется строго одно наблюдение.

20.1. Дисперсионный анализ без повторений n В этом случае N = K = kj = kj, регрессионные модели (20.1) и (20.3) G j= записываются без случайной ошибки, т.к. изучаемая переменная в точности раз 20.1. Дисперсионный анализ без повторений лагается по эффектам всех возможных взаимодействий факторов (здесь и далее модели записываются в оценках параметров, т.е. меняются на b):

G X = ZJ J, (20.4) b J= G X = ZJbJ, (20.5) J= а модель в покомпонентном представлении (20.2) еще и без линейного внутригруп пового индекса:

G xI = b0 + bJ. (20.6) I(J) J= Модель (20.5) можно переписать более компактно:

X = Zb. (20.7) Поскольку матрицы ZJ имеют размерности N KJ ( KJ = (kj - 1), - J G K0 =1), а KJ = K = N (как это было показано в п. 4.3), то матрица Z - J= квадратна, и b = Z-1X. Но для получения общих результатов, имеющих значе ние и для частных моделей, в которых эффекты высоких порядков принимаются за случайную ошибку, используется техника регрессионного анализа:

1 b = M-1m =( Z Z)-1 Z X.

N N В этом параграфе сделанные утверждения будут иллюстрироваться примером, в котором n =2, k1 = k2 =2 и модели (20.4) и (20.5) записываются следующим образом:

x11 1 1 0 1 0 1 0 0 0 b x12 1 1 0b1 0 1b2 0 1 0 0b 1 1 = b0 + + +, x21 1 0 1 b1 1 0 b2 0 0 1 0b 2 2 x22 1 0 1 0 1 0 0 0 1 b 614 Глава 20. Дисперсионный анализ x11 -1 - x12 1 -1 1 - = b0 + b1 + b2 + b12.

2 2 x21 1 1 -1 - x22 1 1 1 Каждая из матриц ZJ является прямым произведением ряда матриц и векторов:

Ikj, если j J ZJ =.

G 1kj, если j J / В этом легко убедиться, рассуждая по индукции. Так, в рассматриваемом при мере:

1 1 1 0 Z0 =, Z1 =, 1 1 0 1 1 1 0 1 0 1 Z2 =, Z12 =.

1 0 1 0 1 0 Матрицы CJ можно представить следующим образом:

Cj, если j J CJ = Cj =.

J G 1, если j J / Тогда, используя свойство коммутативности прямого и «обычного» умножения матриц (см. п. 9.1), можно показать следующее:

Ikj, если j J Cj, если j J ZJ = ZJCJ = = G 1kj, если j J 1, если j J / / Cj, если j J =. (20.8) G 1kj, если j J / 20.1. Дисперсионный анализ без повторений Теперь можно уточнить структуру матрицы M. Она состоит из блоков MJJ = ZJ ZJ, N и все внедиагональные блоки (при J = J), благодаря (20.8), равны 0.

Действительно, Cj, если j J Cj, если j J MJJ = N G 1, если j J 1kj, если j J / / kj и, если j J, J, то в ряду прямых произведений матриц возникает матрица / (точнее, вектор-столбец) Cj 1kj ;

если j J, J, то появляется матрица (вектор / строка) 1 Cj. И та, и другая матрица (вектор-столбец или вектор-строка) по kj построению матриц Cj равны нулю. Следовательно, MJJ =0 при J = J.

Для диагональных блоков выполняются следующие соотношения:

1 MJJ = MJ = kjCj Cj = Cj Cj = Mj, N KJ J J J G-J 1 где Mj = Cj Cj = (1kj-11 + Ikj-1).

kj- kj kj В рассматриваемом примере M = I4.

Вектор m состоит из блоков mJ :

1 1 mJ = ZJ X = CJ ZJ X = CJ XJ, N N KJ KJ где XJ = ZJ X — вектор-столбец средних по сочетаниям значений факто N ров J. Его компоненты в пункте 4.3 обозначались xI(J) ( xJ — добавлен верх I(J) ний индекс J — является средним значением x по тем наблюдениям, в которых 1-й фактор из множества J находится на ij1-м уровне, 2-й — на ij2-м уровне и т.д.);

X0 = XG = X. Это следует из структуры матрицы ZJ.

x, После решения системы нормальных уравнений mJ = MJbJ, J =1,..., G и перехода к «полным» векторам параметров эффектов получается следующее:

J b = CJ(CJ CJ)-1CJ XJ = BJXJ = BjXJ, J где Bj = Cj(Cj Cj)-1Cj = Ikj - 1kj ( 1kj =1kj 1 ), B0 =1.

kj kj 616 Глава 20. Дисперсионный анализ В рассматриваемом примере -1 -1 1 -1 -1 1 1 - B0 =1, B1 = B2 =, B12 =.

-1 1 -1 1 1 - 1 -1 -1 В силу блочной диагональности матрицы B, параметры разных эффектов bJ (разных по J) не зависят друг от друга, и исключение из уравнения некоторых из них не повлияет на значения параметров оставшихся эффектов. Кроме того, это доказывает справедливость приведенного в пункте 4.3 дисперсионного тождества (4.41).

Действительно, воспользовавшись одной из формул (6.18) для объясненной дисперсии, которая в данном случае равна полной дисперсии, можно получить следующее:

G G G G 1 J J s2 = bJ MJbJ = bJ CJ CJbJ = b b = s2, J KJ KJ J=1 J=1 J=1 J= т.е. то, что и требуется.

Введенное в пункте 4.3 рекуррентное правило расчета параметров эффектов, когда параметры более младших эффектов рассчитываются по значениям парамет ров более старших эффектов, действует, поскольку наряду с соотношениями (20.4) и (20.6) выполняются аналогичные соотношения для всех средних:

XJ = ZJJ J, (20.9) b 0,JJ где суммирование ведется от нуля и по всем подмножествам J (J J), а ZJJ — матрица фиктивных переменных для сочетания факторов J в модели, для которой полным набором факторов является J, т.е.

Ikj, если j J ZJJ = XG = X, ZJG = ZJ, J 1kj, если j J / xJ = b0 + bJ. (20.10) I(J) I(J) JJ 20.1. Дисперсионный анализ без повторений Для доказательства этого факта обе части соотношения (20.5) умножаются KJ слева на ZJ (текущим множеством в сумме становится J):

N G KJ KJ ZJ X = ZJ ZJbJ, (20.11) N N J= и рассматривается произведение ZJ ZJ из правой части полученного соотноше ния, которое представляется следующим образом:

Ikj, если j J Cj, если j J. (20.12) G 1, если j J 1kj, если j J / / kj Возможны четыре случая.

1) j J, j J, тогда в этом произведении возникает сомножитель 1 Cj, / kj который равен нулю, т.е. в правой части соотношения (20.11) остаются только такие слагаемые, для которых J J.

2) j J, j J, тогда возникает сомножитель kj, и, следовательно, каждое / / N слагаемое в правой части (20.11) получает сомножитель, который сокраща KJ KJ ется с уже имеющимся сомножителем.

N 3) j J, j J, тогда возникает сомножитель Cj.

4) j J, j J, тогда возникает сомножитель 1kj.

/ Таким образом, рассматриваемое произведение в точности равно ZJJ. По скольку левая часть соотношения есть XJ по определению, доказательство за вершено.

Соотношение (20.9) дает правило расчета bJ, если все параметры более стар ших эффектов известны. При J =0 это соотношение означает X0 = = b0.

x Далее последовательно рассчитываются параметры все более младших эффектов.

Техника применения F -критерия для проверки степени значимости отдельных факторов и их сочетаний приведена в пункте 4.3. Здесь важно отметить, что она применима только в рамках гипотезы о нормальности распределения x.

618 Глава 20. Дисперсионный анализ 20.2. Дисперсионный анализ с повторениями Переходя к более общему и более сложному случаю модели дисперсионного анализа с повторениями (20.1), полезно воспользоваться следующим подходом.

Если в модели регрессионного анализа X = Z + несколько строк матрицы Z одинаковы, то можно перейти к сокращенной моде ли, в которой из всех этих строк оставлена одна, а в качестве соответствующей компоненты вектора X взято среднее по этим наблюдениям с одинаковыми зна чениями независимых факторов. Это агрегированное наблюдение в соответствии с требованием ОМНК должно быть взято с весом Ng, гд е Ng — количество одинаковых строк в исходной модели, поскольку, как известно, дисперсия средней ошибки в этом наблюдении в Ng раз меньше дисперсии исходных ошибок. Зна чения оценок параметров в исходной и сокращенной моделях будут одинаковыми, но полная и остаточная суммы квадратов в исходной модели будут больше, чем в сокращенной, на сумму квадратов отклонений переменных x по исключенным наблюдениям от своей средней.

При доказательстве этого утверждения считается, что одинаковы первые N строк в матрице Z:

x1 1N1 z1 e = a +.

X Z e Система нормальных уравнений для оценки a записывается следующим обра зом:

x1 1N1 z a 1 z1 Z = 1 z1 Z N1 N X Z или, после умножения векторов и матриц, 1 z1 x1=1 z1 x N1 N 1 z1 x1 + Z X =(1 z1 1N1 z1 + Z Z)a N1 N N1z1 x1 + Z X =(N1z1z1 + Z Z)a.

Сокращенная модель записывается следующим образом:

N1x1 N1z1 N = a +.

X Z e 20.2. Дисперсионный анализ с повторениями Видно, что система нормальных уравнений для оценки параметров этой моде ли в точности совпадает с системой нормальных уравнений для исходной модели, т.е. оценки параметров в исходной и сокращенной моделях одинаковы.

Остаточная сумма квадратов в исходной модели равна e e1 + e e, (20.13) в сокращенной модели — N12 + e e. (20.14) Пусть первые N1 наблюдений в исходной модели имеют нижний индекс 1i, гд е i =1,..., N1. Тогд а e1i = x1i - z1a = + x1i - x1 - z1a = 1 +(x1i - x1) x и e e1 = e2 = 1 1i = (1 - (x1i - x1))2 = N12 +21 (x1i - x1) + (x1i - x1)2.

---------- = Сравнение (20.13) и (20.14) с учетом полученного результата завершает дока зательство.

В исходной модели (20.1) строки матрицы Z, относящиеся к одной конечной группе, одинаковы, что позволяет в конечном счете перейти к сокращенной модели, IK существенно меньшей размерности. В исходной модели N = NI, ипусть I=I xI, s2 — средняя и дисперсия в I-й конечной группе, I s2 = NIs2 — внутригрупповая дисперсия, e I N x = NIxI — общая средняя, N s2 = NI(xI - x)2 — общая межгрупповая дисперсия.

q N Еще в пункте 4.3 было доказано, что s2 = s2 + s2.

e q На основании этого тождества, учитывая, что количество степеней свободы внутригрупповой дисперсии равно N - K - 1, а межгрупповой — K, можно про верить статистическую гипотезу о значимости влияния всех факторов сразу на изу чаемую переменную. Но в данном случае можно провести более детальный анализ 620 Глава 20. Дисперсионный анализ влияния отдельных факторов и их сочетаний, аналогичный тому, который прово дился в случае модели без повторений. В таком анализе используется сокращенная модель, дающая (как это было показано выше) такие же оценки параметров ре грессии, что и исходная модель, но представляющая не всю дисперсию, а только межгрупповую:

G NXG = N ZJ J = N ZJbJ, (20.15) b J= где XG — вектор средних по конечным группам xI, N — диагональная матрица численностей конечных групп NI.

Эта модель отличается от моделей (20.4) и (20.5) только наличием матричного множителя N. Но это отличие принципиальное. Оно влечет потерю всех тех «хороших» свойств, которыми обладала модель без повторений. В частности, мат рица M в общем случае перестает быть блочно-диагональной, эффекты разных сочетаний факторов становятся зависимыми, а дисперсионное тождество теряет простую структуру.

С моделью (20.15) можно работать как с обычной регрессионной моделью, используя известные критерии проверки разных статистических гипотез (понимая при этом, что результаты проверки будут неоднозначны, в силу взаимозависимо стей регрессоров). Но следует иметь в виду, что оценки параметров в этой модели смещены (что, впрочем, не влияет на результаты проверки гипотез). В частно сти, b0 = x.

Для того чтобы исключить смещенность оценок, необходимо правильно строить матрицы C, используемые при устранении линейных зависимостей в матрице Z.

Это связано с тем, что теперь должны равняться нулю не простые, а взвешенные суммы компонент векторов J по каждому элементу нижнего мультииндекса I(J).

В частности, если Nij — численность группы, в которой j-й фактор находится j на ij-м уровне, то j j - ( j N2 · · · Nkj ) N Cj = Ikj- (понятно, что когда численности всех конечных групп равны единице, эта матрица приобретает обычную структуру).

Можно показать, что специальный выбор структуры матриц CJ может обес печить максимальную «разреженность» матрицы M, т.е. обеспечить равенство нулю блоков M0G(G = 0), MJJ (J J). Работая со структурой матриц CJ, можно обнаружить частный случай, когда модель с повторениями обладает теми 20.3. Упражнения и задачи же свойствами, что и модель без повторений. Этот случай имеет место, если каж дый последующий (более младший) фактор делит все полученные ранее группы в одинаковой пропорции. Однако усилия, которые необходимы для доказательства этих фактов, далеко не соответствуют их практической значимости. Так, вряд ли можно ожидать, что ряд групп, имеющих разную численность, можно разбить на подгруппы в одинаковой пропорции — хотя бы в силу целочисленности образуемых подгрупп.

В принципе, с моделью межгрупповой дисперсии (20.15) можно работать и без сомножителя N, т.е. в рамках «хороших» свойств модели без повторе ний. Для этого достаточно предположить, что исходная модель (20.1) неоднородна по дисперсии ошибок в разных наблюдениях. А именно: считать, что дисперсия ошибки наблюдения обратно пропорциональна численности конечной группы, в которую оно входит (чем больше наблюдений — повторений — в конечной груп пе, тем меньше дисперсия ошибки в отдельном наблюдении). Тогда сокращенная модель будет однородной по дисперсии и для ее оценки окажется применим про стой МНК.

20.3. Упражнения и задачи Упражнение Провести дисперсионный анализ (без повторений) данных, приведенных в таблице 20.1:

Таблица 20. Имеются 2 фактора по 3 уровня каждый (I, II, III и A, B, C, соответственно). Рассчитать коэффициенты b, а также Z, Z, A B C b, C1, C2, C12, B1, B2, B12, M, m.

I 3 0 II 0 7 Упражнение III 2 8 В Таблице 20.2 приведены данные о зарплатах 52-х пре подавателей американского колледжа: SX — пол (жен. — 1, муж. – 0);

ученое звание: RK1 — assistant professor, RK2 — associate professor, RK3 — full professor;

DG — ученая степень (доктор — 1, магистр — 0);

SL — средний заработок за ака демический год, долл.

2.1. Провести дисперсионный анализ с помощью обычной регрессии.

2.2. Провести дисперсионный анализ с помощью взвешенной регрессии, когда совокупность наблюдений с одинаковыми значениями независимых факторов заменяется одним групповым наблюдением.

622 Глава 20. Дисперсионный анализ Таблица 20.2. (Источник: S. Weisberg (1985), Applied Linear Regression, 2nd Ed, New York: Wiley, page 194) SX RK1 RK2 RK3 DG SL SX RK1 RK2 RK3 DG SL 0 0 0 1 1 36350 0 0 1 0 1 0 0 0 1 1 35350 1 0 0 1 1 0 0 0 1 1 28200 0 0 1 0 0 1 0 0 1 1 26775 0 0 1 0 0 0 0 0 1 0 33696 1 1 0 0 0 0 0 0 1 1 28516 0 0 1 0 0 1 0 0 1 0 24900 0 1 0 0 0 0 0 0 1 1 31909 1 0 1 0 0 0 0 0 1 0 31850 1 0 1 0 0 0 0 0 1 0 32850 0 0 1 0 1 0 0 0 1 1 27025 1 1 0 0 1 0 0 1 0 1 24750 0 1 0 0 1 0 0 0 1 1 28200 0 1 0 0 1 0 0 1 0 0 23712 0 1 0 0 1 0 0 0 1 1 25748 0 1 0 0 1 0 0 0 1 1 29342 0 1 0 0 0 0 0 0 1 1 31114 0 0 1 0 1 0 0 1 0 0 24742 1 1 0 0 1 0 0 1 0 0 22906 0 1 0 0 1 0 0 0 1 0 24450 0 1 0 0 1 0 1 0 0 0 19175 1 1 0 0 1 0 0 1 0 0 20525 1 1 0 0 1 0 0 0 1 1 27959 0 1 0 0 1 1 0 0 1 1 38045 1 1 0 0 1 0 0 1 0 1 24832 1 1 0 0 1 0 0 0 1 1 25400 1 1 0 0 1 20.3. Упражнения и задачи 2.3. Учесть эффекты второго порядка: добавить в регрессию попарные произве дения исходных фиктивных переменных. Значимы ли они?

Задачи Таблица 20. A B 1. Что является отличительной особенностью модели диспер I 43 сионного анализа по сравнению с «обычными» моделями регрессионного анализа?

II 4 2. С помощью таблицы 20.3 задана классификация по двум III 8 факторам.

Запишите матрицы фиктивных переменных для главных эффектов.

3. Какую структуру имеет матрица ковариаций оценок в дисперсионном анализе без повторений?

4. Как называется в дисперсионном анализе то, что в регрессионном анализе называется объясненной и остаточной дисперсией?

5. При проведении дисперсионного анализа с повторениями по усредненным наблюдениям используется взвешенная регрессия. С какой целью это дела ется?

6. Если в дисперсионном анализе без повторений отбросить эффекты высшего порядка, то как изменятся значения параметров оставшихся эффектов?

7. В модели полного дисперсионного анализа без повторений с одним фактором, имеющим три уровня, запишите матрицу нецентральных вторых моментов для матрицы регрессоров Z.

8. Сколько наблюдений нужно иметь для применения модели дисперсионного анализа без повторений в случае четырех факторов, каждый из которых мо жет принимать три уровня, если учитывать только эффекты первого порядка?

9. Сколько наблюдений нужно иметь для применения модели полного диспер сионного анализа без повторений в случае двух факторов, каждый из которых может принимать три уровня?

Pages:     | 1 |   ...   | 6 | 7 || 9 | 10 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.