Самые популярные страны для туризма в 2007 году

      Гетероскедастичность  приводит к неэффективности оценок, несмотря на их несмещенность. Поэтому  возникает необходимость устранения гетероскедастичности. С этой целью  проводится преобразование модели. Поскольку дисперсии отклонений нам не известны, то будем считать, что дисперсии пропорциональны X_i, т.е. . Из объясняющих переменных выбираем X1 и делим исходное уравнение на .

6. Автокорреляция остатков

Критерий  Дарбина-Уотсона является наиболее известным критерием обнаружения автокорреляции первого порядка. Для оценки используют статистики DW:

На основании  полученных результатов делается вывод об автокорреляции.

По таблице  критических точек Дарбина-Уотсона определяем числа d_l и d_u.

 На  основании таблиц делаем вывод,  что d_l<DW<d_u , т.е. вывод о наличии автокорреляции не определен. Воспользуемся методом рядов.

      Ряд определяется как непрерывная последовательность одинаковых знаков, n – объем выборки, n₁ – количество положительных отклонений e_i, n₂ – количество отрицательных отклонений, k – количество рядов.

      Для небольшого числа наблюдений (n₁<20,n₂<20) разработана таблица критических значений количества ряда при n наблюдениях. На пересечении строки n₁ и столба n₂ определяется нижнее k₁ и верхнее k₂ значения при уровне значимости .

Если  k₁<k<k₂, то говорят об отсутствии автокорреляции. Поскольку 9<12<20, то  автокорреляция отсутствует. 

7. Прогнозные  качества модели

      Модель  может быть признана качественной, если полученные не ее основе прогнозы подтверждаются реальностью. В качестве прогнозных качеств оцененной модели регрессии служит следующее соотношение:

    , где  - стандартная ошибка регрессии.

      Если  величина V – мала и отсутствует автокорреляция остатков, то прогнозные качества модели высокие.