Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

Transkrypt

1 Stanisław Cichocki Natalia Nehrebecka Wykład 13 1

2 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte Zmienne nieistotne Obserwacje nietypowe i błędne Współliniowość

3 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte Zmienne nieistotne Obserwacje nietypowe i błędne Współliniowość

4 Przypomnienie: Co to znaczy, że w modelu występuje autokorelacja? -Brak autokorelacji ) ( ), ( ), ( ), ( ) ( ), ( ), ( ), ( ) ( ) ( n n n n n Var Cov Cov Cov Var Cov Cov Cov Var Var

5 Przypadek zerowych kowariancji dla różnych zaburzeń losowych oraz nazywamy brakiem autokorelacji zaburzeń. Oznacza to, że zaburzenia losowe dla różnych obserwacji są niezależne, a przez to nieskorelowane, a więc nie mają tendencji do gromadzenia się np. wokół dodatnich lub ujemnych (lub naprzemiennie dodatnich i ujemnych) wartości y i j Rys. 2. Autokorelacja x

6 - Test Durbina-Watsona (Test DW): H : Cov(, ) 0 0 t t1 - brak autokorelacji H : Cov(, ) 0 1 t t1 - autokorelacja gdzie t 1,..., T

7 - Test Durbina-Watsona (Test DW): - specjalne tablice z wartościami krytycznymi: d, d l u 1. Statystyka DW<2 a) DW < - odrzucamy hipotezę zerową o braku autokorelacji i przyjmujemy hipotezę o dodatniej autokorelacji d d l b) < DW < - brak konkluzji l d u c) DW > d u - nie ma podstaw do odrzucenia hipotezy zerowej o braku autokorelacji

8 - Test Durbina-Watsona (Test DW): 2. Statystyka DW >2 4 dl a) DW > - odrzucamy hipotezę zerową o braku autokorelacji i przyjmujemy hipotezę o ujemnej autokorelacji 4 du 4 dl b) < DW < - brak konkluzji 4 du c) DW < - nie ma podstaw do odrzucenia hipotezy zerowej o braku autokorelacji

9

10 Test Durbina-Watsona (Test BW): t, t - Do badania autokorelacji I rzędu (między ) - Rozkład statystki testowej wyprowadzony dla małych prób 1 - Nie można go stosować w modelach gdzie jedną ze zmiennych objaśniających jest opóźniona zmienna zależna - Wada: niestandardowy rozkład i możliwość wystąpienia braku konkluzji

11 Test Breuscha-Godfreya (Test BG): - Do badania autokorelacji wyższego rzędu - Można go stosować w modelach gdzie występują opóźnione zmienne zależne

12 - Test Breuscha-Godfreya (Test BG): H : Cov( ) 0 0 t, ti gdzie i 1,..., s H :... u 1 t 1 t1 s ts t gdzie 2 Var( u) u I - Hipoteza zerowa: brak autokorelacji - Hipoteza alternatywna: autokorelacja

13 Test Breuscha-Godfreya (Test BG) sposób przeprowadzenia testu: y 1. przeprowadzamy regresję na i uzyskujemy reszty 2. przeprowadzamy regresję pomocniczą: i x i t t 1 t 1... s ts t e x e e u i testujemy H0: 1... s 0

14 Statystyka testowa: D 2 2 LM TR p lub statystyka F

15 Brak autokorelacji błędu losowego kowariancja dwóch różnych błędów losowych jest zerowa: cov(, ) 0 dla i j i j

16 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte Zmienne nieistotne Obserwacje nietypowe i błędne Współliniowość

17 Cov(, ) E( ) 0 dla i j - dodatnia autokorelacja i j i j Cov(, ) E( ) 0 dla i j - ujemna autokorelacja i j i j

18 Jeżeli założenie o homoskedastyczności i autokorelacji jest spełnione to błędy losowe są sferyczne Jeżeli, któreś z tych założeń nie jest spełnione to błędy losowe są niesferyczne a macierz wariancji i kowariancji ma postać dowolnej macierzy symetrycznej i dodatnio półokreślonej: Var( ) 2 V

19 - Estymator b jest nadal nieobciążony: 1 E( b) E ( X ' X ) X ' y E X X X X X X X 1 1 ( ' ) ' ( ' ) ' 1 ( X ' X ) X ' E( ) - Nie będzie on jednak efektywny można znaleźć estymator o mniejszej wariancji

20 - Macierz wariancji i kowariancji b: Var( b) E ( X ' X ) X ' ' X ( X ' X ) 1 1 ( X ' X ) X ' X ( X ' X ) 1 1 ( X ' X ) X ' VX ( X ' X ) Wzór ten różni się znacznie od prawidłowego wzoru na wariancję MNK: Var( b) ( X ' X ) 2 1

21 - W rezultacie estymator macierzy wariancji i kowariancji b, którym posługiwaliśmy się do tej pory, nie będzie dobrym oszacowaniem macierzy wariancji i kowariancji b

22 1. Testowanie autokorelacji 2. Heteroskedastyczność i autokorelacja Konsekwencje heteroskedastyczności i autokorelacji 3.Problemy z danymi Zmienne pominięte Zmienne nieistotne Obserwacje nietypowe i błędne Współliniowość

23 - Mamy 2 modele: y X u 1 1 (1) y X X (2) - Potencjalnie każdy z tych modeli może prawidłowo opisywać zmienną y problemy gdy przy liczeniu estymatorów zastosujemy niewłaściwy model - Załóżmy, ze estymujemy model (1) a prawdziwy jest model (2)

24 2 0 - Zakładamy, że gdy w rzeczywistości Przypadek ten nazywamy problemem zmiennych pominiętych (ommitted variables)

25 ˆ - - estymator MNK wektora parametrów w modelu (1) 1 - Załóżmy, że prawdziwy jest model (2) ˆ ( X X ) X y ( X X ) X ( X X ) ' 1 ' ' 1 ' ( X X ) X X ( X X ) X ' 1 ' ' 1 '

26 - E( ˆ ) ( X X ) X X ( X X ) X E( ) ' 1 ' ' 1 ' ( 1 ) ( X X ) X X ' 1 ' Jeśli więc pominiemy istotne zmienne estymator nie jest estymatorem nieobciążonym - Obciążenie: E( ˆ ) ( X X ) X X ' 1 '

27 - Dwa przypadki, dla których pominięcie zmiennej nie powoduje obciążenia estymatora a) 2 0 XX ' b) - zmienne pominięte nie są skorelowane ze zmiennymi objaśniającymi, które zostały uwzględnione w modelu

28 - Pominięcie istotnych zmiennych jest prawdopodobnie najczęstszym powodem błędów w oszacowaniach - W praktyce nigdy nie dysponujemy danymi odnośnie wszystkich zmiennych mogących wpływać na zmienną zależną - W takim przypadku warto umieć określić kierunek ewentualnego obciążenia (trudne w ogólnym przypadku)

29 - Kierunek obciążenia dla najprostszego przypadku (model ze stałą i jedną zmienną objaśniającą, pominięta jedna dodatkowa zmienna objaśniająca): gdzie: E ( ˆ ) ( xx 1 2 s s x x 1 s, s - wariancja empiryczna x, x x 1 2 xx 1 2 x wsp. korelacji miedzy x a x 1 2

30 - Kierunek obciążenia dla najprostszego przypadku (model ze stałą i jedną zmienną objaśniającą, pominięta jedna dodatkowa zmienna objaśniająca): Przypadek Wpływ zmiennej pominiętej na zmienną zależną (β₂) Korelacja między zmienną pominiętą a zmienną niezależną (ρ) Znak obciążenia I (przeszacowanie) II III (niedoszacowanie) IV - + -

31 - Przykład: Dla pewnej badanej grupy osób przeprowadzono regresję logarytmu wynagrodzenia na latach nauki (zmienna latanauki). Jaki będzie prawdopodobny kierunek obciążenia parametru przy zmiennej latanauki wynikający z pominięcia: a) wielkości miejscowości, w której zamieszkuje badana osoba; b) liczby dzieci badanej osoby?

32 - Obciążenie może prowadzić do: a) Uznania za zmienną istotną zmiennej, która nie ma żadnego wpływu na zmienna zależną najgorszy przypadek b) Przeszacowania/niedoszacowania wpływu zmiennej objaśniającej na zmienna objaśnianą

33 Przykład reg wydg dochg Source SS df MS Number of obs = F( 1, 31677) = Model e e+10 Prob > F = Residual e R-squared = Adj R-squared = Total e Root MSE = wydg Coef. Std. Err. t P> t [95% Conf. Interval] dochg _cons

34 Przykład reg wydg dochg los Source SS df MS Number of obs = F( 2, 31676) = Model e e+10 Prob > F = Residual e R-squared = Adj R-squared = Total e Root MSE = wydg Coef. Std. Err. t P> t [95% Conf. Interval] dochg los _cons

35 - Mamy 2 modele: y X u 1 1 (1) y X X (2) - Załóżmy, ze estymujemy model (2) a prawdziwy jest model (1) Zakładamy, że gdy w rzeczywistości Przypadek ten nazywamy problemem zmiennych nieistotnych

36 1 - Estymator - nieobciążony, ale będzie miał większą wariancję niż estymator uzyskany na podstawie modelu (1) - Inaczej mówiąc, w modelu w którym występują zmienne nieistotne estymator MNK ma wyższą wariancję niż w modelu, z którego usunięto zmienne nieistotne

37 - Usuwamy z modelu zmienne nieistotne bo: a) Poprawia to precyzję oszacowań parametrów przy zmiennych istotnych (estymator MNK ma mniejszą wariancję) b) Uzyskujemy uproszczenie modelu

38 Obserwacja nietypowa charakteryzuje się nietypowymi na tle pozostałych obserwacji cechami Mechanizm, który w przypadku tej zmiennej generuje zmienną zależną jest mechanizmem opisywanym przez model Obserwacja błędna jest obserwacją, której powstania nie da się wytłumaczyć w ramach teoretycznego modelu ekonomicznego stanowiącego podstawę estymowanego modelu Obserwacje błędne często pojawiają się w wyniku pomyłek przy wpisywaniu obserwacji do bazy danych

39 Niekiedy jednak obserwacje błędne są rzeczywistymi obserwacjami, związanymi z pewnymi nietypowymi zdarzeniami, które nie mogą być wyjaśnione za pomocą naszego modelu Przykład: Estymujemy krzywą popytu na żywność dla różnych państw na świecie. W próbie występują państwa, w których obowiązuje reglamentacja żywności. Obserwacje takie traktujemy jako obserwacje błędne teoria opisująca krzywą popytu nie znajduje zastosowania w momencie nierynkowego podziału dóbr.

40 Wpływ obserwacji nietypowej/błędnej na wynik regresji zależy od tego na ile ta obserwacja pasuje do prostej regresji Najbardziej niepokojąca jest sytuacja gdy obserwacja ma nietypowe wartości dla zmiennych niezależnych i słabo pasuje do prostej regresji

41

42

43 Na podstawie samego modelu nie da się ustalić, które obserwacje są błędne fakt, że obserwacja nie pasuje do modelu nie może być powodem do jej usunięcia tak postępując zawsze udawałoby się nam uzyskać dobrze dopasowany model (usuwając obserwacje, które nie pasują do modelu) Część obserwacji możemy uznać za błędne na podstawie teorii np. zmienna wiek przyjmuje dla pewnych obserwacji wartości ujemne wiemy, że wiek musi przyjmować wartości dodatnie więc obserwacja błędna

44 Przykład: Badamy wynagrodzenia dla próby osób przebadanych w 2007 przez CASE pod kątem wykonywania pracy nierejestrowanej. sum wynagrodzenia Variable Obs Mean Std. Dev. Min Max zarobki count if wynagrodzenia==

45 Uwzględnienie obserwacji nietypowej pozytywnie wpływa na: a) precyzję oszacowań b) dopasowanie modelu Uwzględnienie obserwacji błędnej negatywnie wpływa na: a) precyzję oszacowań b) dopasowanie modelu

46 Przykład: Porównujemy rentownośc dwóch kontraktów: A i B. Dysponujemy 10 obserwacjami dotyczącymi stóp zwrotu (IRR internal rate of return) dla tych dwóch kontraktów kontrakt stopa zwrotu A B

47 Regresja z pominięciem jednej obserwacji:

48 Regresja ze wszystkimi obserwacjami:

49 Statystki służące do wykrycia obserwacji nietypowych, słabo pasujących do prostej regresji, silnie wpływających na wynik regresji: a) dźwignia b) standaryzowane reszty c) odległość Cooka a

50 Dźwignia używana do stwierdzenie czy wektor zmiennych niezależnych xi dla obserwacji i jest nietypowy na tle pozostałych x : ' ( ' ) 1 ' ' ( ) i i i i X i X ii h X X X X P P 1 x ( X ' X ) x' i i gdzie: i [0,...,0, 1, 0,...,0]' P X( X ' X) X ' X 1

51 - Dla każdego modelu: 0 1 h i - Dla modelu ze stałą: 1 N h i 1

52 - Nieformalna reguła mówi, ze obserwacje można traktować jako nietypową gdy: h i 2K N -To, że obserwacja jest nietypowa nie oznacza, że nie pasuje do modelu - Aby się o tym przekonać musimy przyjrzeć się standaryzowanym resztom

53 Standaryzowane reszty: Przypomnienie: e M x Wobec tego: Var( e) Var( M ) M ( I ) M M 2 2 x x x x

54 Standaryzowane reszty: 2 i i i x i Var( e ) Var( ' e) ' M 2 X X 1 X i i i i [ ' ' ( ' ) ' ] 2 P 2 h i X i i (1 ' ) (1 )

55 Standaryzowane reszty: Jeśli N 2 (0, I) to: e i N(0,1) Ponieważ jest nieznane stosujemy estymator s: e i 1 h i e i ei ~ tnk s 1 h i

56 Dla nietypowej obserwacji: e i 2 Jednak (jeżeli błąd losowy ma rozkład normalny), to statystycznie dla ok. 5% obserwacji: e i 2 Niepokojące jest nie tyle fakt występowania dużych reszt, ile raczej występowanie dużych wartości reszt dla obserwacji nietypowych (o dużych dźwigniach)

57

58

59 Odległość Cook a na wynik regresji: mierzy wpływ pojedynczej obserwacji CD i 2 ( yy( i) )'( yy( i) ) ei hi 2 Ks K 1 h i y gdzie: X b () i ( i) ( i) y X b () i - wartości dopasowne powstałe po usunięciu z próby i tej obserwacji

60 Odległość Cook a: Najbardziej wpływowe są obserwacje, która maja równocześnie duże 2 i e i h i Nieformalna zasada mówi, ze powinniśmy uważnie przyjrzeć się obserwacjom, dla których: CDi 4 N

61 numer dochg wydg reszty_st dzwignia cook_d~t h i 2K 2*2 0,00012 N CD i 4 4 0,00012 N 31679

62 numer dochg wydg cook_d~t reszty_st dzwignia

63 Dziękuję za uwagę 63