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+0.8758556601 Cons+1.190895181 IG (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 |