Эконометрика – наука, позволяющая исследовать закономерности в реальных данных. К концу курса мы научимся отвечать на два вопроса. Как одна переменная, y, зависит от другой переменной, x? Как спрогнозировать переменную y? Мы будем подробно изучать линейные регрессионные модели, рассмотрим наиболее частые отклонения от предпосылок классической линейной регрессии. Изучим базовые модели (логит и пробит) для качественных зависимых переменных. Наряду с теоретической основой мы будем работать с реальными данными, используя статистический пакет R. Необходимые знания: Теория вероятностей и математическая статистика. Линейная алгебра опционально.
5.1.4. Последствия гетероскедастичности для малых выборок
Loading...
来自 National Research University Higher School of Economics 的课程
Эконометрика (Econometrics)
365 个评分
Explore Related Videos
At Coursera, you will find the best lectures in the world. Here are some of our personalized recommendations for you
从本节课中
Гетероскедастичность
В древнерусском Разноразбросие :)
与讲师见面
Boris DemeshevSenior Lecturer
Department of Applied Economics
Давайте попытаемся ответить на вопрос: когда в
реальности может возникать гетероскедастичность?
Я напомню, что мы работаем в парадигме, где мы предполагаем, что наши регрессоры
являются случайными, и наши наблюдения являются случайной выборкой из какой-то
большой генеральной совокупности, то есть отдельно взятые наблюдения x_i,
y_i не зависят от наблюдений x_j, y_j и имеют одинаковое с ним распределение.
Откуда же может взяться разная условная дисперсия случайной ошибки ε_i?
Ответ на этот вопрос довольно прост.
Ну давайте, например, возьмём выборку предприятий.
Скажем, исследователь моделирует зависимость прибыли от каких-то
характеристик предприятия.
Естественно ожидать, что на крупном предприятии колебания прибыли от месяца
к месяцу гораздо более значительные, чем на маленьком предприятии.
На крупном предприятии колебания в прибыли в сто тысяч рублей в месяц
могут быть совершенным пустяком, в то время как сумма такая для индивидуального
предпринимателя может быть максимумом, который он может заработать за месяц.
То есть когда мы в реальности видим, что к нам в выборку могут попасть объекты
разного размера, — при этом размером может быть что угодно: на предприятии это может
быть, скажем, численность персонала; если мы исследуем какую-нибудь зависимость,
скажем, расходов домохозяйств от каких-то их характеристик,
то размером объекта будет являться численность домохозяйства; или, скажем,
если мы пытаемся понять, от чего зависят расходы человека на отдых,
то тут в каком-то смысле размером может быть доход: чем больше доход,
тем больше будут колебаться расходы человека на отдых, тот,
у кого нет возможности поехать и тратить много на отдых,
у него будут небольшие колебания расходов на отдых, а тот, кто может в один
сезон поехать куда-то очень далеко, сделать много поездок за короткое время,
— у него колебания расходов, скорее всего, будут существенно выше.
То есть как только у нас в выборке могут попасться объекты разного размера,
что бы этот размер ни значил, скорее всего, есть основания подозревать
наличие условной гетероскедастичности.
Ну а поскольку тот или иной размер есть и у домохозяйства,
и у предприятия, и у отдельно взятого индивида,
то поэтому мы получаем, что гетероскедастичность условная имеет
место практически в любой случайной выборке.
Поэтому с гетероскедастичностью мы сталкиваемся практически постоянно.
Давайте посмотрим, чем нам грозит столь частое явление.
Во-первых, отметим, что мы изучаем гетероскедастичность отдельно от
других нарушений, потенциальных нарушений предпосылок.
То есть сейчас мы предполагаем, что имеет место строгая экзогенность,
то есть математическое ожидание ошибки ε_i при фиксированных X равно нулю.
Мы также предполагаем, что у нас математическое ожидание
произведения двух ε_i, ε_j при фиксированном X также равно нулю,
то есть нет зависимости между ε_i, ε_j, относящимся к разным наблюдениям.
Мы также предполагаем, что у нас, естественно, наблюдений больше,
чем параметров в линейной зависимости, которую мы хотим оценить.
Мы предполагаем, что у нас матрица регрессоров имеет
полный ранг с вероятностью 1, то есть, говоря более простым языком,
с вероятностью 1 среди объясняющих переменных нет линейно зависимых.
Мы по-прежнему предполагаем случайную выборку,
то есть отдельные наблюдения являются независимыми и одинаково распределёнными,
то есть никакие другие предпосылки стандартной модели у нас не нарушены.
И мы по случайности, по незнанию
или намеренно используем старые формулы, которые, мы доказали,
что являются очень хорошими оценками в случае условной гомоскедастичности.
То есть мы используем классические оценки метода наименьших квадратов для
неизвестных коэффициентов β, и именно: у нас β с крышкой равняется
X'X в минус 1 помножить на X транспонированное y.
И мы используем стандартную формулу для оценок дисперсии,
оценок метода наименьших квадратов, а именно: сумма квадратов остатков,
делённая на (n – k), помножить на X'X в минус 1.
То есть мы используем стандартные формулы как для оценок самих
коэффициентов β с крышкой,
также мы используем стандартные формулы для оценки дисперсии коэффициентов.
Ну в частности, оценка для отдельно взятой дисперсии одного
коэффициента — это σ² с крышкой, RSS,
делённое на (n – k), делённое на RSS_j, то есть RSS,
которое получается в регрессии j-того объясняющей переменной на остальные.
И вот мы используем стандартные формулы и посмотрим,
к каким последствиям это приведёт.
Давайте перечислим сначала все те выводы, которые были у нас,
когда ни одна предпосылка не была нарушена.
Итак, у нас свойства делились на свойства для конечных выборок и
асимптотические свойства.
Сначала рассмотрим свойства для конечных выборок.
Свойства для конечных выборок, в свою очередь, у нас делились на два класса:
свойства, в которых предполагалась нормальность ошибок ε_i-тых,
и свойства, в которых нормальность ошибок не требовалась.
Какие свойства, не требующие нормальности ошибок ε_i-тых, у нас были?
Ну, во-первых, это линейность по y.
То есть, что она означает?
Она означает, что при увеличении всех y, всех объясняющих переменных,
в 10 раз, у нас все оценки β с крышкой увеличивались в 10 раз.
К счастью, это свойство остаётся.
Поскольку используется старая формула для β с крышкой, поскольку в ней y входит
линейно, то по-прежнему линейность оценок у нас осталась.
Второе свойство, которое не требует нормальности ε и выполнено
для конечных выборок, это условная несмещённость оценок,
или просто несмещённость, то есть математическое ожидание оценок β с
крышкой при фиксированных регрессорах X, равнялось раньше β.
Это свойство по-прежнему выполнено, то есть, в среднем, получаемые нами
оценки могут попасть то слева, то справа от неизвестного коэффициента,
но в среднем попадают в неизвестный коэффициент, и это очень приятная новость.
Это говорит о том, что, да, мы иногда, когда оцениваем неизвестные параметры,
можем иногда завысить истину или занизить, но, в среднем, мы не ошибаемся.
Следующая новость, к сожалению, плохая.
Мы говорили, что без требования нормальности ε для конечных
выборок оценки β с крышкой, получаемых по методу наименьших квадратов при
выполнении всех предпосылок, — они были эффективны, то есть они были наилучшими.
То есть нельзя было придумать альтернативную оценку,
— β с крышкой альтернативная, — которая была бы несмещённой,
линейной и при этом которая была бы лучше, у которой была бы меньше дисперсия.
На этот раз это свойство не выполнено, и, соответственно,
получаемые нами оценки, хотя они несмещённые, они не самые
лучшие: у них не самая маленькая дисперсия, которая могла бы быть.
