Documente Academic
Documente Profesional
Documente Cultură
Multimedia Curs
Multimedia Curs
2015
2
H 0 : a1 = a 2 = 0 (există homoscedasticitate)
H 1 : (∃) a i ≠ 0, i = 1,2 (există heteroscedasticitate)
Dacă valoarea calculată a statisticii W, adică Wcalculat = nRa2 > χ critic
2
;α , sau dacă probabilitatea este
mai mică decât nivelul de semnificaŃie ales, respingem H 0 şi acceptăm H 1 ⇒ erorile aleatoare sunt
heteroscedastice.
Deoarece p-value < α respingem H0 şi acceptăm H1, există heteroscedasticitatea erorilor aleatoare.
2) Testul Park
Estimăm modelul iniŃial de regresie prin MCMMP şi reŃinem reziduurile ei . Estimăm modelul de
regresie: ln ei2 = β 0 + β 1 ln(Venit ) + u i .
H0: există homoscedasticitate
H1: există heteroscedasticitate
“series eipatrat=reziduuri*reziduuri”
Make EQ02: log(eipatrat) log(Venit) C
3
ScrieŃi ecuaŃia de regresie estimată.....
∧
ln ei2 = -3,9916 + 1,4555 * ln(Venit) R 2 = 0,7371
se = (1,5621) (0.1774)
t = (-2,555) (8,2133)
Coeficientul pantă estimat este semnificativ statistic (t Stat = 8,2033 şi p-value=0,000). Respingem
H0 care constă în ??...
3) Testul Glejser
După obŃinerea reziduurilor din modelul original, Glejser a sugerat regresarea valorii absolute a lui ei
în raport cu variabila X (Venit), care este privită ca fiind asociată cu varianŃa heteroscedastică σ i2 .
| ei |= β 0 + β1 xi + u i
H0: β 1 = 0 (există homoscedasticitate)
H0: β 1 ≠ 0 (există heteroscedasticitate)
“series eimodul=abs(reziduuri)”
Make EQ05: eimodul vanzari c
∧
| ei | = 36,625 + 0, 008146* Venit R 2 = 0,614259
t =(1,5575) (6,182058)
4
| ei |= β 0 + β 1 x i + u i
Make EQ06: eimodul sqr(Venit) c
∧
| ei | = -72,8306 + 2, 185517 * Venit R 2 = 0,6591
t =(-2,1292) (6,812615)
Modelele din eq05 şi din eq06 sugerează să respingem H0, deoarece coeficienŃii pantă sunt
semnificativi statistic.
5
Corectarea heteroscedasticităŃii erorilor aleatoare
I) MCMMP-Ponderată
Cazul: VarianŃele perturbaŃiilor sunt necunoscute: σ i2 = necunoscut
a) σ i2 = σ 2 x i2 (VarianŃa erorilor este proporŃională cu pătratul unei variabile explicative)
yi 1 ε
= β0 + β1 + i
xi xi xi
6
Comparăm eq07 cu eq01. Variabilele dependente sunt diferite.
Dacă în eq07 înmulŃim prin xi , eq07 va fi transformată în
yˆ i = −21,196 + 0,0432 * xi .
Se pare că presupunerea σ i2 = σ 2 x i este mai potrivită pentru exemplul CD-Venit.
II) Respecificarea modelului
Transformarea logaritmică este folosită în mod frecvent pentru a elimina heteroscedasticitatea,
deoarece reduce dispersia variabilelor iniŃiale.
Se estimează prin MCMMP modelul
ln y i = β 0 + β 1 ln xi + ε i
în locul modelului y i = β 0 + β1 xi + ε i .
Un avantaj al modelului log-liniar sau dublu logaritmic, este că panta măsoară elasticitatea lui Y în
raport cu X, adică modificarea procentuală în Y, pentru o modificare procentuală în X.
7
III) White a obŃinut un estimator consistent care oferă estimări robuste, corecte, ale erorilor standard
ale parametrilor modelului liniar de regresie în prezenŃa heteroscedasticităŃii sub formă necunoscută.
Eviews oferă opŃiunea de a utiliza estimatorul White pentru erorile standard robuste.
În output apare:
“White heteroskedasticity-consistent standard errors & covariance”