Stanisław Cichocki. Natalia Nehrebecka. Wykład 10

Transkrypt

1 Stanisław Cichocki Natalia Nehrebecka Wykład 10 1

2 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Testowanie heteroskedastyczności

3 1. Testy diagnostyczne Testowanie prawidłowości formy funkcyjnej: test RESET Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Testowanie heteroskedastyczności

4 Służą do weryfikacji założeń KMRL Sprawdzenie założeń KMRL jest ważne na nich opierają się własności estymatorów MNK Jeśli któreś z założeń nie jest spełnione należy zastanowić się nad przeformułowaniem modelu lub zastosować bardziej zaawansowane narzędzia ekonometryczne Testy są stosowane po wyestymowaniu modelu

5 W praktyce do testowania jednego założenia KMRL używa się często kilku testów Czasami różne testy zastosowane do testowania tej samej hipotezy zerowej dają sprzeczne wnioski

6 - Test RESET (Regression Specification Error Test): H : y x 0 i i i - liniowa postać modelu H : y f ( x ) 1 i i i - nieliniowa postać modelu gdzie f () jest nieliniowa

7 Sposób przeprowadzenia testu: y x 1. estymujemy model: i uzyskujemy wartości dopasowane y x b i i i i. przeprowadzamy regresję pomocniczą: p1 y x 1 y... y u i i i p i i i za pomocą testu F testujemy H0: 1... p 0

8 W dużych próbach rozkład statystyki będzie dążył do rozkładu F-Snedecora o N-p i p stopniach swobody

9 Przykład xi: reg wydg dochg i.klm Source SS df MS Number of obs = F( 6, 31698) = Model.3693e e+09 Prob > F = Residual 3.478e R-squared = Adj R-squared = Total e Root MSE = wydg Coef. Std. Err. t P> t [95% Conf. Interval] dochg _Iklm_ _Iklm_ _Iklm_ _Iklm_ _Iklm_ _cons

10 Ramsey RESET test using powers of the fitted values of wydg Ho: model has no omitted variables F(3, 31695) = Prob > F =

11 Związek pomiędzy zmienną zależną a zmiennymi niezależnymi opisany jest równaniem: yi 1 xi 3x3 i K xki i i 1,,3 n

12 podważa interpretacje ekonomiczną modelu (interpretacja oszacowanych parametrów) Odrzucenie hipotezy zerowej o poprawności przyjętej formy funkcyjnej niemożliwe udowodnienie własności estymatora MNK (nieobciążoność czy efektywność estymatora MNK )

13 W jaki sposób można rozwiązać problemy zasygnalizowane przez wynik testu? Przebudowanie modelu aby uwzględniał nieliniowość relacji między zmiennymi (możliwe, że zmienne modelu powinny być poddane jakiejś transformacji logarytmowanie, potęgowanie, itp.) 13

14 - Test Jarque Berra (Test JB): H 0 : ~ N( 0, I) - składnik los. ma rozkład normalny H 1 : ~ N( 0, I) - składnik los. nie ma rozkładu normalnego

15 Sposób przeprowadzenia testu: 1. estymujemy model: i uzyskujemy reszty. liczymy współczynnik skośności i kurtozę dla rozkładu reszt: gdzie i i i y x / / N i i N i i e N e N 1 N i i e N

16 Sposób przeprowadzenia testu: 3. Porównujemy wielkość skośności i kurtozy uzyskanych z rozkładu reszt z oczekiwanymi wielkościami tych statystyk dla rozkładu normalnego : statystka testowa: 1 ( 3) D LM N[ ] 6 4

17 Przykład xi: reg wydg dochg i.klm Source SS df MS Number of obs = F( 6, 31698) = Model.3693e e+09 Prob > F = Residual 3.478e R-squared = Adj R-squared = Total e Root MSE = wydg Coef. Std. Err. t P> t [95% Conf. Interval] dochg _Iklm_ _Iklm_ _Iklm_ _Iklm_ _Iklm_ _cons

18

19 Skewness/Kurtosis tests for Normality joint Variable Obs Pr(Skewness) Pr(Kurtosis) chi() Prob>chi e 3.e

20 Niespełnione dodatkowe założenie o tym, że składnik losowy ma rozkład normalny

21 Jakie są skutki niespełnienia założenia KMRL Próba duża: rozkłady statystyk są bliskie standardowym rozkładom Mała próba: jest problemem, gdyż: To założenie jest niezbędne do wyprowadzenie rozkładów statystyk testowych oraz prawidłowego wnioskowania statystycznego. Estymator b uzyskany metoda MNK jest najlepszym estymatorem wśród liniowych i nieobciążonych estymatorów można znaleźć estymator nieliniowy i nieobciążony o wariancji mniejszej niż estymator b 1

22 - Test Chowa: Służy do weryfikacji czy parametry modelu będą takie same dla kilku różnych podpróbek H : m - parametry są takie same w podpróbkach H 1 : r s - parametry różnią się w podpróbkach

23

24

25 Związek pomiędzy zmienną zależną a zmiennymi niezależnymi opisany jest równaniem: y i 1 xi 3x3 i K xki i i 1,, 3 n

26 podważa interpretacje ekonomiczną modelu (interpretacja oszacowanych parametrów) Odrzucenie hipotezy zerowej o tym, że parametry są stabilne niemożliwe udowodnienie własności estymatora MNK (nieobciążoność czy efektywność estymatora MNK )

27 W jaki sposób można rozwiązać problemy zasygnalizowane przez wynik testu? Problem niestabilności parametrów można rozwiązać poprzez: wprowadzenie do modelu interakcji pomiędzy zmiennymi 0-1 związanymi z podziałem na grupy a odpowiednimi zmiennymi objaśniającymi (w przypadku gdy jedynie część parametrów jest różna dla analizowanych podprób) estymacje osobnych regresji na wyodrębnionych podpróbach 7

28 1. Testy diagnostyczne Testowanie normalności składników losowych: test Jarque-Berra Testowanie stabilności parametrów modelu: test Chowa. Heteroskedastyczność Testowanie heteroskedastyczności

29 Przypomnienie: Co to znaczy, że w modelu występuje homoskedastyczność/heteroskedastyczność? - heteroskedastyczność ) ( ), ( ), ( ), ( ) ( ), ( ), ( ), ( ) ( ) ( n n n n n n Var Cov Cov Cov Var Cov Cov Cov Var Var

30 Stałość wariancji zaburzeń nazywamy homoskedastycznością zaburzeń. Oznacza to, że zaburzenia losowe są jednakowo rozproszone wokół zerowej wartości oczekiwanej. Jeśli wariancje nie byłyby jednakowe, to sytuację taką nazywamy heteroskedastycznością. y Rys.1. Heteroskedastyczność x

31 Reszty Oznacza to, że zaburzenia losowe są jednakowo rozproszone wokół zerowej wartości oczekiwanej. Reszty 0 0 x x Homoskedastyczność: reszty zachowują się losowo. Heteroskedastyczność: Wariancja reszt zmienia się wraz ze zmianą zmiennej niezależnej X.

32 Regresja wydatków na dochodzie

33 Test Goldfelda-Quandta samodzielnie: Można go stosować do wykrywania zależności między wariancją błędu losowego a wielkością jednej zmiennej Jako jedyny z testów na heteroskedastyczność ma rozkład wyprowadzony dal małych prób

34 - Test Breuscha-Pagana (Test BP): H 0 : Var( ) i dla i 1,..., N H : Var( ) f ( z ) 1 i i 0 i gdzie f () z i - funkcja różniczkowalna - wektor zmiennych, może zawierać zmienne występujące w wektorze zmiennych objaśniających

35 Test Breuscha-Pagana (Test BP): - Hipoteza zerowa: homoskedastyczność - Hipoteza alternatywna: heteroskedastyczność Szczególnie przydatny, jeżeli wariancja błędu losowego zależy od kilku zmiennych

36 Test Breuscha-Pagana (Test BP) sposób przeprowadzenia testu: 1. przeprowadzamy regresję na i uzyskujemy y i x i ei. przeprowadzamy regresję pomocniczą: e i 0 zi ui i testujemy H0: 0

37 Statystyka testowa: 1 D LM ESS p gdzie: ESS wyjaśniona suma kwadratów w regresji pomocniczej p- ilość zmiennych zawartych w z

38 Inna statystyka testowa: D LM NR p gdzie: R - współczynnik determinacji z regresji pomocniczej

39 Szczególną postacią testu BP jest test White a zawiera wszystkie kwadraty i iloczyny krzyżowe zmiennych objaśniających z i Stosujemy gdy interesuje nas samo wykrycie heteroskedastyczności a mniej wykrycie zmiennych, od których zależy wariancja błędu losowego

40 Test Breuscha-Pagana i test White a są bardziej uniwersalne niż test Goldfelda-Quandta Jednak statystyki testowe dla testu Breuscha-Pagana i testu White a są znane tylko dla dużych prób

41 Homoskedastyczność składnika losowego wariancja błędu losowego jest stała dla wszystkich obserwacji: var( ) dla i 1,,..., N i

42 Przykład xi: reg wydg dochg i.klm Source SS df MS Number of obs = F( 6, 31698) = Model.3693e e+09 Prob > F = Residual 3.478e R-squared = Adj R-squared = Total e Root MSE = wydg Coef. Std. Err. t P> t [95% Conf. Interval] dochg _Iklm_ _Iklm_ _Iklm_ _Iklm_ _Iklm_ _cons

43 Przykład Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of wydg chi(1) = Prob > chi = White's test for Ho: homoskedasticity against Ha: unrestricted heteroskedasticity chi(1) = Prob > chi =

44 1. Do czego służą testy diagnostyczne?. Za pomocą jakiego testu testujemy prawidłowość formy funkcyjnej? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna w tym teście? 3. Za pomocą jakiego testu weryfikowana jest normalność składnika losowego? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna w tym teście? Jakie są konsekwencje dla własności MNK, jeśli H0 jest fałszywe? 4. Za pomocą jakiego testu testowana jest stabilność parametrów? Jakiemu założeniu KMRL odpowiada H0 w tym teście? Jaka jest hipoteza alternatywna w tym teście?

45 5. Za pomocą jakich testów można testować heteroskedastyczność? Jakiemu założeniu KMRL odpowiada H0 w tych testach? Jakie są hipotezy alternatywne w tych testach?

46 Dziękuję za uwagę 46