Upload
hathuan
View
218
Download
0
Embed Size (px)
Citation preview
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
EkonometriaWłasności składnika losowego
Jakub Mućk
Katedra Ekonomii Ilościowej
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 1 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Agenda
1 KMNK przypomnienie
2 Autokorelacja składnika losowegoIstota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
3 Heteroskedastyczność składnika losowegoIstota heteroskedastyczności składnika losowegoTest White’a
4 Normalność rozkładu składnika losowego
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 2 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Agenda
1 KMNK przypomnienie
2 Autokorelacja składnika losowegoIstota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
3 Heteroskedastyczność składnika losowegoIstota heteroskedastyczności składnika losowegoTest White’a
4 Normalność rozkładu składnika losowego
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 2 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Agenda
1 KMNK przypomnienie
2 Autokorelacja składnika losowegoIstota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
3 Heteroskedastyczność składnika losowegoIstota heteroskedastyczności składnika losowegoTest White’a
4 Normalność rozkładu składnika losowego
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 2 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Agenda
1 KMNK przypomnienie
2 Autokorelacja składnika losowegoIstota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
3 Heteroskedastyczność składnika losowegoIstota heteroskedastyczności składnika losowegoTest White’a
4 Normalność rozkładu składnika losowego
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 2 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Outline
1 KMNK przypomnienie
2 Autokorelacja składnika losowegoIstota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
3 Heteroskedastyczność składnika losowegoIstota heteroskedastyczności składnika losowegoTest White’a
4 Normalność rozkładu składnika losowego
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 3 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Twierdzenie Gaussa-Markowa
Załóżmy:1 rz(X) = k + 1 ≤ n2 Zmienne xi są nielosowe, a zatem są niezależne od składnika losowego3 E(ε) = 04 D2(ε) = E(εεT) = Iσ5 εi ∼ N (0, σ2)
Twierdzenie Gaussa - Markowa
Estymator β uzyskany Klasyczną Metodą Najmniejszych Kwadratów jest estyma-torem BLUE [best linear unbiased estimator], tj. zgodnym, nieobciążonym inajefektywniejszy w klasie liniowych estymatorów wektora β.
nieobciążoność, czyli E(β) = β
najefektywniejszy, czyli posiadający najmniejszą wariancję w swojej klasie
zgodny, czyli limn→∞ P(|βn − β|) < δ
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 4 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Konsekwencje braku sferyczności macierzy kowariancji składnikalosowego
Przypomnijmy estymator macierzy wariancji-kowariancji oszacowań (βOLS):
D2(βOLS) = E[(βOLS − β
) (βOLS − β
)T]
(1)
Korzystając z zapisu macierzowego:
D2(βOLS) = E
[(XTX
)−1 XTε
((XTX
)−1 XTε
)T]
= E[(XTX
)−1 XTεεTX(XTX
)−1]
=(XTX
)−1 XTE[εεT]X(XTX
)−1
Następnie korzystając z założenie o sferyczności macierzy wariancji-kowariancjiskładnika losowego, tj. D2(ε) = E(εεT ) = σ2I , można uprościć wzór na estyma-tor wariancji kowariancji oszacowań do:
D2(βOLS) = σ2(XTX
)−1(2)
Autokorelacja oraz heteroskedastyczność implikują obciążoność macierzywariancji-kowariancji wektora oszacowań, a zatem spadek efektywnośćioszacowań wektora βOLS .
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 5 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Outline
1 KMNK przypomnienie
2 Autokorelacja składnika losowegoIstota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
3 Heteroskedastyczność składnika losowegoIstota heteroskedastyczności składnika losowegoTest White’a
4 Normalność rozkładu składnika losowego
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 6 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Autokorelacja składnika losowego
Autokorelacja składnika losowego jest problemem najczęściej występującym wprzypadku szeregów czasowych i polega na zależności(skorelowaniu) bieżącychwartości składnika losowego od wartości przeszłych.Indeks t będzie oznaczać czas obserwacji.Zgodnie z założenia MNK:
D2(ε) =
σ2 0 . . . . . . 0
0. . .
. . .. . .
......
. . . σ2. . .
......
. . .. . .
. . . 00 . . . . . . 0 σ2
co jest równoznaczne:
∀t 6=scov(εt , εs) = 0
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 7 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Autokorelacja pierwszego rzędu
Autokorelacja pierwszego rzęduεt = ρεt−1 + ηt
gdzie ηt ∼ N (0, σ2η), E(η) = 0 oraz D2(η) = Iσ2
η.W przypadku autokorelacji składnika losowego macierz wariancji-kowariancjiskładnika losowego nie jest diagonalna:
D2(ε) =
1 ρ ρ2 . . . ρn−1
ρ 1 ρ . . . ρn−2
ρ2 ρ 1 . . . ρn−3
......
.... . .
...ρn−1 ρn−2 ρn−3 . . . 1
Przykład idiosynkratycznego zaburzenia losowego(L) oraz AR(1) (P)
0 50 100 150 200
−2−1
01
2
0 50 100 150 200
−4−2
02
46
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 8 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Konsekwencje autokorelacji składnika losowego:Spadek efektywności estymatora parametrów βOLS . Obciążenie macierzy wariancji-kowariancji wektora βOLS , a więc obciążenie błędów szacunku. Ponadto, obciążonesą wyniki testów statystycznych opartych na błędach szacunku, jak np. test istot-notności zmiennych t-studenta.Problem autokorelacji może sygnalizować bardzo poważne problem, jak np. problempominiętych zmiennych (omitted variables bias).Przyczyny autokorelacji składnika losowego:Problem pominięcia ważnej zmiennej.Niepoprawna postać funkcyjna; wadliwa struktura dynamiczna, brak uwzględnienieczynników cyklicznych/sezonowych.Wysoka inercja zjawisk gospodarczych; psychologia podejmowanych zjawisk.Przekształcenia statystyczne.Rozwiązania problemu autokorelacji składnika losowego:Zmiana postaci funkcyjnej/ dynamicznej modelu ekonometrycznego.Uwzględnienie brakujących zmiennych objaśniających.UMNK - ugólniona metoda najmniejszych kwadratów (GLS -Generalized Least Squ-ares oraz FGLS Feasible GLS). Metody Cohrane’a-Orcutta oraz Praisa-Wintensa.Odporne błędu standardowe; w przypadku szeregów czasowych stosuje się proceduręNeweya-Westa (1987).
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 9 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Test Durbina-Watsona umożliwia sprawdzenie jedynie autokorelacji pierwszego rzędu.Statystyka testu DW opiera się na oszacowaniu współczynnika korelacji pomiędzy et aet−1:
d =
n∑t=2
(et − et−1)2
n∑t=1
e2t−1
(3)
Łatwo zauważyć, że d ≈ 2(1− ρ). Hipotezą zerową jest brak autokorelacji, tj.:H0 : ρ = 0 (4)
Natomiast hipoteza alternatywna testu DW zależy od wartości statystyki testo-wej:, tj.
H1 : ρ > 0 gdy d ∈ (0, 2) (5)H1 : ρ < 0 gdy d ∈ (2, 4) (6)
Wartości krytyczne dU i dL są stablicowane.
H1 : ρ > 0 H1 : ρ < 0Statystyka d Decyzja Statystyka d Decyzja(0, dL) są podstawy do odrzucenia
H0 na rzecz H1 o dodatniejautokorelacji
(4− dL, 4) są podstawy do odrzuceniaH0 na rzecz H1 o ujemnejautokorelacji
(dL, dU ) brak decyzji (4− dL, 4− dU ) brak decyzji(dU , 2) nie ma podstaw do odrzu-
cenia H0
(4− dU , 2) nie ma podstaw do odrzu-cenia H0
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 10 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Ograniczenia testu Durbina-Watsona
Test DW posiada obszary niekonkluzywności.Test Durbina-Watsona umożliwia weryfikację autokorelacji jedynie pierw-szego rzędu.W specyfikacji modelu ekonometrycznego nie może zostać uwzględniona częśćautoregresyjna zmiennej objaśnianej, tj. opóźnione wartości zmiennej obja-śnianej.Test Durbina-Watsona można stostować w przypadku modeli z wyrazem wol-nym.
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 11 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Test mnożnika Lagrange’a (LM) zaproponowany przez Breuscha i Godfreya pozwalana testowanie autokorelacji zarówno pierwszego jak i wyższych rzędów.W pierwszym kroku szacowane są parametry modelu:
yt = β0 + β1x1,t + . . .+ βkxk,t + εt (7)
W drugim kroku szacowane są parametry modelu, w którym wyjąśniany jest skład-nik resztowy z modelu (7). Dodatkowo, uwzględniane są opóźnienia do rzędu Qwłącznie:
et = β0 + β1x1,t + β2x2,t + . . .+ βkxk,t︸ ︷︷ ︸zmienne objaśniające z modelu (7)
+βk+1et−1 + . . .+ βk+Q,tet−Q︸ ︷︷ ︸opóżnione reszty z modelu (7)
+ηt (8)
Hipoteza zerowa testu LM jest równoznaczna braku autokorelacji do rzędu Q włącz-nie:
H0 : βk+1 = ... = βk+Q = 0 (9)H1 : ∃l∈(1,..,Q)βk+l 6= 0 (10)
Statystyka testowa:LM = nR2 (11)
posiada rozkład χ2 z Q stopniami swobody (rząd weryfikowanej autokorelacji skład-nika losowego). Są podstawy do odrzucenia H0, jeżeli LM jest większa od wartościkrytycznej χ2.
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 12 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Przykład
[Hill, Griffiths i Lim]: krzywa Phillipsa dla Australii.Dane: szeregi czasowe od 1987Q1 do 2009Q3.
inft - inflacja w okresie t.∆ut - zmiana stopy bezrobocia w okresie t.
Model:inft = inf E
t − γ∆ut + εt (12)
Zakładając, że oczekiwania inflacyjne są stałe w czasie:
inft = β0 + β1∆ut + εt (13)
gdzie β1 = −γ.
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 13 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Przykład c.d.
Rozważany model:inft = β0 + β1∆ut + εt (14)
Oszacowanie Błąd stand. t-Studenta wartość p
β0 0.777621 0.0658249 11.8135 0.0000β1 −0.527864 0.229405 −2.3010 0.0238
Czy oszacowanie parametru β1 jest statystycznie istotne?
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 14 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Przykład – wykres reszt modelu względem czasu-2
-10
12
1985q1 1990q1 1995q1 2000q1 2005q1 2010q1time
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 15 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Przykład – zależność między resztami a ich pierwszym opóźnieniem-2
-10
12
e_{t
}
-2 -1 0 1 2e_{t-1}
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 16 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Przykład – zależność między resztami a ich pierwszym opóźnieniem-2
-10
12
e_{t
}
-2 -1 0 1 2e_{t-1}
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 17 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Przykład – testowanie autokorelacji składnika losowego
Test Durbina-Watsona:Statystyka testowa: 0.887Wartości krytyczne (N = 90 i k = 1) przy 5% poziomie istotności:dL : 1.6345dU : 1.6794
Statystyka testu LM:p Wartość statystyki p-value1 27.592 0.0004 36.672 0.000
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 18 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Przykład – testowanie autokorelacji składnika losowego
Test Durbina-Watsona:Statystyka testowa: 0.887Wartości krytyczne (N = 90 i k = 1) przy 5% poziomie istotności:dL : 1.6345dU : 1.6794
Statystyka testu LM:p Wartość statystyki p-value1 27.592 0.0004 36.672 0.000
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 18 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
Przykład – estymator macierzy wariancji-kowariancji odporny na autokorelację
Rozważany model:inft = β0 + β1∆ut + εt (15)
Podstawowe oszacowania oszacowaniaOszacowanie Błąd stand. t-Studenta wartość p
β0 0.777621 0.0658249 11.8135 0.0000β1 −0.527864 0.229405 −2.3010 0.0238
Odporne błędy standardoweOszacowanie Błąd stand. t-Studenta wartość p
β0 0.777621 0.101848 7.6351 0.0000β1 −0.527864 0.309225 −1.7071 0.0913
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 19 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Outline
1 KMNK przypomnienie
2 Autokorelacja składnika losowegoIstota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
3 Heteroskedastyczność składnika losowegoIstota heteroskedastyczności składnika losowegoTest White’a
4 Normalność rozkładu składnika losowego
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 20 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Heteroskedastyczność składnika losowegojest drugą formą niespełnienia zało-żenia o sferyczności macierzy wariancji-kowariancji składnika losowego. Zja-wisko heteroskedastyczności składnika losowego charakteryzuje przede wszyst-kim modele oparte o dane przekrojowe.Ogólny zapis hetereoskedastyczności składnika losowego:
D2(ε) =
σ2
1 0 . . . 0
0 σ22
. . ....
.... . .
. . ....
0 . . . 0 σ2n
gdzie
σ21 6= σ2
2 6= . . . σ2k
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 21 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Konsekwencje heteroskedastyczności składnika losowego:Spadek efektywności estymatora parametrów βOLS . Obciążenie macierzy wariancji-kowariancji wektora βOLS , a więc obciążenie błędów szacunku. Ponadto, obciążonesą wyniki testów statystycznych opartych na błędach szacunku, jak np. test istot-notności zmiennych t-studenta.Problem hetereoskedastyczności może sygnalizować poważne problem, jak np. pro-blem pominiętych zmiennych (omitted variables bias).Przyczyny heteroskedsatyczności składnika losowego:Znaczne różnice heterogeniczności jednostek w próbie.Rozwiązania problemu heteroskedastyczności składnika losowego:Ważona MNK.Transformacja zmiennych do postaci logarytmicznej.Odporne błędy standardowe; dla danych przekrojowych – procedura zaproponowanaprzez White’a.Identyfikacja:Wykresy.Test White’a.
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 22 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Test White’a jest bardzo zbliżony do testu mnożnika LM zaproponowanego przezBreuscha Godfreya. W pierwszym kroku szacowane są parametry modelu:
yi = β0 + β1x1,i + . . .+ βkxk,i + εi (16)
W drugim kroku, zmienną objaśnianą są kwadraty reszt z oszacowanego modelu(16). Ponadto uwzględniane są kwadraty oraz interacje zmiennych objaśniającychz modelu (16), tj.:
e2i = β0 + β1x1,i + . . .+ βkxk,i + βk+1x2
1,i + . . .+ βk+kx2k,i +
+βk+k+1x1,ix2,i + . . .+ βk+k+Sxk−1,ixk,i + ηi
Hipotezą zerową jest homoskedastyczność składnika losowego:
H0 : σ2i = σ2 H1 : σ2
i 6= σ2 (17)
Statystyka testowa:LM = nR2 (18)
posiada rozkład χ2 z M stopniami swobody (liczba wszystkich wszystkich zmien-nych objaśniających w regresji testowej, tj. M = 2k+s). Są podstawy do odrzuceniaH0, jeżeli LM jest większa od wartości krytycznej χ2.
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 23 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Przykład
[Wooldridge:] zwroty z edukacji.Dane: dane przekrojowe (N = 526).
wagei - przeciętne godzinowe zarobki dla i-tej jednostki (w USD).educi - liczba lat edukacji i -tej ejdnostki.
Model:wagei = β0 + β1educi + εi (19)
Parametr β1 będzie mierzył tzw. zwrot z edukacji.
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 24 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Model:wagei = β0 + β1educi + εi (20)
Podstawowe oszacowania oszacowaniaOszacowanie Błąd stand. t-Studenta wartość p
β0 −0.9048516 0.6849678 −1.32 0.187β1 0.5413593 0.053248 10.17 0.000
Jaki jest przeciętny zwrot z edukacji?
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 25 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Przykład – wykres kwadratów reszt modelu względem zmiennej educ0
100
200
300
e^2_
{i}
0 5 10 15 20educ_{i}
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 26 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Przykład – wykres kwadratów reszt modelu względem zmiennej educ0
100
200
300
e^2_
{i}
0 5 10 15 20educ_{i}
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 27 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Przykład – test White’a
Oszacowania regresji pomocnicznej (błędy standardowe w nawiasach):
u2i = −11.59283
(5.933339)+ 1.827862
(0.461246)educi , (21)
gdzie u2i to kwadrat składnika resztowego z podstawowego modelu.
W regresji pomocniczej, wartość statystyki t dla zmiennej educ wynosi 3.96.O czym to świadczy?R2 regresji pomocnicznej wynosi 0.0291Liczba obserwacji: 526.Statystyka testu White’a wynosi 15.31. Empiryczny poziom isoto-ności: 0.0001.
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 28 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Przykład – test White’a
Oszacowania regresji pomocnicznej (błędy standardowe w nawiasach):
u2i = −11.59283
(5.933339)+ 1.827862
(0.461246)educi , (21)
gdzie u2i to kwadrat składnika resztowego z podstawowego modelu.
W regresji pomocniczej, wartość statystyki t dla zmiennej educ wynosi 3.96.O czym to świadczy?R2 regresji pomocnicznej wynosi 0.0291Liczba obserwacji: 526.Statystyka testu White’a wynosi 15.31. Empiryczny poziom isoto-ności: 0.0001.
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 28 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Przykład – transformacja logarytmiczna
Podstawowy model:wagei = β0 + β1educi + εi . (22)
Zastosowanie transformacji logarytmicznej dla zmiennej objaśnianej:
lnwagei = γ0 + γ1educi + ηi . (23)
Oszacowanie Błąd stand. t-Studenta wartość p
Podstawowe oszacowania oszacowaniaβ0 −0.9048516 0.6849678 −1.32 0.187β1 0.5413593 0.053248 10.17 0.000Przekształcenie logarytmiczne zmiennej objaśnianejγ0 0.5837726 0.0973358 6.00 0.000γ1 0.0827444 0.0075667 10.94 0.000
Statystyka testu White’a (dla modelu z transformacją logarytmiczną): 0.74(p-value:0.389).Dlaczego oszacowania γ1 i β1 się różnią? Jaka jest różnica w ich interpretacji?
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 29 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Przykład – transformacja logarytmiczna
Podstawowy model:wagei = β0 + β1educi + εi . (22)
Zastosowanie transformacji logarytmicznej dla zmiennej objaśnianej:
lnwagei = γ0 + γ1educi + ηi . (23)
Oszacowanie Błąd stand. t-Studenta wartość p
Podstawowe oszacowania oszacowaniaβ0 −0.9048516 0.6849678 −1.32 0.187β1 0.5413593 0.053248 10.17 0.000Przekształcenie logarytmiczne zmiennej objaśnianejγ0 0.5837726 0.0973358 6.00 0.000γ1 0.0827444 0.0075667 10.94 0.000
Statystyka testu White’a (dla modelu z transformacją logarytmiczną): 0.74(p-value:0.389).Dlaczego oszacowania γ1 i β1 się różnią? Jaka jest różnica w ich interpretacji?
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 29 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Istota heteroskedastyczności składnika losowegoTest White’a
Przykład – transformacja logarytmiczna
Podstawowy model:wagei = β0 + β1educi + εi . (22)
Zastosowanie transformacji logarytmicznej dla zmiennej objaśnianej:
lnwagei = γ0 + γ1educi + ηi . (23)
Oszacowanie Błąd stand. t-Studenta wartość p
Podstawowe oszacowania oszacowaniaβ0 −0.9048516 0.6849678 −1.32 0.187β1 0.5413593 0.053248 10.17 0.000Przekształcenie logarytmiczne zmiennej objaśnianejγ0 0.5837726 0.0973358 6.00 0.000γ1 0.0827444 0.0075667 10.94 0.000
Statystyka testu White’a (dla modelu z transformacją logarytmiczną): 0.74(p-value:0.389).Dlaczego oszacowania γ1 i β1 się różnią? Jaka jest różnica w ich interpretacji?
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 29 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Outline
1 KMNK przypomnienie
2 Autokorelacja składnika losowegoIstota autokorelacji składnika losowegoTest Durbina-WatsonaTest LM
3 Heteroskedastyczność składnika losowegoIstota heteroskedastyczności składnika losowegoTest White’a
4 Normalność rozkładu składnika losowego
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 30 / 31
KMNK przypomnienieAutokorelacja składnika losowego
Heteroskedastyczność składnika losowegoNormalność rozkładu składnika losowego
Normalność rozkładu składnika losowego nie jest wymaganą właśnością skład-nika losowego, ale umożliwia korzystanie z testów statystycznych weryfikującychpozostałe własności składnika losowego.Test Jarque’a-Berry jest najpopularniejszą metodą w weryfikacji normalnościskładnika losowego. Statystyka teo testu opiera się na kurtozie i skośności reszt:
JB =n6
(S2 +14
(K − 3)2) (24)
gdzie S i K to odpowiednio estymatory skośności oraz kurtozy składnika losowego:
S =
1n
n∑i=1
(ei − e)3
(1n
n∑i=1
(ei − e)2)32
oraz K =
1n
n∑i=1
(ei − e)4
(1n
n∑i=1
(ei − e)2
)2− 3 (25)
Hipotezą zerową jest normalność składnika losowego:H0 : ε ∼ N (0, σ)
Wartość statystyki testowej ma rozkład χ2 z dwoma stopniami swobody. Jeżeliwartość JB jest większa od wartości krytycznej z rozkładu χ2 to są podstawy doodrzucenia H0.Odrzucenie hipotezy zerowej uniemożliwia korzystanie z testów statystycznych. Alew przypadku dużej próby, własności asymptotyczne testów nadal są pożadane.
Jakub Mućk Ekonometria Wykład 3 Własności składnika losowego 31 / 31