|
(1) Чтобы эластичность C по отн. к DPI не зав. от DPI, нужно рассмотреть модель log-log:
A) lnC = b1 + b2* ln DPI + e’ // ls log(C) c log(DPI)
dC/C =b1* dDPI/DPI => k=(dC*DPI)/(dDPI*C)=b1, т.е. коэф. b1 при DPI и будет задавать искомую эластичность.
Б) Проверим нормальность с.о. при помощи пакета EViews:
// series ste=resid/(unform. copy of S.E. of regression)
График квантиль-квантиль – нормальность есть // ste: view->graph->Q-Q
Граф. ядерн. оценки плотности - норм. есть //ste: view->graph->distribution->Kernel Density
Критерий Харке-Бера: гипотеза о норм-ти не отвергается при у.з. 5%
// ste: view->descriptive stat&tests->Histogram&Stats, Prob. =0,66>0,05
В) Проверим гипотезы: (b1 >0: 1),2); b1 <0: 3),4))
1) Н0: b1>1 3) Н0: b1<-1
H1: b1≤1 H1: 0>b1≥ -1
2) Н0: b1≤1 4) Н0: -1≤ b1<0
H1: b1>1 H1: b1<-1
1) tstat=1,83 tcrit лев=-1,65
//scalar t_stat=(b1-1)/Std/Err (logDPI)=1,83 scalar t_crit=@qtdist(0.95, 498)=-1,65
Н0 не отвергается при у.з. 5%
2) tstat=1,83 tcritправ=1,65 Н0 отвергается при у.з. 5%
Ответ: выводы из гипотез согласуются, значит, С эластичен по DPI.
(при двустор. гипотезе - |tstat| < tcrit)
(2) Оценим модель y= b0+b1*x1+b2*x2+ b3*x3+e’ (1*) // ls y c x1 x2 x3
A) Проверим нормальность с.о. (см. задачу (1)) (в Харке-Бера м.б. у.з 1%)
Б) Исходя из того, что Prob(b1)=0.7>0.05, Prob(b2)=0.6>0.05 можно сделать предположение о незначимости коэф. b1 и b2 /(см. посл. столбец в equation)
B) Проверяем гипотезу Н0 : b1= b2=0 по Фишеру:
// eq: view->Coef. Test->Wald coef. restrictions, input: c(3)=c(4)=0
Так как Prob=0.000<0.05 гипотеза Н0 отвергается при у.з. 5%
Г) Ситуация похожа на МК (мультиколлинеарность)
проверим это: corr(x1,x2)=1 => МК есть!!
// x1, x2,x3 -> open as group->covariance analylis->correlation, FREEZE&NAME
Д) Для избавления от МК, оценим след. 2 модели:
y= b0+b1*x1+b2*x2 +a’ (2*)
y= b0+b1*x1+ b3*x3+g’ (3*)
// ls y c x1 x2; ls y c x1 x3 смотрим табл. eq01, eq02, eq03
и сравниваем:R2, R2adj:(+/+), AIC, Schwarz:(+/–)
сравним результаты регрессии по R2, R2adj, инф. критерию Akaike, и крит. Schwarz’a:
(1*) (2*) (3*)
R2 |
R2adj |
AIC |
Schwarz |
по всем характеристикам вывод о лучшей модели. (3*)
(3) Оценим модели:
1) y= b0+b1*x1+b2*x2 +e’ // ls y c x1 x2
2) y= b0+b1*lnx1+b2*lnx2 +e’ // ls y c log(x1) log(x2)
3) lny= b0+b1*lnx1+b2*lnx2 +e’ // ls log(y) c log(x1) log(x2)
4) lny= b0+b1*x1+b2*x2 +e’ // ls log(y) c x1 x2
R2(2)> R2(1) => выбираем 2)
R2(3)> R2(4) => выбираем 3)
Теперь оценим модели:
5) y= b0+b1*lnx1+b2*lnx2 +gLIN(lny^ – (lny)^)+ e’
6) lny= b0+b1*lnx1+b2*lnx2 + gLOG(y^ – exp((lny)^))+e’
//eq02 -> estimate, ok-> forecast yf (y^)
// eq03 -> estimate, ok-> forecast (.) LOGY, NAME logy_f ((lny)^)
// ls y c log(x1) log(x2) log(yf)-logy_f
// ls log(y) c log(x1) log(x2) yf-exp(logy_f) NAME
коэф-т gLIN не отличен от нуля при у.з. 5%, т.к. Prob(gLIN)=0.4>0.05
коэф-т gLOG значимо отличен от нуля при у.з. 5%, т.к. Prob(gLOG)=0.003<0.05
ð лучшая модель – lin-log
(4) (Доверительный интервал) Оценим модель Z= b0+b1*U+e’
// ls Z c U
А) Проверим с.о. на нормальность – как в задаче (1)
Б) Проверим гипотезу о ГСК (гетероскедастичности) с.о.:
H0: D(e’i)=s2 (гомоскедастичность, ГСК нет)
H1: D(e’i)=s2i (ГСК есть)
по критерию Бройша-Пагана:
//eq01: view-> residual tests-> heterosk tests->выбрать Breusch-Pagan-Godfrey, ok
Prob F=0.00..<0.05 => гипотеза H0 отвергается при у.з. 5%,
по тесту Уайта:
//eq01: view-> residual tests-> heterosk tests->выбрать White, ok
Prob F=0.00..<0.05 => гипотеза H0 также отвергается при у.з. 5%,
=> ГСК есть
В) Строим график зависимости z^ от стандартизованных остатков:
//eq01: forecast zf; ste&zf open as group-> view-> graph-> scatter, FREEZE, NAME!!
по графику можно предположить, что D(e’i)=l*u2, l>0
Рассмотрим взвешенную МНК с весом 1/u:
// ls Z c U (заново) –> estimate->options->weighted ls, ввести 1/u, NAME eq02
Г) Снова проверим гипотезу: Бройш-Паган (провалился)
Уайт: Prob F=0.64>0.05 => гипотеза H0 не отвергается при у.з. 5%, ГСК теперь нет
Д) Строим дов. интервал на 90% по новому уравнению (по взвеш. МНК)
(b1 ±st.error(x)*tcrit)=(19.927+/−0.13*1.65)
// scalar t_crit=@qtdist(0.95, 198)=1,65!!! ЕСЛИ 95% ур.доверия, то (0.975, 198)
Ж) Можно проверить на нормальность с.о. новой модели.
(5) Оценим модель y= b0+b1*x+e’ // ls y c x
А) Проверим с.о. на нормальность – как в задаче (1)
Б) Проверим модель на АК с.о. типа AR1: проверим гипотезу
H0: r=0 (АК нет)
H1: r>0 (АК есть)
при помощи пакета EViews:
1) статистика Дарбина-Уотсона 0.29 –>0, => H0 отверг. при у.з. 5%
//см. eq01: estimation output – нижняя правая статистика Durbin-Watson stat
2) тест Бройша-Годфри:
//eq01: view->residual tests-> Serial Correlatoin LM Test, в окошке вписать [1]
Prob F=0.00..<0.05 => гипотеза H0 отвергается при у.з. 5%, АК есть
В) Оценим модель по нелинейному МНК, используя возможности EViews: // ls y c x ar(1)
тест тест Бройша-Годфри теперь не отвергает гипотезу H0 при у.з. 5%, т.к.
Prob F=0.16>0.05
Г) Теперь проверим двустороннюю гипотезу:
H0: b1=1.7
H1: b1≠1.7 tstat= 3,296 tcrit =1,67
//scalar t_stat=(b1-1.7)/Std/Err (x)=3,296 scalar t_crit=@qtdist(0.95, 46)=1,67
|tstat| > tcrit => H0 отверг. при у.з. 5%
Дата добавления: 2015-10-21; просмотров: 29 | Нарушение авторских прав
<== предыдущая лекция | | | следующая лекция ==> |
- бисер основного цвета № 10 примерно 80 грамм | | | Штормовая картушка для северного полушария (слева). |