Методы устранения мультиколлинеарно
1. Исключение переменной из модели
2. Увеличение объема выборки увеличение выборки уменьшает мультиколлинеарность)
3. Изменение формы модели
4. Отбор наиболее существенных факторов
Последствия гетероскедонтичности
1. Оценки параметров останутся по-прежнему несмещенными и линейными.
2. Оценки не будут эффективными, т.е. не будут иметь наименьшую дисперсию по сравнению с другими оценками данного параметра.
3. Дисперсии оценок параметров будут рассчитываться со смещением.
4. Все выводы, получаемые на основе соответствующих t – и F – статистик, а также интервальные оценки будут ненадежными. Вполне вероятно, что стандартные ошибки коэффициентов будут занижены, а t – статистики завышены. Это может привести к признанию статистически значимыми коэффициентов, которые таковыми на самом деле не являются.
5. Оценки прогнозных значений останутся пригодными для использования
Последствия автокорреляции остатков
1.Оценки параметров полученного МНК,оставаясь линейными и несмещенными, перестают быть эффективными.Следовательно, они перестают обладать свойствами наилучших линейных несмещенных оценок(БЛУЕ-оценок)
2.Дисперсии оценок являются несмещенными.
3.Оценка дисперсии регрессии является смещенной оценкой истинного значения g2, во многих случаях занижая его.
4.Выводы по Т и Ф статистикам,определяющим значимость коэффициентов регрессии и коэффициентов регрессии и коэф детерминации, будут неверными. Вследствие этого ухудшаются прогнозные качества модели
Составляющие компоненты временного ряда
yt=Ut+Vt+Ct+Et
u - тренд ряда, определяют общ тенденцию вр ряда, обусловлен влиянием общ факторов.
v - сезонные компоненты, отражает повторяемость экон процессов в течение не очень длит периода
с - циклическая компонента, отражет повторяемость экон процессов в течение длит периода
е - случ компонента, отражает влияние неучтенных факторов
Лаговые переменные - переменные, влияние которых характеризуется определенным запаздыванием
Тест Чоу - стоит ли вводить в полученную модель фиктивные переменные или базисная модель является оптимальной. Проверка гипотезы о неудачности предсказания с помощью статистики Фишера.
Тест Голфельда-Квандта - Тест на гетероскедастичность, устанавливающий, что стандартное отклонение остаточного члена регрессии растет, когда растет объясняющая переменная.Для обнаружения гетероскедонтичности
Метод ВНК - для устранения гетероскедонтичности
Тест Спирмена - Тест на обнаружение гетероскедастичность, устанавливающий, что стандартное отклонение остаточного члена регрессии имеет нестрогую линейную зависимость с объясняющей переменной.
Метод Койка - метод построения динамической модели авторегрессии с бесконечным количсетвом лагов, убывают в геом прогрессии, Если модель с распределенным лагом характеризуется бесконечной величиной максимального лага L, то для оценивания неизвестных параметров данной модели применяются нелинейный метод наименьших квадратов и метод Койка.
Метод Алмон - метод для построения динамической модели с конечным числом лагов.Для оценки неизвестных коэффициентов модели с распределённым лагом
Метод скользящих средних - метод выявления тенденции временного ряда.Метод сглаживания временного ряда для умньшения влияния случайных факторов.
Тест Дарбина - Уотсана - метод устранения автокорреляции остатков ряда.Метод обнаружения автокорреляции первого порядка с помощью статистики Дарбина-Уотсона. - статистический критерий, используемый для тестирования автокорреляции первого порядка элементов исследуемой последовательности.
Фиктивные переменные - изучение влияния качественного признака при построении модели регрессии.
Методы выявления тенденции временного ряда:
1) метод сравнения средних уровней ряда динамики
2) метод фостера-стюарта
3) валлиса-мура
4) корреляция рангов
5) критерий кокса-стюарта
6) дарбина-уотсона
Предпосылки регрессионного анализа:
1.Мх случайных отклонений должно быть равно нулю для всех наблюдений
2.Гомоскедонтичность (постоянство Дх откл)
3.Должна отсутствовать автокорреляция(случ отклонения должны быть независимы друг от друга)
4.Случ отклонения должны быть независимыми от объясняющиъ переменных
5.Модель явяляется линейной относительно параметров
6.Должна отсутствовать мультиколлинерно (это сильная связь между объясняющими переменными)
7.Случайные отклонения (Е) должны иметь норм распределение
Последствия мультиколлинеарности:
1.Дает большие Дх, что влечет за собой большие стандартные ошибки, из за которых увеличиваются интервальные оценки (уменьшается точность)
2. Уменьшается t-статистики (то есть незначимость коэффициентов),
3. Уменьшаются оценки коэффициентов по МНК (становятся неустойчивыми
4. Возможно получение неверного знака у коэффициентов регрессии