Построение эконометрической модели и исследование проблемы автокорреляции с помощью тестов Бреуша — страница 4

  • Просмотров 201
  • Скачиваний 7
  • Размер файла 105
    Кб

Уравнение регрессии выглядит следующим образом: GDP=90.71828168+0.8758556601Cons+1.190895181IG (2) После округления оно будет иметь следующий вид: (3) Построенная модель имеет очень высокий коэффициент детерминации, что говорит о высоком качестве этой модели. Высокие значения имеют t-статистики, соответственно все объясняющие переменные данной модели значимы. Верны и коэффициенты при переменных, то есть они имеют верный знак и значение близкое к

теоретическому уравнению (1). Высокое значение коэффициента С(1) и его статистическая значимость с экономической точки зрения может говорить о том, что в модель включено недостаточно переменных, что позже будет исправлено. Поэтому, прежде чем делать выводы о качестве и адекватности, следует проверить построенную модель на автокорреляцию и гетероскедастичность. По статистике Дарбина-Уотсона уравнение имеет автокорреляцию,

положительную (d1=1,373, du=1,594), откуда можно сделать вывод о наличии автокорреляции. На проблему гетероскедастичности исследуем модель при помощи теста Вайта(no cross, cross): White Heteroskedasticity Test: F-statistic 1.926499 Probability 0.129239 Obs*R-squared 7.193728 Probability 0.125998 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/11/08 Time: 19:18 Sample: 1999:1 2008:2 Included observations: 38 Variable Coefficient Std. Error t-Statistic Prob. C -7329.568 8035.888 -0.912104 0.3683 IG -10.79329 22.84694 -0.472417 0.6397 IG^2 0.000343 0.007396 0.046398 0.9633 CONS 14.94592 10.01542 1.492291 0.1451 CONS^2 -0.001335 0.001299

-1.028002 0.3114 R-squared 0.189309 Mean dependent var 11112.05 Adjusted R-squared 0.091043 S.D. dependent var 13500.26 S.E. of regression 12871.05 Akaike info criterion 21.88543 Sum squared resid 5.47E+09 Schwarz criterion 22.10090 Log likelihood -410.8231 F-statistic 1.926499 Durbin-Watson stat 1.289207 Prob(F-statistic) 0.129239 White Heteroskedasticity Test: F-statistic 1.910945 Probability 0.120009 Obs*R-squared 8.737384 Probability 0.120009 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/11/08 Time: 19:20 Sample: 1999:1 2008:2 Included observations: 38 Variable Coefficient Std. Error t-Statistic Prob. C -4788.651 8190.315 -0.584672 0.5629 IG 10.01788 27.71085 0.361515 0.7201 IG^2 0.043812 0.034248 1.279250 0.2100 IG*CONS -0.034393 0.026471

-1.299253 0.2031 CONS 5.948824 12.09186 0.491969 0.6261 CONS^2 0.005437 0.005368 1.012743 0.3188 R-squared 0.229931 Mean dependent var 11112.05 Adjusted R-squared 0.109608 S.D. dependent var 13500.26 S.E. of regression 12738.93 Akaike info criterion 21.88665 Sum squared resid 5.19E+09 Schwarz criterion 22.14522 Log likelihood -409.8464 F-statistic 1.910945 Durbin-Watson stat 1.168906 Prob(F-statistic) 0.120009 Для трактовки этого теста используем «Obs*R-squared», которое сравниваем с соответствующим критическим значением распределения со степенями свобод равным количеству переменных в модели, то есть двум. Как и в

тесте cross terms, так и в no cross terms наблюдаемое значение оказывается меньше критического при уровнях значимости ,01 и ,005, из чего следует вывод об отсутствии гетероскедастичности в построенной модели. Проблему автокорреляции исследуем далее при помощи теста Бреуша-Годфри и Q-статистики Бокса-Льюнга. Результаты этих тестов представлены ниже: Breusch-Godfrey Serial Correlation LM Test: F-statistic 33.14949 Probability 0.000002 Obs*R-squared 18.75935 Probability 0.000015 Test Equation: Dependent Variable: RESID