Передумови застосування методу найменших квадратів (1МНК)

Застосовуємо 1МНК для оцінки параметрів моделі, якщо виконуються такі умови:

1) математичне сподівання залишків дорівнює нулю, тобто:

М()=0; (2.28)

2) значення и, вектора залишків и незалежні між собою і мають постійну дисперсію, тобто

M(uu')=²E, (2.29)

де Е — одинична матриця;

3) незалежні змінні моделі не пов'язані із залишками:

М(х'и)=0; (2.30)

4) незалежні змінні моделі утворюють лінійно незалежну систему векторів, або, іншими словами, незалежні змінні не повинні бути мультиколінеарними, тобто не дорівнює 0. Це означає, що матриця Х маєповний ранг.

Перша умова, здавалося б, є очевидною. Адже коли математичне сподівання залишків не дорівнює нулю, то це означає, що існує систематичний вплив на залежну змінну, а до модельної специфікації не введено всіх основних незалежних змінних. Якщо ця передумова не виконується, то йдеться про помилку специфікації.

Друга умова передбачає наявність сталої дисперсії залишків. Цю властивість називають гомоскедастичністю. Проте вона може виконуватись лише тоді, коли залишки и є помилками вимірювання. Якщо залишки акумулюють загальний вплив змінних, які не враховані в моделі, то звичайно дисперсія залишків не може бути сталою величиною, вона змінюється для окремих груп спостережень. У такому разі йдеться про явище гетероскедастичності, яке впливає на методи оцінювання параметрів.

Третя умова передбачає незалежність між залишками і пояснювальними змінними, яка порушується насамперед тоді, коли економетрична модель будується на базі одночасових структурних рівнянь або має лагові змінні. Тоді для оцінювання параметрів моделі використовуються, як правило, дво- або трикроковий методи найменших квадратів.

Четверта умова означає, що всі пояснювальні змінні, які входять до економетричної моделі, мають бути незалежними між собою. Проте очевидно, що в економіці дуже важко вирізнити такий масив незалежних (пояснювальних) змінних, які були б зовсім не пов'язані між собою. Тоді щоразу необхідно з'ясовувати, чи не впливатиме залежність пояснювальних змінних на оцінку параметрів моделі.

Це явище називають мультиколінеарністю змінних, що призводить до ненадійності оцінки параметрів моделі, робить їх чутливими до вибраної специфікації моделі та до конкретного набору даних. Знижується рівень довіри до результатів верифікації моделей з допомогою 1МНК. Отже, це явище з усіх точок зору є дуже небажаним. Але воно досить поширене. Далі розглянемо методи виявлення мультиколінеарності й способи її врахування з допомогою специфікації моделі чи спеціальних методів оцінювання параметрів.

Дата добавления: 2014-01-11