Архитектура Аудит Военная наука Иностранные языки Медицина Металлургия Метрология Образование Политология Производство Психология Стандартизация Технологии |
Обычный метод наименьших квадратовСтр 1 из 2Следующая ⇒
Контрольная работа По дисциплине: Эконометрика (вариант 8)
Выполнила: студентка Слободзян Наталья Романовна Группа: ФБТ-59 Проверил: преподаватель
Новосибирск, 2017 г Содержание Задание к контрольной работе. 2 Задание 1. 3 Задание 2. 5
Задание к контрольной работе Рассматривается модель линейной регрессии; Y — зависимая переменная; X j — факторы регрессии; i — номер наблюдения; действуют стандартные предположения линейной регрессии; Задание 1. Оценка параметров регрессии МНК, базовая «инференция» о модели (t-критерий, F-критерий), базовый анализ остатков модели. Проделайте необходимые расчеты в среде MATRIXER, приведите их результаты и прокомментируйте согласно пунктам 1.1. — 1.5. задания. 1.1. Оцените параметры линейной регрессии МНК; 1.2. Оцените значимость каждого фактора в отдельности по t-критерию; 1.3. Оцените совместную значимость всех факторов по F-критерию; 1.4. Проверка гетероскедастичности остатков (используйте результаты оценивания, приведенные в базовых статистиках уравнения в среде MATRIXER); 1.5. Проверка нормальности остатков (используйте результаты оценивания, приведенные в базовых статистиках уравнения в среде MATRIXER); Задание 2. Проверка ряда гипотез о модели с помощью классических критериев, основанных на оценках регрессии МНК с ограничениями. Следуйте комментариям к пунктам 2.1. — 2.4., развернуто ответьте на все заданные вопросы. 2.1. Проверить совместную значимость факторов X1, X3; Постройте вспомогательную регрессию, не включающую в себя переменные X 1 и X 3 . Сравните регрессии (исходную и вспомогательную) по сумме квадратов остатков, постройте F -Статистику для проверки существенности ограничений. Сколько ограничений в данном случае проверяется? Какая из регрессий является регрессией без ограничений, а какая с учетом ограничений? Каково значение статистики и РДУЗ? Каков результат теста и его интерпретация? 2.2. RESET тест Рамсея; После оценки исходного уравнения регрессии сохраните в отдельную переменную расчетные значения зависимой переменной (скрытая матрица \ Fitted , дайте ей новое имя) и постройте вспомогательную регрессию, в которой факторами являются не только переменные X 1 — X 3 , но и квадрат и куб расчетных значений исходного уравнения. Постройте F -статистику для проверки совместной значимости добавленных факторов. Сколько ограничений в данном случае проверяется? Какая из регрессий является регрессией без ограничений, а какая с учетом ограничений? Каково значение статистики и РДУЗ? Каков результат теста и его интерпретация? 2.3. Проверка постоянства коэффициентов тестом Чоу I формы (выборку делить пополам) Создайте вспомогательную переменную (назовите ее, скажем, Chow _ Break ), и задайте ей значения (можно в ручную редактированием в среде MATRIXER, а можно предварительно создать переменную в среде Excel, а затем скопировать в MATRIXER ) — переменная принимает значение 1 для первой половины наблюдений, а для второй половины наблюдений — значение 0. Оцените вспомогательную регрессию, в которой вместо исходных факторов X 1, X 2, X 3 участвует набор факторов X 1* Chow _ Break, X 2* Chow _ Break, X 3* Chow _ Break, X 1*(1- Chow _ Break ), X 2*(1- Chow _ Break ), X 3*(1- Chow _ Break ). Создавать новые факторы не обязательно, достаточно указать их формулы непосредственно в строке команд при записи команды для оценки регрессии МНК. Сравните полученную вспомогательную и исходную регрессии, постройте F -статистику для проверки равенства коэффициентов при «разных половинах» исходных факторов во вспомогательной регрессии. Сколько ограничений в данном случае проверяется? Какая из регрессий является регрессией без ограничений, а какая с учетом ограничений? Каково значение статистики и РДУЗ? Каков результат теста и его интерпретация? 2.4. Проверка гетероскедастичности (тест Бреуша – Годфри – Пагана); После оценки исходной регрессии сохраните в отдельную переменную остатки из уравнения (скрытая матрица \ Resids, дайте ей новое имя, например, Resid 1 ) и рассчитайте квадрат остатков (введите в командное окно команду R esid2: = R esid1^2 и нажмите «Выполнить», теперь в переменной Resid 2 — квадраты остатков исходного уравнения). Создайте вспомогательную регрессию, где в качестве зависимой выступает переменная Resi d2 , а факторы — исходный набор факторов, номер наблюдения (для него придется создать отдельную переменную, либо используйте интерактивную переменную $ i ), квадраты факторов (также подумайте, какие еще переменные можно добавить в эту регрессию). Оцените вклад каждого из этих факторов в зависимую переменную, есть ли между ней и какими-либо факторами существенная корреляция? Проверьте совместную значимость всех факторов в этой вспомогательной регрессии, при необходимости удалите незначимые факторы и переоцените уравнение. Какова интерпретация результата? Как можно использовать результаты этого теста? Решение: Задание 1 Заносим исходные данные в среду MATRIXER. Чтобы оценить параметры регрессионного уравнения МНК в среде MATRIXER воспользуемся соответствующим пунктом меню Панели: Линейная регрессия. Выводим результат на экран. Обычный метод наименьших квадратов (линейная регрессия) Зависимая переменная: Y Количество наблюдений: 480 Переменная Коэффициент Станд. ошибка t-статистика Знач. 1 Константа 264.97695103 3.7329077915 70.984060103 [0.0000] 2 X1 1.7809988217 0.1751321653 10.169455842 [0.0000] 3 X2 0.6962106989 0.1164754515 5.9773170207 [0.0000] 4 X3 -0.5851503171 0.0730083354 -8.0148426053 [0.0000] R^2adj. = 28.802736926% DW = 1.8923 R^2 = 29.248648803% S.E. = 17.359746196 Сумма квадратов остатков: 143447.735082095 Максимум логарифмической функции правдоподобия: -2049.07607877381 AIC = 8.5544836616 BIC = 8.5892652124 F(3, 476) = 65.59289 [0.0000] Нормальность: Chi^2(2) = 1.811334 [0.4043] Гетероскедастичность: Chi^2(1) = 0.005491 [0.9409] Функциональная форма: Chi^2(1) = 1.046231 [0.3064] AR(1) в ошибке: Chi^2(1) = 1.297934 [0.2546] ARCH(1) в ошибке: Chi^2(1) = 1.07E-05 [0.9974] Оценка параметров линейной регрессии МНК R2 (коэффициент детерминации) равен 29.248648803 %, то есть не менее 29.2% вариации результирующего признака Y объясняется вариацией регрессоров X1, X2, Х3. Нормированный R-квадрат (28.802736926%)– скорректированный коэффициент детерминации. Сумма квадратов остатков (это RSS, необходимый для построения ряда статистики в классических критериях проверки гипотез об оценках) = 143447.735082095 Оценка значимости каждого фактора в отдельности по t-критерию По результатам видно, что реально достигнутый уровень значимости (РДУЗ) напротив всех факторов достаточно мал (составляет менее любого из стандартных приемлемых уровней допустимой вероятности ошибки первого уровня — 0.1, 0.05 и даже 0.01). Оценка значимости факторов в отдельности по t-критерию позволяет сделать вывод, что в модели значимы факторы Х1 и Х2 при уровне допустимой вероятности ошибки первого уровня 0.1. 1.3. Оценка совместной значимости всех факторов по F-критерию Фактическое значение F-критерия, равное 65.59289 свидетельствует о статистической значимости уравнения регрессии в целом. F -статистика имеет (3, 476) степеней свободы. Нулевая гипотеза о совместной незначимости факторов в уравнении в данном случае отвергается, т.к. РДУЗ слишком мал (не отличим от 0 при округлении до 4 знаков после десятичной точки, это меньше любого разумного критического уровня значимости). Проверка гетероскедастичности остатков Гетероскедастичность: Chi^2(1) = 0.005491 [0.9409] AR(1) в ошибке: Chi^2(1) = 1.297934 [0.2546] Критерий авторегрессионной условной гетероскедастичности в ошибках: ARCH(1) в ошибке: Chi^2(1) = 1.07E-05 [0.9974] Проверка нормальности остатков Основная гипотеза состоит в том, что остатки действительно являются реализацией нормально распределенной случайной величины, РДУЗ составил 0.4043, т.е. т.е. гипотезу отвергнуть не удается (стандартным уровнем допустимой вероятности ошибки первого рода в таком критерии можно считать 0.05). Таким образом, мы можем сделать вывод, что остатки можно признать нормально распределенными. Задание 2 Проверка совместной значимости факторов X1, X3 Построим вспомогательную регрессию, не включающую в себя переменные X1 и X3. Результаты построения и анализа: Обычный метод наименьших квадратов (линейная регрессия) Зависимая переменная: Y Количество наблюдений: 480 Переменная Коэффициент Станд. ошибка t-статистика Знач. 1 Константа 289.05802419 1.0061714754 287.28505155 [0.0000] 2 X2 0.6084699447 0.1348568114 4.5119704264 [0.0000] R^2adj. = 3.8843325284% DW = 1.9920 R^2 = 4.0849915419% S.E. = 20.170135464 Сумма квадратов остатков: 194466.826299442 RESET тест Рамсея Построим вспомогательную регрессию, в которой факторами являются не только переменные X 1 — X 3, но и квадрат и куб расчетных значений исходного уравнения. Зависимая переменная: Y Количество наблюдений: 480 Зависимая переменная: Y Количество наблюдений: 480 Количество наблюдений: 480 Контрольная работа По дисциплине: Эконометрика (вариант 8)
Выполнила: студентка Слободзян Наталья Романовна Группа: ФБТ-59 Проверил: преподаватель
Новосибирск, 2017 г Содержание Задание к контрольной работе. 2 Задание 1. 3 Задание 2. 5
Задание к контрольной работе Рассматривается модель линейной регрессии; Y — зависимая переменная; X j — факторы регрессии; i — номер наблюдения; действуют стандартные предположения линейной регрессии; Задание 1. Оценка параметров регрессии МНК, базовая «инференция» о модели (t-критерий, F-критерий), базовый анализ остатков модели. Проделайте необходимые расчеты в среде MATRIXER, приведите их результаты и прокомментируйте согласно пунктам 1.1. — 1.5. задания. 1.1. Оцените параметры линейной регрессии МНК; 1.2. Оцените значимость каждого фактора в отдельности по t-критерию; 1.3. Оцените совместную значимость всех факторов по F-критерию; 1.4. Проверка гетероскедастичности остатков (используйте результаты оценивания, приведенные в базовых статистиках уравнения в среде MATRIXER); 1.5. Проверка нормальности остатков (используйте результаты оценивания, приведенные в базовых статистиках уравнения в среде MATRIXER); Задание 2. Проверка ряда гипотез о модели с помощью классических критериев, основанных на оценках регрессии МНК с ограничениями. Следуйте комментариям к пунктам 2.1. — 2.4., развернуто ответьте на все заданные вопросы. 2.1. Проверить совместную значимость факторов X1, X3; Постройте вспомогательную регрессию, не включающую в себя переменные X 1 и X 3 . Сравните регрессии (исходную и вспомогательную) по сумме квадратов остатков, постройте F -Статистику для проверки существенности ограничений. Сколько ограничений в данном случае проверяется? Какая из регрессий является регрессией без ограничений, а какая с учетом ограничений? Каково значение статистики и РДУЗ? Каков результат теста и его интерпретация? 2.2. RESET тест Рамсея; После оценки исходного уравнения регрессии сохраните в отдельную переменную расчетные значения зависимой переменной (скрытая матрица \ Fitted , дайте ей новое имя) и постройте вспомогательную регрессию, в которой факторами являются не только переменные X 1 — X 3 , но и квадрат и куб расчетных значений исходного уравнения. Постройте F -статистику для проверки совместной значимости добавленных факторов. Сколько ограничений в данном случае проверяется? Какая из регрессий является регрессией без ограничений, а какая с учетом ограничений? Каково значение статистики и РДУЗ? Каков результат теста и его интерпретация? 2.3. Проверка постоянства коэффициентов тестом Чоу I формы (выборку делить пополам) Создайте вспомогательную переменную (назовите ее, скажем, Chow _ Break ), и задайте ей значения (можно в ручную редактированием в среде MATRIXER, а можно предварительно создать переменную в среде Excel, а затем скопировать в MATRIXER ) — переменная принимает значение 1 для первой половины наблюдений, а для второй половины наблюдений — значение 0. Оцените вспомогательную регрессию, в которой вместо исходных факторов X 1, X 2, X 3 участвует набор факторов X 1* Chow _ Break, X 2* Chow _ Break, X 3* Chow _ Break, X 1*(1- Chow _ Break ), X 2*(1- Chow _ Break ), X 3*(1- Chow _ Break ). Создавать новые факторы не обязательно, достаточно указать их формулы непосредственно в строке команд при записи команды для оценки регрессии МНК. Сравните полученную вспомогательную и исходную регрессии, постройте F -статистику для проверки равенства коэффициентов при «разных половинах» исходных факторов во вспомогательной регрессии. Сколько ограничений в данном случае проверяется? Какая из регрессий является регрессией без ограничений, а какая с учетом ограничений? Каково значение статистики и РДУЗ? Каков результат теста и его интерпретация? 2.4. Проверка гетероскедастичности (тест Бреуша – Годфри – Пагана); После оценки исходной регрессии сохраните в отдельную переменную остатки из уравнения (скрытая матрица \ Resids, дайте ей новое имя, например, Resid 1 ) и рассчитайте квадрат остатков (введите в командное окно команду R esid2: = R esid1^2 и нажмите «Выполнить», теперь в переменной Resid 2 — квадраты остатков исходного уравнения). Создайте вспомогательную регрессию, где в качестве зависимой выступает переменная Resi d2 , а факторы — исходный набор факторов, номер наблюдения (для него придется создать отдельную переменную, либо используйте интерактивную переменную $ i ), квадраты факторов (также подумайте, какие еще переменные можно добавить в эту регрессию). Оцените вклад каждого из этих факторов в зависимую переменную, есть ли между ней и какими-либо факторами существенная корреляция? Проверьте совместную значимость всех факторов в этой вспомогательной регрессии, при необходимости удалите незначимые факторы и переоцените уравнение. Какова интерпретация результата? Как можно использовать результаты этого теста? Решение: Задание 1 Заносим исходные данные в среду MATRIXER. Чтобы оценить параметры регрессионного уравнения МНК в среде MATRIXER воспользуемся соответствующим пунктом меню Панели: Линейная регрессия. Выводим результат на экран. Обычный метод наименьших квадратов (линейная регрессия) Зависимая переменная: Y Количество наблюдений: 480 |
Последнее изменение этой страницы: 2017-04-12; Просмотров: 179; Нарушение авторского права страницы