Documente Academic
Documente Profesional
Documente Cultură
(1) omiterea din model a unor variabile explicative cu influență semnificativă asupra
variabilei endogene;
(2) ignorarea prezenței unor relații nelineare între variabile;
(3) imposibilitatea evitării unor erori de măsurare.
Modelul:
Yt = a0 + a1X1t + a2X2t + … + akXkt + et, t = 1, …, n
et = ρet-1 + εt
Procedura testului:
1. Se estimează modelul prin metoda celor mai mici pătrate şi se calculează estimatorii
n
ut pentru erorile et.
(ut − u t−1 )2
t
t=1
u2
Obs.
dw ≅ 2(1 – ρ̂),
unde ρ̂ este coeficientul de (auto)corelație lineară a reziduurilor.
n n n n−1 n
(u − u t t −1
2
) (u 2
t +u2
t −1 − 2utut−1 ) u + u2
t
2
t − 2utut −1
dw = t =2
n
= t =2
n
= t =2 t =1
n
t =2
u
t =1
2
t u
t =1
2
t u t =1
2
t
n n n
2u − 2utut−12
t u u t t −1
t =1
n
t =2
= 2 − 2 t=2 n = 2 (1 − ˆ )
u
t =1
2
t u t =1
2
t
Obs.
dw ≅ 2(1 – ρ̂),
unde ρ̂ este coeficientul de (auto)corelație lineară a reziduurilor.
u u t t −1
−1 → autocorelare negativă a reziduurilor 2 (1 − (−1) ) = 4
ˆ = t =2
n
= 0 → reziduurile sunt independente → 2(1 − 0) = 2 dw 2(1 − ˆ)
t
u2
t =1
1 → autocorelare pozitivă a reziduurilor
2(1 − 1) = 0
0 2 4
autocorelare lipsa autocorelării de autocorelare
pozitivă ordinul I a erorilor negativă
3. Pentru a testa ipoteza H0: ρ = 0 (lipsa autocorelării erorilor), contra ipotezei alternative H1: ρ ≠ 0, din
tabelul Durbin – Watson se selectează valorile critice dL şi dU, pentru k – numărul de variabile
explicative din model şi n – dimensiunea eşantionului.
– Se acceptă ipoteza H0 – lipsa autocorelării de ordinul I, dacă dU ≤ dw ≤ 4 – dU
– Se respinge H0 dacă dw ≤ dL sau dw ≥ 4 – dU.
– Dacă dL ≤ dw ≤ dU sau 4 – dU ≤ dw ≤ 4 – dL, testul este neconcludent.
0 dL dU 2 4-dU 4-dL 4
k=1 k=2 k=3 k=4 k=5 k=1 k=2 k=3 k=4 k=5
n n
dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU dL dU
6 0.61 1.40 31 1.36 1.50 1.30 1.57 1.23 1.65 1.16 1.74 1.09 1.83
7 0.70 1.36 0.47 1.90 32 1.37 1.50 1.31 1.57 1.94 1.65 1.18 1.73 1.11 1.82
8 0.76 1.33 0.56 1.78 0.37 2.29 33 1.38 1.51 1.32 1.58 1.26 1.65 1.19 1.73 1.13 1.81
9 0.82 1.32 0.63 1.70 0.46 2.13 0.30 2.59 34 1.39 1.51 1.33 1.58 1.27 1.65 1.21 1.73 1.15 1.81
10 0.88 1.32 0.70 1.64 0.53 2.02 0.38 2.41 0.24 2.82 35 1.40 1.52 1.34 1.58 1.28 1.65 1.22 1.73 1.16 1.80
11 0.93 1.32 0.76 1.60 0.60 1.93 0.44 2.28 0.32 2.65 36 1.41 1.52 1.35 1.59 1.29 1.65 1.24 1.73 1.18 1.80
12 0.97 1.33 0.81 1.58 0.66 1.86 0.51 2.18 0.38 2.51 37 1.42 1.53 1.36 1.59 1.31 1.66 1.25 1.72 1.19 1.80
13 1.01 1.34 0.86 1.56 0.72 1.82 0.57 2.09 0.45 2.39 38 1.43 1.54 1.37 1.59 1.32 1.66 1.26 1.72 1.21 1.79
14 1.05 1.35 0.91 1.55 0.77 1.78 0.63 2.03 0.51 2.30 39 1.43 1.54 1.38 1.60 1.33 1.66 1.27 1.72 1.22 1.79
15 1.08 1.36 0.95 1.54 0.82 1.75 0.69 1.97 0.56 2.21 40 1.44 1.54 1.39 1.60 1.34 1.66 1.29 1.72 1.23 1.79
16 1.10 1.37 0.98 1.54 0.86 1.73 0.74 1.93 0.62 2.15 45 1.48 1.57 1.43 1.62 1.38 1.67 1.34 1.72 1.29 1.78
17 1.13 1.38 1.02 1.54 0.90 1.71 0.78 1.90 0.67 2.10 50 1.50 1.59 1.46 1.63 1.42 1.67 1.38 1.72 1.34 1.77
18 1.16 1.39 1.05 1.53 0.93 1.69 0.82 1.87 0.71 2.06 55 1.53 1.60 1.49 1.64 1.45 1.68 1.41 1.72 1.38 1.77
19 1.18 1.40 1.08 1.53 0.97 1.68 0.86 1.85 0.75 2.02 60 1.55 1.62 1.51 1.65 1.48 1.69 1.44 1.73 1.41 1.77
20 1.20 1.41 1.10 1.54 1.00 1.68 0.90 1.83 0.79 1.99 65 1.57 1.63 1.54 1.66 1.50 1.70 1.47 1.73 1.44 1.77
21 1.22 1.42 1.13 1.54 1.03 1.67 0.93 1.81 0.83 1.96 70 1.58 1.64 1.55 1.67 1.52 1.70 1.49 1.74 1.46 1.77
22 1.24 1.43 1.15 1.54 1.05 1.66 0.96 1.80 0.86 1.94 75 1.60 1.65 1.57 1.68 1.54 1.71 1.51 1.74 1.49 1.77
23 1.26 1.44 1.17 1.54 1.08 1.66 0.99 1.79 0.90 1.92 80 1.61 1.66 1.59 1.69 1.56 1.72 1.53 1.74 1.51 1.77
24 1.27 1.45 1.19 1.55 1.10 1.66 1.01 1.78 0.93 1.90 85 1.62 1.67 1.60 1.70 1.57 1.72 1.55 1.75 1.52 1.77
25 1.29 1.45 1.21 1.55 1.12 1.66 1.04 1.77 0.95 1.89 90 1.63 1.68 1.61 1.70 1.59 1.73 1.57 1.75 1.54 1.78
26 1.30 1.46 1.22 1.55 1.14 1.65 1.06 1.76 0.98 1.88 95 1.64 1.69 1.62 1.71 1.60 1.73 1.58 1.75 1.56 1.78
27 1.32 1.47 1.24 1.56 1.16 1.65 1.08 1.76 1.01 1.86 100 1.65 1.69 1.63 1.72 1.61 1.74 1.59 1.76 1.57 1.78
Sursa:
28 1.33 1.48 1.26 1.56 1.18 1.65 1.10 1.75 1.03 1.85 Durbin J. and Watson G.S., Testing for Serial Correlation in Least Squares Regression, in Biometrika, vol. 38 (1951),
29 1.34 1.48 1.27 1.56 1.20 1.65 1.12 1.74 1.05 1.84 pp.159-177 (pentru n 15)
Mukherjee Ch., White H., Wuyts M., 1998, Econometrics and data analysis for developing countries, Routledge,
30 1,35 1.49 1.28 1.57 1.21 1.65 1.14 1.74 1.07 1.83 London and New York (pentru n < 15)
t X1t X2t Yt Ŷt ut (ut)2 dw
1 -1.7 0.1 -0.3 0.0405 -0.3405 0.1160
2 1.1 0.2 2.8 2.4338 0.3662 0.1341 0.4995 Testarea autocorelării erorilor
3 2.1 3.2 1.5 1.2299 0.2701 0.0730 0.0092
4 1.3 2.4 1.4 1.0819 0.3181 0.1012 0.0023
Ŷt = 1.6052+ 0.8795·X1t – 0.6945·X2t
5 -1.9 1 -1.7 -0.7604 -0.9396 0.8828 1.5819
n
6
7
-2.8 0.3
-2.6 5.2
-1.4
-4.2
-1.0659
-4.2929
-0.3341
0.0929
0.1117 0.3666
0.0086 0.1824
(ut − ut−1 )2 39.7034
t =2
Testul Durbin – Watson dw = = = 1.9925
8 3.6 1.8 3 3.5215 -0.5215 0.2720 0.3775 n
19.926
9 -1.6 0.6 2.5 -0.2187 2.7187 7.3916 10.4992 u2t
t =1
10 1.2 1.5 2.2 1.6189 0.5811 0.3376 4.5697
11 3.5 0.4 5 4.4058 0.5942 0.3531 0.0002 Statistica Durbin – Watson
12 -0.4 0.8 2.2 0.6978 1.5022 2.2566 0.8245 k=1 k=2 k=3 k=4 k=5
n
13 4.5 0.4 4.4 5.2854 -0.8854 0.7839 5.7004 dL dU dL dU dL dU dL dU dL dU
14 2.1 1.1 2.4 2.6883 -0.2883 0.0831 0.3565 9 0.82 1.32 0.63 1.70 0.46 2.13 0.30 2.59
15 -2.6 2.1 -1.8 -2.1400 0.3400 0.1156 0.3948 10 0.88 1.32 0.70 1.64 0.53 2.02 0.38 2.41 0.24 2.82
16 1.1 0.4 1.6 2.2949 -0.6949 0.4829 1.0711 ⁞
17 -2.4 2.5 -3 -2.2419 -0.7581 0.5747 0.0040 25 1.29 1.45 1.21 1.55 1.12 1.66 1.04 1.77 0.95 1.89
18 -0.9 1.9 -0.1 -0.5059 0.4059 0.1648 1.3549
19 -1.7 2.6 -3.3 -1.6957 -1.6043 2.5739 4.0410 0 dL dU 2 4-dU 4-dL 4
20 -2.6 0.5 -2 -1.0288 -0.9712 0.9431 0.4009 1.21 1.55 2.45 2.79
21 2.3 3.7 1.4 1.0586 0.3414 0.1166 1.7229
22 0.4 0.9 1.6 1.3320 0.2680 0.0718 0.0054 autocorelare lipsa autocorelării de autocorelare
23 -0.9 1.9 -0.1 -0.5059 0.4059 0.1648 0.0190 pozitivă ordinul I a erorilor negativă
24 0.5 1.1 0 1.2810 -1.2810 1.6411 2.8458
25 -1.8 2.5 -1.3 -1.7142 0.4142 0.1715 2.8738
∑ -0.2 39.1 12.8 12.8 0.0000 19.926 39.7034 Prof.univ.dr. Dorin JULA: Econometrie
t X1t X2t Yt Ŷt ut (ut)2 dw
1 -1.7 0.1 -0.3 0.0405 -0.3405 0.1160
2 1.1 0.2 2.8 2.4338 0.3662 0.1341 0.4995 Testarea autocorelării erorilor
3 2.1 3.2 1.5 1.2299 0.2701 0.0730 0.0092
4 1.3 2.4 1.4 1.0819 0.3181 0.1012 0.0023
Ŷt = 1.6052+ 0.8795·X1t – 0.6945·X2t
5 -1.9 1 -1.7 -0.7604 -0.9396 0.8828 1.5819
n
6
7
-2.8 0.3
-2.6 5.2
-1.4
-4.2
-1.0659
-4.2929
-0.3341
0.0929
0.1117 0.3666
0.0086 0.1824
(ut − ut−1 )2 39.7034
t =2
Testul Durbin – Watson dw = = = 1.9925
8 3.6 1.8 3 3.5215 -0.5215 0.2720 0.3775 n
19.926
9 -1.6 0.6 2.5 -0.2187 2.7187 7.3916 10.4992 u2t
t =1
10 1.2 1.5 2.2 1.6189 0.5811 0.3376 4.5697
11 3.5 0.4 5 4.4058 0.5942 0.3531 0.0002
12 -0.4 0.8 2.2 0.6978 1.5022 2.2566 0.8245
13 4.5 0.4 4.4 5.2854 -0.8854 0.7839 5.7004
14 2.1 1.1 2.4 2.6883 -0.2883 0.0831 0.3565
15 -2.6 2.1 -1.8 -2.1400 0.3400 0.1156 0.3948
16 1.1 0.4 1.6 2.2949 -0.6949 0.4829 1.0711
17 -2.4 2.5 -3 -2.2419 -0.7581 0.5747 0.0040
18 -0.9 1.9 -0.1 -0.5059 0.4059 0.1648 1.3549
19 -1.7 2.6 -3.3 -1.6957 -1.6043 2.5739 4.0410 0 dL dU 2 4-dU 4-dL 4
20 -2.6 0.5 -2 -1.0288 -0.9712 0.9431 0.4009 1.21 1.55 2.45 2.79
21 2.3 3.7 1.4 1.0586 0.3414 0.1166 1.7229
22 0.4 0.9 1.6 1.3320 0.2680 0.0718 0.0054 autocorelare lipsa autocorelării de autocorelare
23 -0.9 1.9 -0.1 -0.5059 0.4059 0.1648 0.0190 pozitivă ordinul I a erorilor negativă
24 0.5 1.1 0 1.2810 -1.2810 1.6411 2.8458
25 -1.8 2.5 -1.3 -1.7142 0.4142 0.1715 2.8738
∑ -0.2 39.1 12.8 12.8 0.0000 19.926 39.7034 Prof.univ.dr. Dorin JULA: Econometrie
Dezavantaje ale testului Durbin-Watson
– Se aplică doar pentru identificarea autocorelării de ordinul I. Adică, testul DW nu depistează, de exemplu,
fenomenul de sezonalitate, de tipul et = ρet-4 + εt, fenomen des întâlnit în economie.
– Testul se aplică doar dacă modelul de regresie are termen liber; dacă modelul nu are termen liber, valorile
critice din tabelele DW nu sunt valabile - se folosesc pragurile calculate de Farebrother (1980)*).
– Nu se aplică dacă variabilele explicative sunt aleatoare: consecință – rezultatele ar putea fi eronate dacă se
aplică pentru modelele care conțin variabile decalate în timp.
*) FarebrotherR.W., 1980, "The Dubin-Watson Test for Serial Correlation when there is no Intercept in the Regression", Econometrica,
48, pp. 1553-1563.
Prof.univ.dr. Dorin JULA: Econometrie
Testarea autocorelării erorilor
Testul de tip Lagrange (Breusch & Godfrey)
1. Se rezolvă ecuația Yt = a0 + a1X1t + a2X2t + ... + akXkt + et prin metoda celor mai mici pătrate și se calculează
reziduurile ut: ut = Yt – (â0 + â1X1t + â2X2t + ... + âkXkt)
2. Se construiește ecuația auxiliară ut = b0 + b1X1t + ... + bkXkt + ρ1ut-1 + ρ2ut-2 + ... + ρput-p + εt, pentru
t = p + 1, p + 2, ..., n.
3. Se rezolvă ecuația de regresie auxiliară și se calculează (n – p)R2, unde R2 este coeficientul de determinare din
ecuația de regresie auxiliară. Sub ipoteza nulă, H0: ρ1 = ρ2 = … = ρp, (n – p)R2 urmează o distribuție χ2 cu p
grade de libertate. Dacă (n – p)R2 > χ2(p, α) atunci se respinge ipoteza nulă, la pragul α și se admite ipoteza
alternativă:
H1: cel puțin un parametru ρi este semnificativ diferit de zero,
ceea ce înseamnă că erorile sunt autocorelate.
1. Se rezolvă ecuația Yt = a0 + a1X1t + a2X2t + ... + akXkt + et prin metoda celor mai mici pătrate și se calculează
n
reziduurile ut.
u u t t −1
t =2
2. Se calculează coeficientul de corelare de ordinul I a reziduurilor după relația: ˆ = n
3. Variabilele modelului inițial sunt transformate astfel: u 2t
t =1
*
Yt = Yt - ρ̂Yt-1
Xi,t* = Xi,t - ρ̂Xi,t-1, i = 1, 2, …, k
4. Se construiește un model de tipul:
Yt* = b0(1 - ρ̂) + b1X1,t* + b2X2,t* + ... + bkXk,t* + e*t
5. Estimatorii calculați pentru ecuația de regresie de la pasul 4 sunt utilizați în ecuația inițială (de la pasul 1)
pentru obținerea unor noi reziduuri ut.
6. Se continuă algoritmul cu pasul 2, până în momentul în care diferența dintre valorile ρ̂ din două iterații
succesive este mai mică decât un prag stabilit (de exemplu, 0.01), sau se continuă algoritmul cu un număr
stabilit de iterații (de exemplu, 10 iterații).
Procedura Cochrane – Orcutt converge destul de repede și, în majoritatea cazurilor, nu necesită un număr mare
de iterații
dar
metoda Cochrane – Orcutt de atenuare a autocorelării erorilor nu garantează obținerea unei valori ρ̂ care să ducă
la minimizarea pătratelor reziduurilor, deoarece tehnica iterativă descrisă poate să ducă la un minim local și nu la
un minim global.
Procedura Prais-Winsten diferă de procedura Cochrane – Orcutt doar în transformarea primelor valori ale seriilor:
Y1* = 1 − ˆ 2 Y1
X*1 = 1 − ˆ 2 X1
1. Se construiește o grilă de valori posibile ale coeficientului de corelație ρ prin parcurgerea într-un mod
sistematic a intervalului [-1, 1]. De exemplu, pot fi alese valorile
{-1, -0.9, -0.8, …, -0.1, 0, 0.1, 0.2, …, 0.9, 1},
sau poate fi aleasă o grilă mai fină.
2. Pentru fiecare dintre aceste valori se estimează ecuația
Yt* = b0 + b1X1,t* + b2X2,t* + ... + bkXk,t* + e*t
unde Yt* = Yt - ρYt-1
Xi,t* = Xi,t - ρXi,t-1, i = 1, 2, …, k
și se calculează pătratelor reziduurilor.
3. Se alege acea valoare ρ pentru care suma pătratelor reziduurilor calculate la pasul 2 este minimă.
Obs. Dacă pasul după care se construiesc valorile ρ este mic, numărul iterațiilor din procedura Hildreth – Lu este
mare, adică aplicarea procedurii Hildreth – Lu necesită rezolvarea unui număr mare de modele de regresie. Din
acest punct de vedere, procedura Hildreth – Lu este mai laborioasă decât Cochrane – Orcutt.
ρCH ρHL
t X1t X2t Yt u X1(1) X2(1) Y(1) u(1) X1(2) X2(2) Y(2) u(2) X1(3) X2(3) Y(3) u(3) X1(4) X2(4) Y(4) u(4) X1(5) X2(5) Y(5) u(5)
1 -1.7 0.1 1.3 0.5939 0.6634 0.6118 0.5949 0.5911 0.5903
2 1.1 0.2 2.8 0.0897 1.4964 0.1767 2.4969 0.2823 1.7813 0.1599 2.2790 0.3396 1.9263 0.1514 2.1681 0.3653 1.9723 0.1487 2.1329 0.3733 1.9840 0.1480 2.1240 0.3754
3 2.1 3.2 1.5 -0.2509 1.8435 3.1534 0.8472 -0.2381 1.6591 3.1198 0.3778 -0.1936 1.5653 3.1028 0.1390 -0.1717 1.5355 3.0974 0.0632 -0.1645 1.5280 3.0960 0.0440 -0.1626
4 1.3 2.4 1.4 -0.2143 0.8104 1.6539 1.0503 -0.1784 0.4584 1.1175 0.7988 -0.1515 0.2792 0.8445 0.6709 -0.1368 0.2224 0.7579 0.6303 -0.1317 0.2080 0.7361 0.6200 -0.1304
5 -1.9 1 -1.7 -1.7503 -2.2031 0.4404 -2.0264 -1.7580 -2.4210 0.0381 -2.2611 -1.8332 -2.5319 -0.1666 -2.3805 -1.8591 -2.5671 -0.2315 -2.4184 -1.8652-2.5760-0.2480 -2.4280 -1.8666
6 -2.8 0.3 -1.4 -1.1835 -2.3570 0.0669 -1.0036 -1.1804 -2.0385 -0.1008 -0.7187 -1.2789 -1.8764 -0.1861 -0.5737 -1.3142 -1.8250 -0.2131 -0.5277 -1.3230-1.8120-0.2200 -0.5160 -1.3250
7 -2.6 5.2 -2.5 0.3383 -1.9472 5.1301 -2.1736 -0.0189 -1.4778 5.0798 -1.9389 -0.1952 -1.2390 5.0542 -1.8195 -0.2588 -1.1632 5.0461 -1.7816 -0.2750-1.1440 5.0440 -1.7720 -0.2788
8 3.6 1.8 3.5 -0.1460 4.2062 0.5876 4.0829 0.0423 4.6420 -0.2841 4.5020 0.1707 4.8638 -0.7276 4.7152 0.2248 4.9342 -0.8683 4.7829 0.2407 4.9520-0.9039 4.8000 0.2447
9 -1.6 0.6 2 1.5029 -2.4393 0.1803 1.1840 1.5393 -3.0428 -0.1214 0.5973 1.4830 -3.3499 -0.2750 0.2987 1.4643 -3.4473 -0.3237 0.2040 1.4601-3.4719-0.3360 0.1801 1.4592
10 1.2 1.5 2.2 0.1507 1.5730 1.3601 1.7337 0.2499 1.8413 1.2595 1.3984 0.2885 1.9777 1.2083 1.2278 0.3074 2.0210 1.1921 1.1737 0.3136 2.0320 1.1880 1.1600 0.3152
11 3.5 0.4 5 0.6364 3.2202 0.0503 4.4871 0.9258 3.0191 -0.2012 4.1183 1.0746 2.9167 -0.3291 3.9306 1.1361 2.8842 -0.3697 3.8711 1.1540 2.8760-0.3800 3.8560 1.1584
12 -0.4 0.8 2.2 0.9327 -1.2160 0.7067 1.0343 1.0101 -1.8027 0.6397 0.1961 0.9977 -2.1013 0.6056 -0.2304 0.9963 -2.1960 0.5947 -0.3657 0.9969-2.2199 0.5920 -0.3999 0.9971
13 4.5 0.4 4.4 -0.6996 4.5933 0.2135 3.8871 -0.3636 4.6603 0.0794 3.5183 -0.1752 4.6944 0.0111 3.3306 -0.0982 4.7053 -0.0105 3.2711 -0.0761 4.7080-0.0160 3.2560 -0.0706
ρ 0.2332 0.4008 0.4861 0.5131 0.5200 0.5216
â0 2.0138 1.8574 1.8400 1.8300 1.8264 1.8254
â1 0.7360 0.6893 0.6498 0.6343 0.6301 0.6290
â2 -0.5651 -0.4896 -0.4722 -0.4658 -0.4641 -0.4637
dw 1.4413 1.6019 1.7270 1.8131 1.8418 1.8491
0.30
Dependent Variable: Y 1.85
Method: ARMA Conditional Least Squares 0.25
Sample (adj.): 2 13. Included observations: 12 after adjustments
0.20 1.80
Convergence achieved after 7 iterations
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Coefficient covariance computed using outer product of gradients
Variable Coefficient Std. Error t-Statistic Prob.
C 1.82508 0.65554 2.78409 0.0238 0.76 -0.40
X1 0.62868 0.10697 5.87731 0.0004 0.74
â1 â2
X2 -0.46353 0.17203 -2.69454 0.0273
0.72 -0.45
AR(1) 0.52239 0.31800 1.64272 0.1391
R-squared 0.88274 Mean dependent var 1.6167 0.70
Adjusted R-squared 0.83877 S.D. dependent var 2.3756 0.68 -0.50
S.E. of regression 0.95388 Akaike info criterion 3.0046
0.66
Sum squared resid 7.27905 Schwarz criterion 3.1663
Log likelihood -14.0278 Hannan-Quinn criter. 2.9448 0.64 -0.55
F-statistic 20.0750 Durbin-Watson stat 1.8516 0.62
Prob(F-statistic) 0.00044
0.60 -0.60
Inverted AR Roots 0.52
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Bibliografie