Если ошибки регрессии автокоррелированы то

9.1.Суть и причины автокорреляции

Важной предпосылкой построения качественной регрессионной модели по МНК является независимость значений случайных отклонений εi от значений отклонений во всех других наблюдениях (см. параграф 5.1). Отсутствие зависимости гарантирует отсутствие коррелированности между любыми отклонениями (σ(εi, εj) = cov(εi, εj) = 0 при i ≠ j) и, в частности, между соседними отклонениями (σ(εi−1, εi) = 0), i = 2, 3, …, n.

Автокорреляция (последовательная корреляция) определяется как корреляция между наблюдаемыми показателями, упорядоченными во времени (временные ряды) или в пространстве (перекрестные данные). Автокорреляция остатков (отклонений) обычно встречается в регрессионном анализе при использовании данных временных рядов. При использовании перекрестных данных наличие автокорреляции (пространственной корреляции) крайне редко. В силу этого в дальнейших выкладках вместо символа i порядкового номера наблюдения будем использовать символ t, отражающий момент наблюдения. Объем выборки при этом будем обозначать символом T вместо n. В экономических задачах значительно чаще встречается так называемая

положительная автокорреляция (σ(εt−1, εt) > 0), нежели отрицательная автокорреляция (σ(εt−1, εt) < 0).

Чаще всего положительная автокорреляция вызывается направленным постоянным воздействием некоторых не учтенных в модели факторов. Суть автокорреляции поясним следующим примером. Пусть исследуется спрос Y на прохладительные напитки от дохода Х по ежемесячным данным. Трендовая зависимость, отражающая увеличение спроса с ростом дохода, может быть представлена линейной функцией Y= β0 + β1X, изображенной на рис. 9.1.

Лето

Зима

Зима

X

Рис. 9.1

Однако фактические точки наблюдений обычно будут превышать трендовую линию в летние периоды и будут ниже ее в зимние.

Аналогичная картина может иметь место в макроэкономическом анализе с учетом циклов деловой активности.

Отрицательная автокорреляция фактически означает, что за положительным отклонением имеет место отрицательное и наоборот. Возможная схема рассеивания точек в этом случае представлена на

рис. 9.2.

Y

X Рис. 9.2

Такая ситуация может иметь место, например, если ту же зависимость между спросом на прохладительные напитки и доходами рассматривать по сезонным данным (зима − лето).

Среди основных причин, вызывающих появление автокорреляции, можно выделить ошибки спецификации, инерцию в изменении экономических показателей, эффект паутины, сглаживание данных.

Ошибки спецификации. Неучет в модели какой-либо важной объясняющей переменной либо неправильный выбор формы зависимости обычно приводит к системным отклонениям точек наблюдений от линии регрессии, что может привести к автокорреляции.

Проиллюстрируем это следующим примером. Анализируется зависимость предельных издержек МС от объема выпуска Q. Если для ее описания вместо реальной квадратичной модели MC = β0 + β1Q + + β2Q2 + ε выбрать линейную модель MC = β0 + β1Q + ε, то совершается ошибка спецификации. Ее можно рассматривать как неправильный выбор формы модели или как отбрасывание значимой переменной при линеаризации указанных моделей. Последствия данной ошибки выразятся в системном отклонении точек наблюдений от прямой регрессии (рис. 9.3) и существенном преобладании последовательных отклонений одинакового знака над соседними отклонениями противоположных знаков. Налицо типичная картина, характерная для положительной автокорреляции.

9.2. Последствия автокорреляции

Последствия автокорреляции в определенной степени сходны с последствиями гетероскедастичности. Среди них при применении МНК обычно выделяются следующие.

1.Оценки параметров, оставаясь линейными и несмещенными, перестают быть эффективными. Следовательно, они перестают обладать свойствами наилучших линейных несмещенных оценок

(BLUE-оценок).

2.Дисперсии оценок являются смещенными. Зачастую дисперсии, вычисляемые по стандартным формулам, являются заниженными, что приводит к увеличению t-статистик. Это может привести к признанию статистически значимыми объясняющие переменные, которые в действительности таковыми могут и не являться.

оценкой истинного значения σ2 , во многих случаях занижая его.

4. В силу вышесказанного выводы по t- и F-статистикам, определяющим значимость коэффициентов регрессии и коэффициента детерминации, возможно, будут неверными. Вследствие этого ухудшаются прогнозные качества модели.

9.3.Обнаружение автокорреляции

Всилу неизвестности значений параметров уравнения регрессии

неизвестными будут также и истинные значения отклонений εt. Поэтому выводы об их независимости осуществляются на основе оце-

нок еt, полученных из эмпирического уравнения регрессии. Рассмотрим возможные методы определения автокорреляции.

9.3.1. Графический метод

Существует несколько вариантов графического определения автокорреляции. Один из них, увязывающий отклонения еt с моментами t их получения (их порядковыми номерами i), приведен на рис. 9.4. Это так называемые последовательно-временные графики. В этом случае по оси абсцисс обычно откладываются либо момент получения статистических данных, либо порядковый номер наблюдения, а по оси ординат отклонения εt (либо оценки отклонений еt).

Естественно предположить, что на рис. 9.4, а − г имеются определенные связи между отклонениями, т. е. автокорреляция имеет ме-

сто. Отсутствие зависимости на рис. 9.4, д, скорее всего, свидетельствует об отсутствии автокорреляции.

Рис. 9.4

Например, на рис. 9.4, б отклонения вначале в основном отрицательные, затем положительные, потом снова отрицательные. Это свидетельствует о наличии между отклонениями определенной зависимости. Более того, можно утверждать, что в этом случае имеет место положительная автокорреляция остатков. Она становится весьма наглядной, если график 9.4, б дополнить графиком зависимости еt от еt−1 , который в этом случае ориентировочно будет выглядеть так.

еt

еt−1

Рис. 9.5

Подавляющее большинство точек на этом графике расположено в I и III четвертях декартовой системы координат, подтверждая положительную зависимость между соседними отклонениями.

Следует сказать, что в современных эконометрических пакетах аналитическое выражение регрессии дополняется графическим представлением результатов. На график реальных колебаний зависимой переменной накладывается график колебаний переменной по уравнению регрессии. Сопоставив эти два графика, можно выдвинуть гипотезу о наличии автокорреляции остатков. Если эти графики пересекаются редко, то можно предположить наличие положительной автокорреляции остатков.

9.3.2. Метод рядов

Этот метод достаточно прост: последовательно определяются знаки отклонений et. Например,

(− − − − −)(+ + + + + + +)(− − −)(+ + + +)(−), т. е. 5 “−“, 7 “+”, 3 “−”, 4 “+”, 1 “−” при 20 наблюдениях.

Ряд определяется как непрерывная последовательность одинаковых знаков. Количество знаков в ряду называется длиной ряда.

Визуальное распределение знаков свидетельствует о неслучайном характере связей между отклонениями. Если рядов слишком мало по сравнению с количеством наблюдений n, то вполне вероятна положительная автокорреляция. Если же рядов слишком много, то вероятна отрицательная автокорреляция. Для более детального анализа предлагается следующая процедура. Пусть

n − объем выборки;

n1 − общее количество знаков “+” при n наблюдениях (количество положительных отклонений et);

n2 − общее количество знаков “−” при n наблюдениях (количество отрицательных отклонений et);

k − количество рядов.

При достаточно большом количестве наблюдений (n1 > 10, n2 > 10) и отсутствии автокорреляции СВ k имеет асимптотически нормальное распределение с

Тогда, если M(k) − uα/2 D(k) < k < M(k) + uα/2 D(k), то гипотеза об от-

сутствии автокорреляции не отклоняется.

Для более точного определения, какое значение DW свидетельствует об отсутствии автокорреляции, а какое об ее наличии, была построена таблица критических точек распределения Дарбина–Уотсона. По ней для заданного уровня значимости α, числа наблюдений n и количества объясняющих переменных m определяются два значения: dl − нижняя граница и du − верхняя граница.

Общая схема критерия Дарбина–Уотсона будет следующей:

1. По построенному эмпирическому уравнению регрессии

yt = b0 + b1xt1 + … + bm xtm определяются значения отклонений еt = уt − yt для каждого наблюдения t, t = 1, 2, …, T.

2.По формуле (9.1) рассчитывается статистика DW.

3.По таблице критических точек Дарбина–Уотсона определяются

два числа dl и du и осуществляют выводы по следующей схеме: 0 ≤ DW < dl − существует положительная автокорреляция,

dl ≤ DW < du − вывод о наличии автокорреляции не определен, du ≤ DW < 4 − du − автокорреляция отсутствует,

4 − du ≤ DW < 4 − dl − вывод о наличии автокорреляции не определен, 4 − dl ≤ DW ≤ 4 − существует отрицательная автокорреляция.

Отметим, что при использовании критерия Дарбина–Уотсона необходимо учитывать следующие ограничения.

1.Критерий DW применяется лишь для тех моделей, которые содержат свободный член.

2.Предполагается, что случайные отклонения εt определяются по следующей итерационной схеме εt = ρεt−1 + vt, называемой авторегрессионной схемой первого порядка AR(1). Здесь vt − случайный член.

3.Статистические данные должны иметь одинаковую периодичность (т. е. не должно быть пропусков в наблюдениях).

4.Критерий Дарбина–Уотсона не применим для регрессионных моделей, содержащих в составе объясняющих переменных зависимую переменную с временным лагом в один период, т. е. для так назы-

ваемых авторегрессионных моделей вида:

Причину четвертого ограничения поясним следующим примером. Пусть уравнение регрессии имеет вид:

Пусть случайное отклонение εt подвержено воздействию авторегрессии первого порядка:

Тогда уравнение регрессии (9.4) можно представить в следующем виде:

Но yt−1 зависит от εt−1, т. к. если (9.4) верно для t, то оно верно и для t − 1. Следовательно, имеется систематическая связь между одной из объясняющих переменных и одним из компонентов случайного члена. То есть не выполняется одна из основных предпосылок МНК (предпосылка 40) − объясняющие переменные не должны быть случайными (т. е. не иметь случайной составляющей). Значение любой объясняющей переменной должно быть экзогенным, полностью определенным. В противном случае оценки будут смещенными даже при больших объемах выборок.

Для авторегрессионных моделей разработаны специальные тесты обнаружения автокорреляции, в частности h-статистика Дарбина, которая определяется по формуле

где с − оценка ρ автокорреляции первого порядка (9.5), D(g) − выбо-

рочная дисперсия коэффициента при лаговой переменной yt−1 , n − число наблюдений.

При большом объеме выборки n и справедливости нулевой гипотезы H0: ρ = 0 статистика h имеет стандартизированное нормальное распределение (h N(0, 1)). Поэтому по заданному уровню значимости α определяется критическая точка uα/2 из условия Ф(uα/2) = (1 − α) / 2 и сравнивается h с uα/2. Если h > uα/2 , то нулевая гипотеза об отсутствии автокорреляции должна быть отклонена. В противном случае она не отклоняется.

Отметим, что обычно значение с рассчитывается по формуле

с = 1 − 0.5 DW, а D(g) равна квадрату стандартной ошибки Sg оценки g

коэффициента γ. Поэтому h легко вычисляется на основе данных оцененной регрессии.

Основная проблема с использованием этого теста заключается в невозможности вычисления h при n D(g) > 1.

9.4. Методы устранения автокорреляции

Основной причиной наличия случайного члена в модели являются несовершенные знания о причинах и взаимосвязях, определяющих то или иное значение зависимой переменной. Поэтому свойства случайных отклонений, в том числе и автокорреляция, в первую очередь зависят от выбора формулы зависимости и состава объясняющих переменных. Так как автокорреляция чаще всего вызывается неправильной спецификацией модели, то для ее устранения необходимо, прежде всего, попытаться скорректировать саму модель. Возможно, автокорреляция вызвана отсутствием в модели некоторой важной объясняющей переменной. Необходимо попытаться определить данный фактор и учесть его в уравнении регрессии (см. пример из параграфа 6.7). Также можно попробовать изменить формулу зависимости (например, линейную на лог-линейную, линейную на гиперболическую и т. д.). Однако если все разумные процедуры изменения спецификации модели, на ваш взгляд, исчерпаны, а автокорреляция имеет место, то можно предположить, что она обусловлена какими-то внутренними свойствами ряда {et}. В этом случае можно воспользоваться авторегрессионным преобразованием. В линейной регрессионной модели либо в моделях, сводящихся к линейной, наиболее целесообразным и про-

стым преобразованием является авторегрессионная схема первого по-

рядка AR(1).

Для простоты изложения AR(1) рассмотрим модель парной линейной регрессии

Пусть случайные отклонения подвержены воздействию авторегрессии первого порядка (9.5):

εt = ρεt−1 + υt,

где υt , t = 2, 3, … , T − случайные отклонения, удовлетворяющие всем предпосылкам МНК, а коэффициент ρ известен.

Вычтем из (9.9) соотношение (9.10), умноженное на ρ:

Положив yt* = yt − ρyt−1, xt* = xt − ρxt−1, β0* = β0(1 − ρ) и с учетом

(9.5), получим:

Так как по предположению коэффициент ρ известен, то очевидно, yt*, xt*, υt вычисляются достаточно просто. В силу того, что случайные отклонения υt удовлетворяют предпосылкам МНК, то оценки β0* и β1 будут обладать свойствами наилучших линейных несмещенных оценок.

Однако способ вычисления yt*, xt* приводит к потере первого наблюдения (если мы не обладаем предшествующим ему наблюдением). Число степеней свободы уменьшится на единицу, что при больших выборках не так существенно, но при малых выборках может привести к потере эффективности. Эта проблема обычно преодолевается с помощью поправки Прайса–Винстена:

x1 = 1− с2 x1,

(9.13)

y1 = 1− с2 y1.

Отметим, что авторегрессионное преобразование может быть обобщено на произвольное число объясняющих переменных, т. е. использовано для уравнения множественной регрессии.

Авторегрессионное преобразование первого порядка AR(1) может быть обобщено на преобразования более высоких порядков

AR(2), AR(3) и т. д.:

εt = ρ1εt−1 + ρ2 εt−2 + υt ,

(9.14)

εt = ρ1εt−1 + ρ2 εt−2 + ρ3 εt−3 + υt.

Однако на практике значение коэффициента ρ обычно неизвестно и его необходимо оценивать. Существует несколько методов оценивания. Приведем наиболее употребляемые.

9.4.1. Определение ρ на основе статистики Дарбина–Уотсона

Напомним, что статистика Дарбина–Уотсона тесно связана с коэффициентом корреляции между соседними отклонениями через соотношение (9.2):

DW ≈ 2(1 − ret et−1 ).

Тогда в качестве оценки коэффициента ρ может быть взят коэффициент r = ret et−1 . Из (9.2) имеем:

9.4.2. Метод Кохрана–Оркатта

Другим возможным методом оценивания ρ является итеративный процесс, называемый методом Кохрана–Оркатта. Опишем данный метод на примере парной регрессии (9.8):

Y = β0 + β1X + ε

и авторегрессионной схемы (9.5) первого порядка AR(1)

εt = ρ εt−1 + υt .

1.Оценивается по МНК регрессия (9.8) и для нее определяются оцен-

ки et отклонений εt, t = 1, 2, …, n.

2.Используя схему AR(1), оценивается регрессионная зависимость

с помощью которого оцениваются коэффициенты α и β (в этом случае значение с известно).

4.Значения β0 = б(1 − с) и β1 = β подставляются в (9.8). Вновь вычисляются оценки et отклонений и процесс возвращается к этапу 2.

Чередование этапов осуществляется до тех пор, пока не будет достигнута требуемая точность. То есть пока разность между предыдущей и последующей оценками ρ не станет меньше любого наперед заданного числа.

9.4.3. Метод Хилдрета–Лу

По данному методу регрессия (9.11) оценивается для каждого возможного значения ρ из интервала [−1, 1] с любым шагом (например, 0.001; 0.01 и т. д.). Величина с , дающая наименьшую стандарт-

ную ошибку регрессии, принимается в качестве оценки коэффициента

ρ. И значения β0* и β1 оцениваются из уравнения регрессии (9.11) именно с данным значением с .

Этот итерационный метод широко используется в эконометрических пакетах.

9.4.4.Метод первых разностей

Вслучае, когда есть основания считать, что автокорреляция отклонений очень велика, можно использовать метод первых разностей.

Для временных рядов характерна положительная автокорреляция

остатков. Поэтому при высокой автокорреляции полагают ρ = 1, и, следовательно, уравнение (9.11) принимает вид:

yt − yt−1 = β1( xt − xt−1) + ( εt − εt−1 )

Из уравнения (9.19) по МНК оценивается коэффициент β1. Заметим, что коэффициент β0 в данном случае не определяется непосредственно. Однако из МНК известно, что β0 = y − в1x .

В случае ρ = −1, сложив (9.9) и (9.10) с учетом (9.5), можно получить следующее уравнение регрессии:

yt + yt−1 = 2β0 + β1( xt + xt−1) + υt

Однако метод первых разностей предполагает уж слишком сильное упрощение (ρ = ± 1). Поэтому более предпочтительными являются приведенные выше итерационные методы.

Итак, подведем итог. В силу ряда причин (ошибок спецификации, инерционности рассматриваемых зависимостей и др.) в регрессионных моделях может иметь место корреляционная зависимость между соседними случайными отклонениями. Это нарушает одну из фундаментальных предпосылок МНК. Вследствие этого оценки, полученные на основе МНК, перестают быть эффективными. Это делает ненадежными выводы по значимости коэффициентов регрессии и по качеству самого уравнения. Поэтому достаточно важным является умение определить наличие автокорреляции и устранить это нежелатель-

ное явление. Существует несколько методов определения автокорреляции, среди которых были выделены графический, метод рядов, критерий Дарбина–Уотсона.

При установлении автокорреляции необходимо в первую очередь проанализировать правильность спецификации модели. Если после ряда возможных усовершенствований регрессии (уточнения состава объясняющих переменных либо изменения формы зависимости) автокорреляция по-прежнему имеет место, то, возможно, это связано с внутренними свойствами ряда отклонений {εt}. В этом случае возможны определенные преобразования, устраняющие автокорреляцию. Среди них выделяется авторегрессионная схема первого порядка AR(1), которая, в принципе, может быть обобщена в AR(k), k = 2, 3, …

Для применения указанных схем необходимо оценить коэффициент корреляции между отклонениями. Это может быть сделано различными методами: на основе статистики Дарбина–Уотсона, Кохрана–Ор- катта, Хилдрета–Лу и др. В случае наличия среди объясняющих переменных лаговой зависимой переменной наличие автокорреляции устанавливается с помощью h-статистики Дарбина. А для ее устранения в этом случае предпочтителен метод Хилдрета–Лу.

Вопросы для самопроверки

1.Что такое автокорреляция?

2.Назовите основные причины автокорреляции.

3.Что может вызвать отрицательную автокорреляцию?

4.Какая предпосылка МНК нарушается при автокорреляции?

5.Каковы последствия автокорреляции?

6.Перечислите основные методы обнаружения автокорреляции.

7.Опишите схему использования статистики DW Дарбина–Уотсона.

8.Перечислите ограничения использования статистики DW Дарбина–Уотсона.

9.Какая статистика используется для обнаружения автокорреляции в авторегрессионных моделях?

10.Опишите авторегрессионную схему первого порядка AR(1).

11.В чем смысл поправки Прайса–Винстена?

12.Опишите способы определения коэффициента автокорреляции ρ в авторегрессионной схеме первого порядка AR(1).

13.Будут ли верными или ложными следующие утверждения. Ответы поясните.

а) Автокорреляция характерна в основном для временных рядов.

б) При наличии автокорреляции оценки, полученные по МНК, являются смещенными.

в) Статистика DW Дарбина–Уотсона не используется в авторегрессионных моделях.

г) Статистика DW Дарбина–Уотсона лежит в пределах от 0 до 4.

д) Для использования статистики DW статистические данные должны иметь одинаковую периодичность.

е) Авторегрессионная схема первого порядка AR(1) устраняет автокорреляцию только в случае, когда коэффициент автокорреляции ρ = 1.

ж) При наличии автокорреляции значение коэффициента детерминации R2 будет всегда существенно ниже единицы.

з) Автокорреляция всегда является следствием неправильной спецификации модели.

Упражнения и задачи

1.Пусть при 50 наблюдениях и трех объясняющих переменных статистика DW принимает следующие значения:

а) 0.91; б) 1.37; в) 2.34; г) 3.01; д) 3.72.

Не заглядывая в таблицу критических точек Дарбина–Уотсона, выскажите мнение о наличии автокорреляции. Проверьте свои выводы по таблице.

2.По таблице критических точек Дарбина–Уотсона для α = 0.05 и α = 0.01 определите значения статистики DW, дающие основание отклонить гипотезу о наличии автокорреляции при объеме выборки n и числе объясняющих пере-

Сравните полученные результаты, сделайте выводы.

3.Используя таблицу Сведа и Эйзенхарта (приложение 7), определите наличие автокорреляции по методу рядов (n − объем выборки, n1 − общее количество

знаков “+”, n2 − общее количество знаков “−”, k − количество рядов).

4.По статистическим данным за 20 лет построено уравнение регрессии между ценой бензина и объемом продаж бензина, для которого DW = 0.71.

а) Будет ли в данном случае иметь место автокорреляция остатков? Если да, то она положительная или отрицательная?

б) Что могло послужить причиной автокорреляции?

в) Какой критерий вы использовали для определения наличия автокорреляции?

г) Какими будут ваши рекомендации по совершенствованию модели?

5.По квартальным данным за 9 лет анализируют зависимость между экспортом (EX) и импортом (IM). Имеются следующие статистические данные:

а) Постройте уравнение регрессии текущего импорта на текущий экспорт. б) Проверьте качество построенной модели на основе t-статистик и коэффи-

циента детерминации R2.

в) Вычислите значение статистики DW Дарбина–Уотсона и на ее основе проанализируйте наличие автокорреляции.

г) На основе полученных результатов будет ли отклоняться гипотеза о положительной зависимости между объемами экспорта и импорта.

д) По этим же статистическим данным постройте регрессию приращения

импорта (∆IM = IMt − IMt−1) на приращение экспорта (∆EX = EXt − EXt−1). е) Каково значение статистики DW для построенного уравнения и какой вывод из этого следует.

ж) Прокомментируйте полученные результаты.

6.По квартальным данным за 35 лет построено уравнение регрессии:

где DI − располагаемый доход, t − время. В скобках указаны стандартные ошибки.

а) Сделайте выводы о качестве построенной модели.

б) Можно ли на основе построенной модели сделать заключение о возрастании располагаемого дохода на рассматриваемом временном интервале.

в) Какими могут быть предложения по совершенствованию модели?

г) Будет ли в данном случае рациональным, с точки зрения смягчения проблемы автокорреляции, переход от абсолютных значений рассматриваемых параметров к их приростам по аналогии с предыдущей задачей?

7.По тридцати годовым данным по МНК построено уравнение регрессии:

где yt − число банкротств; xt1 − уровень безработицы; xt2 − краткосрочная процентная ставка; xt3 − объем новых заказов в момент времени t.

а) Оцените качество построенной модели.

б) Проинтерпретируйте оцененный коэффициент для lnx3t.

в) Какая нулевая гипотеза проверяется на базе статистики DW? Проверьте данную гипотезу при уровне значимости α = 0.01.

г) Оказывает ли существенное влияние на число банкротств краткосрочная процентная ставка?

д) Можно ли оценить коэффициент корреляции между случайными отклонениями?

8.Осуществляется анализ средних годовых расходов (Y) студентов на развлечения. По статистическим данным за 32 года по МНК построено следующее

уравнение регрессии:

)

yt = 41.2 + 0.254 xt + 0.539yt−1

Х − располагаемый доход студента после уплаты за обучение и общежитие.

а) Оцените качество построенной модели.

б) Постройте 95%-ный доверительный интервал для коэффициента при Х. в) Насколько вырастут расходы на развлечения при росте располагаемого дохода на единицу.

г) Проверьте гипотезу об отсутствии автокорреляции остатков при альтернативной гипотезе о положительной автокорреляции с уровнем значимости

α = 0.01.

9.Приведены статистические данные за 25 лет по темпам прироста заработной платы Y%, производительности труда Х1%, а также уровню инфляции Х2%.

Оцените по МНК уравнение регрессии Y = β0 + β1X1 + β2X2 + ε.

Оцените качество построенного уравнения, проведя при этом проверку наличия гетероскедастичности и автокорреляции.

10.Анализируется зависимость между инфляцией (INF) и безработицей (U). Используются статистические данные за 25 лет:

В качестве модели рекомендуется воспользоваться следующим уравнением:

ln INFt = β0 + β1lnUt + εt.

а) По МНК оцените коэффициенты β0 и β1.

б) Постройте 95 %-ный доверительный интервал для коэффициента β1. в) Оцените качество построенного уравнения.

г) Вычислите статистику DW Дарбина–Уотсона и на ее основе определите наличие автокорреляции.

д) Проверьте наличие автокорреляции с помощью метода рядов.

е) Сделайте вывод о качестве интервальной оценки для коэффициента β1. ж) Переоцените модель, используя для этого авторегрессионную схему первого порядка AR(1).

з) Постройте новый 95 %-ный доверительный интервал для коэффициента β1. Сравните его с предыдущим интервалом.

и) Прокомментируйте результаты.

11. По 30-годовым наблюдениям строится функция инвестиций: it = β0 + β1yt + β2rt + εt,

где it − объем инвестиций в году t; yt − ВНП в году t; rt − процентная ставка в году t.

а) Оцените по МНК коэффициенты искомого уравнения регрессии.

б) Оцените статистическую значимость коэффициентов и общее качество уравнения регрессии.

в) Используя статистику DW Дарбина–Уотсона, оцените наличие автокорреляции остатков для построенного уравнения.

г) При наличии автокорреляции переоцените уравнение регрессии, используя для этого авторегрессионную схему первого порядка AR(1).

д) Спрогнозируйте объем инвестиций на следующий год, если прогнозируемые значения ВНП и процентной ставки составят соответственно yt+1 = 37 и

rt+1 = 15.

е) Постройте 95 %-ный доверительный интервал для среднего значения прогноза.