Автор работы: Давыдов Максим, 31 Мая 2010 в 20:57, шпаргалка
лекции
Тогда преобразованное уравнение
где , не содержит автокорреляцию, поскольку ut независимы.
Конечно, на практике величина ρ неизвестна, его оценка получается одновременно с оценками аир. Имеется несколько стандартных способов такого оценивания, и, вероятно, один или нескольких таких способов могут быть реализованы в имеющемся у вас регрессионном пакете.
Метод Кокрана—Оркатта представляет собой итеративный процесс, включающий следующие этапы.
Повторно вычисляются остатки, и процесс возвращается к этапу 3.
Метод Хилдрета—Лу, также широко применяемый в регрессионных пакетах, основан на тех же самых принципах, но использует другой алгоритм вычислений. Здесь преобразованная регрессия оценивается для каждого значения ρ из определенного диапазона с заданным шагом внутри его. (Например, исследователь может задать диапазон от ρ = —1,00 до ρ= 1,00 с шагом 0,01.) Значение, которое дает минимальную стандартную ошибку для преобразованного уравнения, принимается в качестве оценки ρ, а коэффициенты регрессии определяются при оценивании уравнения с использованием этого значения.
Ошибки измерения объясняющих переменных
Допустим, переменная у зависит от переменной z, что задано следующим соотношением:
где v — случайный член с нулевым средним и дисперсией σv2.
Предположим, что z невозможно измерить абсолютно точно, и мы будем использовать х для обозначения его измеренного значения. В i-м наблюдении xi равно истинному значению zi, плюс ошибка измерения wi:
xi = zi + wi
Допустим, что w имеет нулевое среднее и дисперсию σ i2, что D (z) в 6oльших выборках стремится к конечному пределу σz2 и что z и v распределены независимо.
Тогда получим:
Это уравнение
имеет две случайные
Соотношение можно теперь записать как
Имея значения переменных у (временно будем предполагать, что они измерены точно) и х, мы, несомненно, можем оценить регрессионную зависимость у от х.
Анализируя ошибку, можно заметить, что она, вероятно, поведет себя не так, как требуется. Переменная х зависит от w, от этой величины зависит также и e. Когда ошибка измерения в наблюдении оказывается положительной, происходят две вещи: х, имеет положительную составляющую wi, a ej имеет отрицательную составляющую —βwi.. Аналогично, если ошибка измерения отрицательна, она вносит отрицательный вклад в величину хi и положительный вклад в величину eг Следовательно, корреляция между х и e отрицательна. Величина cov (х, и) не равна нулю, а b является несостоятельной оценкой β.
Даже если бы у нас была очень большая выборка, оценка оказалась бы неточной. Она бы занижала β на величину
.
Таким образом, оценки МНК будут смещенными и несосстоятельными.
В то же время
при ощибках измерения зависимой
переменной лишь возрастает дисперся
регрессии, а оценки параметров остаются
несмещенными и состоятельными.
Инструментальные переменные
Что следует делать при наличии ошибок измерения? Если их причиной является неточность при подготовке данных, то единственное, что можно сделать, — это обрабатывать данные более тщательно. Если же их причина заключается в том, что измеряемая переменная принципиально отличается от истинной объясняющей переменной в зависимости, то можно попытаться получить более подходящие данные. Часто это бывает трудно осуществить на практике. Если требуется получить временной ряд по совокупному измеренному доходу, то его можно найти в национальных счетах, но не существует прямого способа получения данных по совокупному постоянному доходу.
Здесь мы объясним использование метода инструментальных переменных (ИП) — наиболее важной разновидности метода наименьших квадратов — для решения данной задачи. Это также будет иметь большое значение, когда мы приступим к оцениванию параметров моделей, состоящих из нескольких уравнений.
В сущности, метод инструментальных переменных заключается в частичной замене непригодной объясняющей переменной такой переменной, которая не коррелирована со случайным членом. Ограничимся случаем парной регрессии:
и допустим, что по какой-либо причине х имеет случайную составляющую, зависящую от e. Будем также предполагать, что в больших выборках D (x) стремится к конечному пределу σx2. В этих условиях непосредственное применение МНК для построения регрессионной зависимости у от х привело бы к несостоятельным оценкам параметров. Теперь предположим, что можно найти другую переменную z, которая коррелирована с х, но не коррелирована с e. Можно показать, что основанная на использовании инструментальных переменных оценка параметра β, определяемая как
является состоятельной при условии, что при увеличивающемся числе наблюдений Cov (z, х) стремится к конечному, отличному от нуля пределу.
ФИКТИВНЫЕ ПЕРЕМЕННЫЕ
Часто случается так, что отдельные факторы, которые вы хотели бы ввести в регрессионную модель, являются качественными по своей природе и, следовательно, не измеряются в числовой шкале. Приведем несколько примеров.