Documente Academic
Documente Profesional
Documente Cultură
1) Efectul eteroscedasticităţii.
Una dintre ipotezele care se referă la modelul regresiei liniare ţine de perturbaţia variabilei aleatore în fiecare
moment de timp. În cazul când aceste perturbaţii ui urmează o distribuţie independentă cu o dispersie variantă
constantă 2 , atunci spunem că variabila reziduală este omoscedastică (din greacă, unde semnificaţia înseamnă o
egală împrăştiere în raport cu valorile variabilei independente xi)).
Contrariul acestei ipoteze poartă numele de eteroscedasticitate, care se manifestă prin faptul că dispersia
valorilor ui este variabilă în raport cu observaţiile succesive.
Aşa dar modelul heteroscedastic se prezintă astfel:
y=X+u, E(ui)=0
Var(ui)=i2, ( i= 1,n )
( u 1 u 1 ) ( u 1 u 2 ) (u 1 u n ) 2u1 0 0
( u 2 u 1 ) ( u 2 u 2 ) ( u 2 u n ) 0 2u 2 0
u (uu )
T
( u u ) ( u u ) (u n u n ) 0 2u n
n 1 n 2 0
Observăm că variaţiile erorilor nu mai sunt constante pe prima diagonală a matricei de covarianţă. Aceasta
se întâmplă în deosibi când operăm cu date rezultate din observaţii efectuate asupra mai multor unităţi pentru
aceiaşi perioadă sau când observaţiile sunt reprezentate de valorile medii.
Fenomenul de eteroscedasticitate poate fi diminuat prin efectuarea de observaţii în diferite momente de timp
asupra unuia şi aceluiaşi obiect economic.
Însă o schimbare considerabilă a variabilei corectate în timp la fel poate duce la modificarea varianţiei
variabilelor reziduale.
Consecinţele eteroscedasticităţii sunt identice cu cele de autocorelare a erorilor, adică:
- estimatorul este nedeplasat ("SANS BIAIS")
- estimatorul MCMMP n-are mai mult o varianţă minimală.
66
Corectarea eteroscedasticitâţii
Deşi în anumite condiţii estimatorul MCMMP poate fi consistent, el nu este totuşi în general eficient. De
aceea o estimaţie eficientă a lui necesită luarea în consideraţie a matricei . Pentru aceasta se calculează
estimatorul MCMMPG (Generalizate), care este liniar nedeplasat de dispersie minimă:
Var ( ) 2 ( 1 ) 1
Nu există o metodologie unică de corecţie, însă se aplică diverse metode în funcţie
( 1 ) 1 1 y
de cauzele care au adus la eteroscedasticitate.
Regula generală consistă în determinarea unei transformări a datelor a variabilelor care să ducă în fine la un
model cu varianţe constante (homoscedastice).
De exemplu, se cere să estimăm modelul Yi =01Xiui pentru care cunoaştem numai relaţia între medii:
1
0
n1
Varianţa 0 1
u2
Var ( ui ) u n2
ni
1
ni
V 1 i i 2i şi V n
n2 n nx i
unde V 1 , de unde 1
i
ni xi ni xi n
i i i
ni
care ne permit obţinerea rezultatelor de care
avem nevoie.
n1
Se poate de notat V-1 =MMT, dar atunci M
n2
nk
şi
T
1 T
T
1
T
Aceleaşi rezultate se pot obţine şi aplicând regresia ponderată, adică prin multiplicarea vectorului de
observaţii a variabilei endogene Y şi a vectorului variabilei exogene cu matricea M. Aplicând apoi MCMMP
pentru datele transformate ajungem la aceleaşi rezultate.
67
Estimatorul nedeplasat pentru varianta erorilor are forma
( )
U U
u2
nk nk nk
ni
i
V 1 n 2
ni i i
V 1 V 1
i i 0 1
nk nk nk
2 V 1 1
u
t calc 0 1 2 2 cov V 1
0
1
t t
1 i
i
ˆi
Dacă t calc t tab atunci reţinem ipoteza că i, are o influenţă pozitivă.
ˆ nk
i
următor: I0: 1 i m (i=1,m) numărul de grupe de observaţii.
2 2 2
Algoritmul de calcul.
Pasul 1. Calculăm varianţa empirică pentru fiecare grupă.
m
(
j 1
ij i ) 2
i2
ni 1
Pasul 2. Calculăm varianţa totală
m
n i 1i2
v 2
i 1
2 i i
n m
n 1
v
i
i 1
m m
cu vi ni 1 si v vi ni 1
i 1 i 1
i 1
68
În acelaşi timp estimaţia poate fi ameliorată divizând Q la o constantă la scară C:
1 m 1 1 Q
C 1 , atunci Q 2 (m 1)
3(m 1) i 1 vi v C
Dacă Q>20,95 (m-1), atunci ipoteza I0 este respinsă, modelul este eteroscedastic.
n1
SSE1 yi y (1)
i
t 1
y
n1
2
SSE2 i yi( 2 )
n
i 1
4
Alcătuim raportul:
I u j 0 1 x j v j . cu eteroscedasticitate de tipul u2 k 2 x 2j
j
69
Alta forma : u j 0 1 x1j / 2 v j cu eteroscedasticitatea
de tipul u2j k 2 x j
3 forma este u j 0 1 x j 1 v j
u2 k 2 x j 2
j
Pasul 3. Ipoteza omoscedasticităţii este respinsă dacă coeficientul 1 din una din specificaţii este
semnificativ diferit de zero. Dacă toate 3 teste "t" Student calculate sunt superioare "t" teoretic tabelar atunci
heteroscedasticitatea este detectată.
Pasul 4. Corectarea eteroscedasticităţii.
Admitem că modelul este eteroscedastic. Cum vom corecta efectele?
Presupunem că am reţinut prima forma:
u2 k 2 x 2j
j
Având în vedere că testul Gleisjer a pus în evidenţă o relaţie de tipul u2 k 2 x 2j , pentru a înlătura
j
eteroscedasticitatea vom aplica regresia ponderată asupra datelor brute divizându-le la xj . Obţinem
2
j 0 xj uj uj
1 , unde 1 2 k2
xj xj xj xj xj X l2
uj
Studiul de caz
În tabelul 1 ce urmează au fost grupate valorile observate ce se referă la doi indicatori: costul mediu Y şi
outputul X a unei firme (tabelul 4.1)
Tabelul 1
Volumul producţiei lansate, Costul de producţie Yi ,lei
70
unităţi (Xi)
2 4,6 4,6 4,7 4,8 5,0 5,1
4 5,0 5,2 5,4 5,4 5,5 5,6
6 5,6 5,8 5,9 6,3 6,3 6,4
8 6,3 6,5 6,8 7,2 7,4 7,5
10 7,4 7,6 7,1 8,2 8,4 8,8
X 6 (2 4 6 8 10) 180,
X 6(4 16 36 64 100) 1320,
2
X
X 6,
30
x X 2 30( X ) 2 240,
2
Y 186,4,
Y 186,4 : 30 6,2133,
Y 1199,78,
y 1199,78 30(Y ) 41,6147,
2 2
XY 2(4,6 4,6 4,7 4,8 5,0 5,1) 10(7,4 7,6 7,1 8,2 8,4 8,8) 1212,4,
1
xy XY 30 ( X )( Y ) 94,
b1
xy
94
0,39167 ,
x 2
240
b0 6,2133 0,39167 6 3,8633 ,
Q y 2
41,6147 ,
Q1 b1 xy 0,39167 94 36 ,8167 ,
Q2 e 2
Q Q1 4,7980 ,
Q2
S2 0,17136 ,
30 2
S 0,17136 0,41395 ,
1
S b1 S 0,0267 ,
x 2
S b0 S
X 2
0,1772 ,
n x 2
Q1
R2 0,8847 , R 0,9406 .
Q
u2 2 xi2 , sau u2 X i2 ( 2 ) , adică atunci, când dispersia variabilei aleatoare de perturbaţie este
proporţională pătratului uneia din variabilele explicative (cauzele Xi).
ˆ (1)
Pentru primele 11 observaţii avem regresia Y ' 4,30 0,250 X cu
(0,1913 ) (0,062 )
11
S 2 SSE (Yi Yˆt (1) ) 2 e 2 Q2 0,380 si undeQ1 b1 xy 0,6818 ,
2
Q
R 2 0,642 1 .
Q
ˆ ( 2)
Pentru ultimele 11 observaţii Y ' 3,7333 0,4183 X Q2( 2) 2,8363, R 2 1 1 2 1
Q Q 2,8363
0,4023
(1,5544 ) (0,1700 ) Q Q 4,7454
3) În cazul homoscedasticităţii şi al distribuţiei normale a erorilor, raportul sumelor pătratelor reziduurilor pentru
1 (2)
Q
F 9 2 2,8363 7,46 F ( 0,05;9;9) 3,39
fiecare din cele două regresii trebuie să verifice repartiţia Fisher: 9 ,9 1
0,380
Q2(1)
9
Ipoteza heteroscidasticităţii este deci acceptabilă.
4) Deoarece Var (ui ) i Xi , fiind o constantă nenulă, se poate corecta efectul heteroscidasticităţii,
2 2
împărţind fiecare termen al regresiei prin Xi, apoi reestimând regresia cu ajutorul variabilelor transformate. În acest caz:
Yi b u 1 Y
(b 0 b 1 x i u i ) / X i b 1 0 i . Notăm X ;Y* Obţinem dependenţa liniară
Xi xi xi x X
ui 1 X2
Var( i ) Var( ) 2 Var(u i ) i2 S 2 .
Xi xi Xi
Estimările prin MCMMP, plecând de la variabilele transformate, vor fi deci nedeplasate, consistente şi eficiente. Vom
avea:
72
b1
x y
( X X )(Y Y ) 4,0622 ,
x 2
(X X )
2
Yˆ 1
b0 Y b1 X 0,3363 de undeYˆ 4,0622 X * 0,3537 4,0622 0,3537
X X
si deci :Yˆ 4,062 X 0,3537
(0,0895 ) (0,0242 ) (2).
4,062 0,3537
t b1 45,385; t b0 14,608,
0,0895 0,0242
Q 10,4177
R2 1 0,9866, R 0,9933,
Q 10,5594
unde Q y2 10,5594; Q1 10,4177,
Q2 uˆ 2 Q Q1 0,141626.
Caracteristicile (criteriile) arată, că modelul obţinut este mai bun decât cel iniţial: R2=0,9866 este mai mare
decât R2 =0,8847 (ce se referă la modelul iniţial). Erorile standard a coeficienţilor sunt mai mici pentru modelul
(2) faţă de modelul (1).
Respectiv sunt mai mari valorile testelor t şi F.
73