Krok 1 - E-SGH
Transkrypt
Krok 1 - E-SGH
Ekonometria WYKŁAD 3 Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych Plan Czym się zajmiemy: 1. Testy postaci funkcyjnej, stabilności i kompletności modelu 2. Testy założeń odnośnie do rozkładu składnika losowego: autokorelacja, normalność rozkładu, heteroskedastyczność Uogólniony test Walda dla restrykcji liniowych ►Test Walda łącznej istotności parametrów jest szczególnym przypadkiem ogólniejszego testu, gdzie weryfikacji poddawany jest zestaw hipotez ►Przy prawdziwości hipotezy zerowej statystyka ma rozkład F-Snedecora przy liczbie stopni swobody q i T-(k+1), gdzie q liczba nałożonych restrykcji, e i v to wektory reszt dla modeli, odpowiednio, bez i z resrykcjami Uogólniony test Walda dla restrykcji liniowych - przykład ►Testowany jest zestaw hipotez postaci: ►Ujmując to inaczej jest to test porównujący jakość dopasowania do danych dwóch modeli: ►Zestaw restrykcji w formule macierzowej dla 3 zmiennych : Test postaci funkcyjnej Ramsey’a (RESET) ►Przedmiotem testu jest standardowa postać funkcyjna modelu liniowego z wieloma zmiennymi ►Procedura testowa: ►Krok 1: estymujemy model MNK ►Krok 2: wyznaczamy wartości teoretyczne zmiennej objaśnianej ►Krok 3: estymujemy model postaci ►Krok 4: testujemy zestaw hipotez za pomocą statystyki Test pominiętych zmiennych ►Test weryfikuje zasadność usunięcia z modelu wybranej zmiennej lub zmiennych np. dwóch ostatnich zmiennych w modelu postaci ►Test bazuje więc na porównaniu stopnia dopasowania powyższego modelu i modelu ►Testujemy zestaw hipotez za pomocą statystyki Test Davidsona - McKinnona ►Test pozwala zweryfikować pod kątem kompletności informacji dwa modele niezagnieżdżone postaci ►Procedura testowa porównania kompletności (1) względem (2): ►Krok 1: estymujemy model (2) ►Krok 2: estymujemy model (1) poszerzony o wartości teoretyczne z modelu (2) postaci: ►Krok 3: Testem t-Studenta testujemy istotność oszacowania parametru przy teoretycznych wartościach z modelu (2); jeśli parametr jest nieistotny to informacje zawarte w modelu (2) nie polepszają stopnia objaśnienia zmiennej y. Test Chowa stabilności oszacowań parametrów ►Test pozwala stwierdzić, czy oszacowania parametrów strukturalnych otrzymane na podstawie całej próby są stabilne w czasie. ►Procedura testowa: ►Krok 1: dzielimy próbę t na dwa podokresy (1.. T1, T1+1…t) ►Krok 2: estymujemy model podstawowy dla całej próby oraz dwa modele dla dwóch podokresów. ►Krok 3: testujemy zestaw hipotez ►Krok 4: Przy prawdziwości hipotezy zerowej poniższa statystyka ma rozkład F Test Jarque – Bery normalności rozkładu składnika losowego ►Test bada, czy założenie o normalności rozkładu składnika losowego przyjmowane przy estymacji MNK, jest spełnione, stąd zestaw stosowanych hipotez to: ►Test polega na badaniu skośności : i kurtozy: ►Jeśli skośność jest różna od 0, to rozkład nie jest symetryczny, a dla kurtozy większej od 3 rozkład wykazuje leptokurtozę (grube ogony, czyli częstsze, niż w rozkładzie normalnym występowanie obserwacji nietypowych ►Przy prawdziwości hipotezy zerowej statystyka testowa (poniżej) ma rozkład Chi-kwadrat o 2 stopniach swobody Co to jest autokorelacja składnika losowego (1) ►Składniki losowe z różnych okresów nie są niezależne, lecz wykazują się niezerową korelacją tzn. składnik losowy ut z okresu t jest skorelowany ze składnikami losowymi ut -1 ut-2 … oraz ut+1 ut+2… ►Korelacja między ut a ut-k nazywa się autokorelacją rzędu k i określa ją współczynnik autokorelacji postaci: Co to jest autokorelacja składnika losowego (2) ►Autokorelacja I rzędu, czyli proces AR(1) (przy czym e nie podlegają autokorelacji, mają stałą wariancję i zerową wartość oczekiwaną) ► Autokorelacja II rzędu, czyli proces AR(2) ►Autokorelacja wyższych rzędów - analogicznie Konsekwencje autokorelacji składnika losowego (1) ►Dla standardowego modelu postaci ► …macierz wariancji i kowariancji estymatora MNK przy założeniu… ► ma postać…. Konsekwencje autokorelacji składnika losowego (2) ►W przypadku występowania autokorelacji składnika losowego założenie … ► .. nie jest prawdziwe, gdyż … ► … zaś macierz wariancji i kowariancji estymatora MNK ma postać… Konsekwencje autokorelacji składnika losowego (3) ►W szczególności macierz może mieć postać… … co zachodzi, gdy korelacja między składnikami losowymi ze wszystkich okresów jest taka sama (zależność czysto teoretyczna, niewystępująca raczej w praktyce) Konsekwencje autokorelacji składnika losowego (4) ►Oznacza to, że : ► estymator MNK pozostaje estymatorem nieobciążonym, bo nadal zachodzi… ►estymator MNK przestaje być najefektywniejszy ►estymator wariancji składnika losowego jest obciążony, przy czym kierunek obciążenia zależy od kierunku autokorelacji; ►to oznacza, że (zwykle) niedoszacowane są średnie błędy estymatorów parametrów (przeszacowane statystyki t ) oraz przeszacowany jest współczynnik determinacji Przyczyny występowania autokorelacji (1) 1. Błędna struktura funkcyjna modelu np. • Brak uwzględnienia zjawiska sezonowości • Błędna postać założonej relacji między zmienną objaśnianą i zmiennymi objaśniającymi Przyczyny występowania autokorelacji (2) 2. Nieodpowiednia struktura dynamiczna modelu tzn. w modelu nie została uwzględniona (a powinna) opóźniona zmienna objaśniana jako zmienna objaśniająca lub opóźniona zmienna objaśniająca np. model… … można zapisać jako… … co jest równoważne… … przy założeniu, że Przyczyny występowania autokorelacji (3) 3. Pominięcie w specyfikacji istotnej zmiennej (przykład na laboratoriach) 4. Przekształcenia jakim poddawane są dane (interpolacja, wygładzanie, agregacja itp.) Testowanie autokorelacji (1) ►Test Durbina - Watsona ► Test ten bazuje na estymacji współczynnika autokorelacji I rzędu, gdyż jest równoważny… ► … a to wyrażenie jest równe w przybliżeniu (dla dużych prób)… Testowanie autokorelacji (2) ► Interpretacja wyników testu: ►0<d < dL: odrzucamy hipotezę zerową o braku atuokorelacji na rzecz hipotezy o autokorelacji dodatniej ►dL<d<dU: obszar niekonkluzywności ►dU<d<4-dU: brak podstaw do odrzucenia hipotezy zerowej o braku autokorelacji ►4-dU<d<4-dL: obszar niekonkluzywności ► 4- dU <d < 4: odrzucamy hipotezę zerową o braku atuokorelacji na rzecz hipotezy o autokorelacji ujemnej Testowanie autokorelacji (3) ►Uwaga 1: Podane przybliżenie jest prawdziwe dla dużych prób, bo dla współczynnika autokorelacji I rzędu równego 0 wartość oczekiwana d wynosi ► Uwaga 2: Test DW można stosować ►do badania autokorelacji I rzędu ►gdy w modelu występuje wyraz wolny ►gdy w modelu nie występuje opóźniona zmienna objaśniana jako zmienna objaśniająca Testowanie autokorelacji (4) ►W przypadku testowania autokorelacji wyższych rzędów można stosować test Breuscha-Godfreya oparty na zasadzie mnożników Lagrange’a. ►Dla równania postaci…. … gdzie składnik losowy jest opisany procesem… … testujemy hipotezę postaci… Testowanie autokorelacji (5) ►Postępowanie składa się z trzech kroków: ►I: szacujemy model dla zmiennej objaśniającej bez zakładania postaci procesu dla składnika losowego ►II: na podstawie otrzymanych reszt szacujemy równanie… ►III : obliczamy standardową statystykę F i weryfikujemy hipotezę zerową postaci … korzystając z tego, że przy jej prawdziwości statystyka p*F ma rozkład z p stopniami swobody Testowanie autokorelacji (6) ►Przykład: dla danych kwartalnych możemy testować występowanie autokorelacji 4 rzędu postaci: ►W tym celu po oszacowaniu równania wyjściowego szacujemy równanie dla reszt postaci …i weryfikujemy hipotezę zerową postaci Testowanie autokorelacji (7) ►Uwaga 1: Test LM jest testem dla dużych prób (n>30). Należy pamiętać, że każde dodatkowe opóźnienia zmniejsza liczebność próby w równaniu reszt, a więc i precyzję testu ►Uwaga 2: W teście LM nie jest ważna postać procesu generującego składnik losowy, lecz maksymalny rząd opóźnienia. Dla każdego z poniższych przypadków… …weryfikujemy tę samą hipotezę zerową postaci ►Uwaga 3: Alternatywna postać równania testującego opiera się na koncepcji testu dodanych zmiennych Postępowanie w przypadku autokorelacji (1) ►Sprawdzenie, czy w modelu nie pominięto istotnej zmiennej (test dodanej zmiennej) ►Sprawdzenie, czy model ma poprawną postać funkcyjną i stabilne w czasie oszacowania parametrów (test RESET, test Chowa) ►Sprawdzenie, czy model ma poprawnie wyspecyfikowaną strukturę dynamiczną np. dla modelu postaci …zweryfikować hipotezę za pomocą testu Walda, ilorazu wiarygodności lub LM Postępowanie w przypadku autokorelacji (2) ►Sprawdzenie, czy w modelu nie występuje trend deterministyczny postaci np. ..lub trend stochastyczny postaci… ►Zastosowanie błędów standardowych odpornych na autokorelację i heteroskedastyczność ►Zastosownie metod estymacji uwzględniających autokorelację opartych na Uogólnionej Metodzie Najmniejszych Kwadratów (np. metoda Cochrane’a – Orcutta) Heteroskedastyczność składnika losowego ►Heteroskedastyczność jest naruszeniem kolejnego założenia MNK tzn. stałości wariancji składnika losowego między okresami (w przypadku szeregu czasowego) lub jednostkami (w przypadku danych przekrojowych) ►Oznacza to, że macierz wariancji i kowariancji składnika losowego może mieć postać np. jeśli wariancja przyjmuje dwie różne wartości dla dwóch podprób Standardowa postać wykresu reszt z heteroskedastycznością Konsekwencje heteroskedastyczności składnika losowego ►Podobnie jak w przypadku autokorelacji tzn. ► estymator MNK pozostaje estymatorem nieobciążonym, bo nadal zachodzi… ►estymator MNK przestaje być najefektywniejszy ►estymator wariancji składnika losowego jest obciążony, co oznacza, że (zwykle) niedoszacowane są średnie błędy estymatorów parametrów (przeszacowane statystyki t ) oraz przeszacowany jest współczynnik determinacji Testowanie heteroskedastyczności – test White’a ►Testowany jest następujący zestaw hipotez: ►Procedura testowa: ►Krok 1: estymujemy model MNK ►Krok 2: estymujemy model pomocniczy postaci (dla dwóch zmiennych objaśniających): ►Krok 3: testujemy zestaw hipotez ►Przy prawdziwości hipotezy zerowej (homoskedastyczność) statystyk testowa postaci T*R^2 ma rozkład Chi-kwadrat z liczbą stopni swobody równą liczbie restrykcji w hipotezie Skorygowane błędy standardowe w przypadku autokorelacji i heteroskedastyczności ►Postać ogólna macierzy kowariancji składnika losowego ►Postać ogólna macierzy kowariancji estymatora: ►Postać macierzy kowariancji dla estymatora FGLS (feasible generalized least squares) lub EGLS (od estimated): Heteroscedasticity- consistent standard errors (błędy White’a lub błędy HC) ►Na podstawie macierz kowariancji można zapisać też jako: ►White (1980) pokazał, że do estymacji tej macierzy potrzebny jest jedynie zgodny estymator macierzy Heteroscedasticity- consistent standard errors (błędy White’a lub błędy HC) ►Przy dość ogólnych założeniach zgodnym estymatorem powyższej macierzy jest co pozwala na estymację „prawdziwej” macierzy kowariancji estymatora OLS ►Na tej postawie można wyznaczyć zgodne błędy szacunku Heteroscedasticity-and-autocorellation- consistent standard errors (błędy HAC lub błędy Neweya-Westa) ►Podejście HA jest szczególnym przypadkiem estymacji błędów HAC postaci: gdzie ►Dla w(j)=0 otrzymujemy błędy HA. Przy autokorelacji najczęściej stosuje się wagi Bartletta postaci ►Intuicyjnie oddają one fakt, że zazwyczaj autokorelacja maleje wraz z rzędem opóźnienia j. Dziękuję za uwagę