7.11. доступный (обобщенный) метод наименьших квадратов
7.11. доступный (обобщенный) метод наименьших квадратов
В § 7.1 рассматривалась обобщенная модель множественной регрессии
7= Хр+є. (7.46)
В случае, когда ковариационная матрица £ = Q = a2Q0 известна, как показано в § 7.2, наилучшей линейной несмещенной оценкой вектора р является оценка обобщенного метода наименьших квадратов (совпадающая с оценкой максимального правдоподобия)
b* = (X'Cl-lXylX'Cl-lY. (7.47)
Эта оценка получается из условия минимизации обобщенного критерия (7.14):
S=(Y-Xb)'Q -Y-Xb).
При рассмотрении нормальной обобщенной модели регрессии, т. е. в случае нормального закона распределения возмущений, т. е. є N„(0;a2Q0), оценка b* также распределена нормально:
**^(P;a2(rW).
На практике матрица возмущений Q почти никогда неизвестна, и, как уже было отмечено в § 7.2, оценить ее я(я+1)/3 параметров по п наблюдениям не представляется возможным.
Предположим, что задана структура матрицы Q (и соответственно Qq), т. е. форма ее функциональной зависимости от относительно небольшого числа параметров Oi, О2, 0W, т. е. матрица ]Г ^ = o2Q.0(Ql9Q2-->Qm)Например, в модели с автокоррелированными остатками (структура матрицы У определяется двумя параметрами а2 и 9і=р, так что матрица Qq имеет вид (см. § 7.10):
( 1 р ... р"-1}
[р»-* р»~2 ... 1 ) где р — неизвестный параметр, который необходимо оценить. Идея оценки матрицы ]Г = a2Q0 состоит в следующем.
Вначале по исходным наблюдениям находят состоятельные оценки параметров 9=(9ь О2,..., 9Л)'. Затем получают оценку параметра а2. В соответствии с (4.21) такая оценка для классической модели находится делением минимальной остаточной сумп
мы квадратов Yjef ~е'е на число степеней свободы (п~ р— 1). Для обобщенной модели соответствующая оценка
g'Qo'g _(Y-Xb*)n-0l{Y-Xb*)
n-p-l
(7.48)
Зная s}, вычисляем матрицу Хє = s?Q0. Доказано, что при
некоторых достаточно общих условиях использование полученных оценок в основных формулах обобщенного метода наименьших квадратов вместо неизвестных истинных значений а2 и ]Г = <j2Q0 даст также состоятельные оценки параметра р и ко-1
вариационной матрицы У о . Описанный метод оценивания нар
зывается доступным (или практически реализуемым) обобщенным методом наименьших квадратов.
Таким образом, оценкой доступного обобщенного метода наименьших квадратов вектора р есть
(7.49)
Применяя метод максимального правдоподобия (см. § 2.7, 3.4) для оценки нормальной обобщенной линейной модели регрессии, можно показать, что оценки максимального правдоподобия Р,0,а2 находятся из системы уравнений правдоподобия:
где е = Y-Х$ , Cj =
$ = (X'CltlX) -lX'CljlY9
a2 = —e'QQe, n
e'cie 1 / a . 1
—J— = ^tr[cjn09 j = l9...9m9
eil0le n
де,
(7.50) (7.51) (7.52)
Анализируя систему (7.50)—(7.52), видим, что оценки Р и а2 метода максимального правдоподобия совпадают с оценками Ь* и si обобщенного метода наименьших квадратов (правда, если
Р = Ь*, то ст2 «si с точностью до асимптотически устранимого смещения).
Для решения системы (7.50) — (7.52) иногда удается найти точное решение, однако чаще приходится прибегать к итерационной процедуре, например, двухшаговой.
1- й шаг. Вначале находят оценку метода максимального
правдоподобия $0=(ХХУ1Х'Ї , вычисляют остатки е{ = y Х$х
и решают полученную систему (7.50) — (7.52) при заданных остатках.
Находят т*1 вектор в{ и матрицу Q0(1) =fi0^(i))2- й шаг. Находят оценку вектора р по формуле (7.49):
^2 = (x,Qq1x)-1x,Qq1y.
Полученные таким образом оценки $(2) при некоторых, весьма
слабых предположениях (как, например, состоятельность оценок 6) будут асимптотически (при большом п) эквивалентны оценкам метода максимального правдоподобия, а значит, будут асимптотически эффективны в широком классе случаев. Описанная двухшаговая итерационная процедура была фактически реализована в процедуре Кохрейна—Оркатта (§ 7.10).
Упражнения
7.7. В таблице приведены данные по 18 наблюдениям модели пространственной выборки:
/ | Xi | е? | і | Xi | ef |
1 | 21,3 | 2,3 | 10 | 71,5 | 23,8 |
2 | 22,6 | 5,6 | 11 | 75,7 | 45,7 |
3 | 32,7 | 12,8 | 12 | 76,0 | 34,7 |
4 | 41,9 | 10,1 | 13 | 78,9 | 56,9 |
5 | 43,8 | 14,6 | 14 | 79,8 | 56,8 |
6 | 49,7 | 13,9 | 15 | 80,7 | 49,8 |
7 | 56,9 | 24,0 | 16 | 80,8 | 58,9 |
8 | 59,7 | 21,9 | 17 | 96,9 | 87,8 |
9 | 67,8 | 19,7 | 18 | 97,0 | 87,5 |
Предполагая, что ошибки регрессии представляют собой нормально распределенные случайные величины, проверить гипотезу о гомоскедастичности, используя тест Голдфелда— Квандта.
При оценивании модели пространственной выборки обычным методом наименьших квадратов получено уравнение:
у = 3 + 0,6*! -1,2х2.
Уравнение регрессии квадратов остатков на квадраты регрес-соров имеет вид:
ё2 = 2 + 0,3*2 + 01х2. Я2=02,
Зная, что объем пространственной выборки я=200, проверить гипотезу Уайта о гомоскедастичности модели.
При оценивании модели пространственной выборки с помощью обычного метода наименьших квадратов получено следующее уравнение:
j> = 12 + 3,43jc! -0,45л:2; d = l,2.
(0,1) (0,4) (0,1) При осуществлении регрессии квадратов остатков на квадраты регрессоров получено уравнение вида:
ё2 =4 + 2*2 + 0,4*22.
(0,7) (0,3)
Объем выборки «=3000. С какими из перечисленных ниже выводов следует согласиться:
а) полученные значения коэффициентов модели с большой
вероятностью близки к истинным;
б) регрессор Х2 может быть незначимым;
в) так как значение статистики Дарбина—Уотсона d далеко
от двух, следует устранить автокорреляцию остатков?
7.10. При оценивании модели временного ряда получены
следующие результаты.
Уравнение модели имеет вид:
й =2-1,2/; </ = 1,9.
(0,7)
С какими из перечисленных ниже выводов следует согласиться:
а) так как значение статистики Дарбина—Уотсона d близко к
двум, автокорреляция остатков отсутствует;
б) коэффициент модели при / значим;
в) если объем выборки достаточно велик, значение коэффициента при / в любом случае с большой вероятностью
близко к истинному;
г) применение теста Бреуша—Годфри может выявить автокорреляцию остатков между отдаленными наблюдениями?
При оценивании модели временного ряда методом наименьших квадратов получены следующие результаты:
j>, =12-0,2*; я? = 1,8.
(0,01)
Известно, что количество наблюдений я=150. С помощью теста Льюинга—Бокса проверить гипотезу об отсутствии автокорреляции первого порядка.
Применение теста Льюинга—Бокса дает следующие результаты:
'част (т) | QP | P(Q>QP) | |
0,34 | 0,33 | 21,45 | 0,00 |
0,12 | 0,11 | 24,12 | 0,00 |
0,01 | 0,00 | 24,13 | 0,00 |
0,00 | 0,00 | 24,13 | 0,00 |
Ряд остатков идентифицируется с помощью модели ARM А (/?, q). Какие значения р и q целесообразно выбрать на основе полученных результатов тестирования?
Обсуждение Эконометрика
Комментарии, рецензии и отзывы