Нарушения предпосылок МНК презентация

Содержание


Презентации» Математика» Нарушения предпосылок МНК
Тема3. Нарушения предпосылок МНКМультиколлинеарность (МТК) – это явление высокой взаимной коррелированности НП.Частичная (реальная ) МТК при сильных корреляционных связях между НП (высокиеПоследствия МТК:
 Оценки коэффициентов УМР ненадежны и неустойчивы (увеличиваются стандартные ошибкиПоследствия МТК:
 Оценки коэффициентов УМР становятся очень чувствительными к ошибкам спец.Практические рекомендации по выявлению МТК:
 Плохая обусловленность матрицы (X’X), т.е. det(X’X)≈0
Практические рекомендации по выявлению МТК:
 Анализ матрицы парных коэффициентов корреляции междуПрактические рекомендации по выявлению МТК:Методы устранения мультиколлинеарности
 5. Переход к смещенным методам оценивания2. ГетероскедастичностьОбобщенный метод наименьших квадратов
 Обобщенный метод наименьших квадратов
 Теорема. Если вВзвешенный метод наименьших квадратов
 Взвешенный метод наименьших квадратов
 Теорема. Если в3. АвтокорреляцияПонятие автокорреляции
 Модель называется автокоррелированной, если не выполняется третья предпосылка теоремыПричины АК :
 Причины АК :
 неправильный выбор спецификации модели
 НаличиеПонятие автокорреляцииПонятие автокорреляцииПоследствия автокорреляции при применении МНК:
 Последствия автокорреляции при применении МНК:
 оценкиТест Дарбина-Уотсона
 1. Предпосылки теста.
 	Случайные возмущения распределены по нормальному закону.
Тест Дарбина-Уотсона
 Для статистики DW не возможно найти критическое значение, т.к.Тест Дарбина-УотсонаОбобщенный метод наименьших квадратов
 Обобщенный метод наименьших квадратов
 Теорема. Если в



Слайды и текст этой презентации
Слайд 1
Описание слайда:
Тема3. Нарушения предпосылок МНК


Слайд 2
Описание слайда:
Мультиколлинеарность (МТК) – это явление высокой взаимной коррелированности НП.

Слайд 3
Описание слайда:
Частичная (реальная ) МТК при сильных корреляционных связях между НП (высокие коэффициенты парной корреляции). Если значения коэффициентов корреляции по абсолютной величине близки к 1, то почти совершенная МТК

Слайд 4
Описание слайда:
Последствия МТК: Оценки коэффициентов УМР ненадежны и неустойчивы (увеличиваются стандартные ошибки оценок и уменьшаются t-статистики МНК-оценок) МНК-оценки коэффициентов неустойчивы (чувствительны к изменениям данных и размерности выборки) Возможность получения неверного знака у коэффициентов регрессии

Слайд 5
Описание слайда:
Последствия МТК: Оценки коэффициентов УМР становятся очень чувствительными к ошибкам спец. Осложнение процесса определения наиболее существенных факторов Затрудняет экономическую интерпретацию коэффициентов УМР (выделение характеристик влияния факторов на ЗП в чистом виде) ОДНАКО: Оценки коэффициентов остаются несмещенными Оценки коэффициентов немультикол. факторов не ухудшаются

Слайд 6
Описание слайда:
Практические рекомендации по выявлению МТК: Плохая обусловленность матрицы (X’X), т.е. det(X’X)≈0 Близость к нулю минимального собственного числа min матрицы (X’X).

Слайд 7
Описание слайда:
Практические рекомендации по выявлению МТК: Анализ матрицы парных коэффициентов корреляции между НП (матрицы межфакторной корреляции) Присутствие в матрице парных коэффициентов корреляции значений коэффициентов интеркорреляции, превосходящих по абсолютной величине 0,7 – 0,80 Результаты анализа надежны лишь в случае двух НП

Слайд 8
Описание слайда:
Практические рекомендации по выявлению МТК:

Слайд 9
Описание слайда:
Методы устранения мультиколлинеарности 5. Переход к смещенным методам оценивания

Слайд 10
Описание слайда:
2. Гетероскедастичность

Слайд 11
Описание слайда:

Слайд 12
Описание слайда:

Слайд 13
Описание слайда:

Слайд 14
Описание слайда:
Обобщенный метод наименьших квадратов Обобщенный метод наименьших квадратов Теорема. Если в схеме Гаусса-Маркова не выполняется предпосылка о гомоскедастичности и некорелированности случайных возмущений, то наилучшей линейной процедурой оценки параметров модели является:

Слайд 15
Описание слайда:
Взвешенный метод наименьших квадратов Взвешенный метод наименьших квадратов Теорема. Если в схеме Гаусса-Маркова не выполняется предпосылка о гомоскедастичности случайных возмущений, то наилучшей линейной процедурой оценки параметров модели является:

Слайд 16
Описание слайда:
3. Автокорреляция

Слайд 17
Описание слайда:
Понятие автокорреляции Модель называется автокоррелированной, если не выполняется третья предпосылка теоремы Гаусса-Маркова: при i≠j. Автокорреляция чаще всего появляется в моделях временных рядов и моделировании циклических процессов.

Слайд 18
Описание слайда:
Причины АК : Причины АК : неправильный выбор спецификации модели Наличие ошибок измерения ЗП Цикличность значений экономических показателей Запаздывание изменений значений экономических показателей по отношению к изменениям экономических условий Сглаживание данных

Слайд 19
Описание слайда:
Понятие автокорреляции

Слайд 20
Описание слайда:
Понятие автокорреляции

Слайд 21
Описание слайда:
Последствия автокорреляции при применении МНК: Последствия автокорреляции при применении МНК: оценки коэффициентов теряют эффективность но остаются линейными и несмещенными дисперсии оценок являются смещенными (часто занижены) оценка остаточной дисперсии регрессии является смещенной (часто заниженной) выводы по критериям Стьюдента и Фишера могут оказаться неверными. Это ухудшает прогнозные качества РМ.

Слайд 22
Описание слайда:

Слайд 23
Описание слайда:
Тест Дарбина-Уотсона 1. Предпосылки теста. Случайные возмущения распределены по нормальному закону. Имеет место авторегрессия первого порядка:

Слайд 24
Описание слайда:
Тест Дарбина-Уотсона Для статистики DW не возможно найти критическое значение, т.к. оно зависит не только от Рдов и степеней свободы p и n-1, но и от абсолютных значений регрессоров. Возможно определить границы интервала DL и Du внутри которого критическое значение DWкр находится: DL ≤ DWкр ≤ Du Значения Du и DL находятся по таблицам.

Слайд 25
Описание слайда:
Тест Дарбина-Уотсона

Слайд 26
Описание слайда:
Обобщенный метод наименьших квадратов Обобщенный метод наименьших квадратов Теорема. Если в схеме Гаусса-Маркова не выполняется предпосылка о гомоскедастичности и некорелированности случайных возмущений, то наилучшей линейной процедурой оценки параметров модели является:


Скачать презентацию на тему Нарушения предпосылок МНК можно ниже:

Похожие презентации