рефераты рефераты
Главная страница > Курсовая работа: Построение эконометрической модели и исследование проблемы автокорреляции с помощью тестов Бреуша-Годфри и Q-статистики  
Курсовая работа: Построение эконометрической модели и исследование проблемы автокорреляции с помощью тестов Бреуша-Годфри и Q-статистики
Главная страница
Новости библиотеки
Форма поиска
Авторизация




 
Статистика
рефераты
Последние новости

Курсовая работа: Построение эконометрической модели и исследование проблемы автокорреляции с помощью тестов Бреуша-Годфри и Q-статистики

При помощи коррелограммы первых разностей данных всех трёх рядов обнаруживается, что необходимо ввести один лаг для всех рядов во вспомогательное уравнение теста. И после того, как был проведён тест Дики-Фуллера, выяснилось, что ряды интегрированы первого порядка или стационарны в первых разностях со спецификацией тренда и одним лагом.

Однако ряды IG и GDP имеют чётко видную сезонность, что видно на Рисунке 1 Приложения 1, поэтому для них дополнительного проводится тест Филипса-Перрона, данные которого находятся в Приложении 2.

Имеем:

- ряды нестационарны в уровнях, но стационарны в первых разностях;

- по имеющимся данным можно строить модель множественной классической линейной регрессии.

По предварительному анализу, можно сказать, что модель, которая будет построена, возможно, будет обладать проблемой автокорреляции вследствие цикличности показателей, используемых для построения уравнения регрессии. ВВП имеет дело с волнообразностью деловой активности, которая при построении модели может служить причиной автокорреляции.

Строим уравнение регрессии:

Dependent Variable: GDP
Method: Least Squares
Date: 12/11/08 Time: 16:34
Sample: 1999:1 2008:2
Included observations: 38
GDP=C(1)+C(2)*Cons+C(3)*IG
Coefficient Std. Error t-Statistic Prob.
C(1)

90.71828

36.69767

2.472045

0.0184
C(2)

0.875856

0.076378

11.46745

0.0000
C(3)

1.190895

0.030510

39.03232

0.0000
R-squared

0.998324

 Mean dependent var 4283.858
Adjusted R-squared 0.998228  S.D. dependent var 2609.517
S.E. of regression 109.8386  Akaike info criterion 12.31156
Sum squared resid 422257.9  Schwarz criterion 12.44084
Log likelihood -230.9196  Durbin-Watson stat

0.589082

Уравнение регрессии выглядит следующим образом:

GDP=90.71828168+0.8758556601Cons+1.190895181IG (2)

После округления оно будет иметь следующий вид:

 (3)


Построенная модель имеет очень высокий коэффициент детерминации, что говорит о высоком качестве этой модели. Высокие значения имеют t-статистики, соответственно все объясняющие переменные данной модели значимы. Верны и коэффициенты при переменных, то есть они имеют верный знак и значение близкое к теоретическому уравнению (1). Высокое значение коэффициента С(1) и его статистическая значимость с экономической точки зрения может говорить о том, что в модель включено недостаточно переменных, что позже будет исправлено. Поэтому, прежде чем делать выводы о качестве и адекватности, следует проверить построенную модель на автокорреляцию и гетероскедастичность.

По статистике Дарбина-Уотсона уравнение имеет автокорреляцию, положительную (d1=1,373, du=1,594), откуда можно сделать вывод о наличии автокорреляции.

На проблему гетероскедастичности исследуем модель при помощи теста Вайта(no cross, cross):

 

White Heteroskedasticity Test:

 

F-statistic 1.926499  Probability 0.129239

 

Obs*R-squared

7.193728

 Probability 0.125998

 

 

Test Equation:

 

Dependent Variable: RESID^2

 

Method: Least Squares

 

Date: 12/11/08 Time: 19:18

 

Sample: 1999:1 2008:2

 

Included observations: 38

 

Variable Coefficient Std. Error t-Statistic Prob.

 

C -7329.568 8035.888 -0.912104 0.3683

 

IG -10.79329 22.84694 -0.472417 0.6397

 

IG^2 0.000343 0.007396 0.046398 0.9633

 

CONS 14.94592 10.01542 1.492291 0.1451

 

CONS^2 -0.001335 0.001299 -1.028002 0.3114

 

R-squared 0.189309  Mean dependent var 11112.05

 

Adjusted R-squared 0.091043  S.D. dependent var 13500.26

 

S.E. of regression 12871.05  Akaike info criterion 21.88543

 

Sum squared resid 5.47E+09  Schwarz criterion 22.10090

 

Log likelihood -410.8231  F-statistic 1.926499

 

Durbin-Watson stat 1.289207  Prob(F-statistic) 0.129239
White Heteroskedasticity Test:
F-statistic 1.910945  Probability 0.120009
Obs*R-squared

8.737384

 Probability 0.120009
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 12/11/08 Time: 19:20
Sample: 1999:1 2008:2
Included observations: 38
Variable Coefficient Std. Error t-Statistic Prob.
C -4788.651 8190.315 -0.584672 0.5629
IG 10.01788 27.71085 0.361515 0.7201
IG^2 0.043812 0.034248 1.279250 0.2100
IG*CONS -0.034393 0.026471 -1.299253 0.2031
CONS 5.948824 12.09186 0.491969 0.6261
CONS^2 0.005437 0.005368 1.012743 0.3188
R-squared 0.229931  Mean dependent var 11112.05
Adjusted R-squared 0.109608  S.D. dependent var 13500.26
S.E. of regression 12738.93  Akaike info criterion 21.88665
Sum squared resid 5.19E+09  Schwarz criterion 22.14522
Log likelihood -409.8464  F-statistic 1.910945
Durbin-Watson stat 1.168906  Prob(F-statistic) 0.120009

Страницы: 1, 2, 3, 4, 5, 6, 7

рефераты
Новости