Табличные значения дарбина уотсона. Тест дарбина-уотсона на наличие автокорреляции остатков

Министерство образования и науки Республики Казахстан Костанайский государственный университет им. А. Байтурсынова

Факультет экономический

Кафедра информационных систем

Дисциплина: Эконометрика

На тему: Автокорреляция в остатках.

Критерий Дарбина-Уотсона

Выполнила: студентка 2 курса

050509-Финансы,08-501-45 группы

Бимурзина Бахытгуль

Проверил: Жуаспаев Т.А.

Костанай,2010 год

1.Критерий Дарбина-Уотсона.

2.Уравнение автокорреляции в остатках путем расчета критерия Дарбина-Уотсона.

1. Критерий Дарбина-Уотсона (или DW-критерий) - статистический критерий, используемый для нахождения автокорреляции остатков первого порядка регрессионной модели. Критерий назван в честь Джеймса Дарбина и Джеффри Уотсона. Критерий Дарбина-Уотсона рассчитывается по следующей формуле:

где ρ 1 - коэффициент автокорреляции первого порядка.

В случае отсутствия автокорреляции ошибок d = 2, при положительной автокорреляции d стремится к нулю, а при отрицательной стремится к 4:

На практике применение критерия Дарбина-Уотсона основано на сравнении величины d с теоретическими значениями d L и d U для заданного числа наблюдений n , числа независимых переменных модели k и уровня значимости α.

Если d d L , то гипотеза о независимости случайных отклонений отвергается (следовательно присутствует положительная автокорреляция);

Если d > d U , то гипотеза не отвергается;

Если d L d d U , то нет достаточных оснований для принятия решений.

Когда расчетное значение d превышает 2, то с d L и d U сравнивается не сам коэффициент d , а выражение (4 − d ).

Также с помощью данного критерия выявляют наличие коинтеграции между двумя временными рядами . В этом случае проверяют гипотезу о том, что фактическое значение критерия равно нулю. С помощью метода Монте-Карло были получены критические значения для заданных уровней значимости. В случае, если фактическое значение критерия Дарбина-Уотсона превышает критическое, то нулевую гипотезу об отсутствии коинтеграции отвергают.

Недостатки:

Не способен выявлять автокорреляцию второго и более высоких порядков.

Даёт достоверные результаты только для больших выборок ] .

Критерий h Дарбина применяется для выявления автокорреляции остатков в модели с распределёнными лагами:

где n - число наблюдений в модели;

V - стандартная ошибка лаговой результативной переменной.

При увеличении объёма выборки распределение h -статистики стремится к нормальному с нулевым математическим ожиданием и дисперсией , равной 1. Поэтому гипотеза об отсутствии автокорреляции остатков отвергается, если фактическое значение h -статистики оказывается больше, чем критическое значение нормального распределения.

Критерий Дарбина-Уотсона для панельных данных

Для панельных данных используется немного видоизменённый критерий Дарбина-Уотсона:

В отличие от критерия Дарбина-Уотсона для временных рядов в этом случае область неопределенности является очень узкой, в особенности, для панелей с большим количеством индивидуумов.

2. Рассмотрим уравнение регрессии вида:

y t = a + ∑ b j ⋅ x jt + ε t

Для каждого момента (периода) времени t = 1,..., n значение компоненты εt

определяется из соотношения

ε t = y t − y t = y t − (a + ∑ b j ⋅ x jt).

Рассматривая последовательность остатков как временной ряд, можно построить график их зависимости от времени. В соответствии с предпосылками

МНК остатки εt должны быть случайными. Однако при моделировании временных рядов нередко встречается ситуация, когда остатки содержат тенденцию или циклические колебания. Что свидетельствует о том, что каждое следующее значение остатков зависит от предшествующих. В этом случае говорят о наличии автокорреляции остатков.

Автокорреляция остатков может быть вызвана несколькими причинами,

имеющими различную природу:

1) наличие ошибок измерения в значениях результативного признака;

2) модель может не включать фактор, окапывающий существенное воздействие на результат, влияние которого отражается в остатках, вследствие чего последние могут оказаться автокоррелированными. Очень часто этим фактором является фактор времени t. Кроме того, в качестве таких существенных факто-

ров могут выступать лаговые значения переменных, включенных в модель;

3) модель не учитывает несколько второстепенных факторов, совместное

влияние которых на результат существенно ввиду совпадения тенденций их изменения или фаз циклических колебаний;

4) неправильная спецификация функциональной формы модели. В этом

случае следует изменить форму связи факторных и результативного признаков,

а не использовать специальные методы расчета параметров уравнения регрессии при наличии автокорреляции остатков.

Существуют два наиболее распространенных метода определения авто-

корреляции остатков.

Первый метод - это построение графика зависимости остатков от време-

ни и визуальное определение наличия или отсутствия автокорреляции.

Второй метод – использование критерия Дарбина - Уотсона и расчет

величины

∑ (ε t − ε t −1)2

Величина d есть отношение суммы квадратов разностей последовательных значений остатков к остаточной сумме квадратов по модели регрессии. Практически во всех статистических ППП значение критерия Дарбина – Уотсона указывается наряду с коэффициентом детерминации, значения-

ми t- и F-критериев.

Коэффициент автокорреляции остатков первого порядка определяется как

∑ (ε t − ε 1)(ε t −1 − ε 2)

Между критерием Дарбина–Уотсона и коэффициентом автокорреляции остатков первого порядка имеет место следующее соотношение:

d ≈ 2 ⋅ (1 − r1ε).

Таким образом, если в остатках существует полная положительная автокорреляция и rε1 = 1, то d = 0. Если в остатках полная отрицательная автокорреляция, то rε1 = – 1 и, следовательно, d = 4. Если автокорреляция остатков отсутствует, то rε1 = 0 и d = 2. Следовательно,

Алгоритм выявления автокорреляции остатков на основе критерия Дарбина–Уотсона следующий. Выдвигается гипотеза Н0 об отсутствии автокорреляции остатков. Альтернативные гипотезы Н1 и Н1* состоят, соответственно, в наличии положительной или отрицательной автокорреляции в остатках. Далее по специальным таблицам определяются критические значения критерия Дарбина–Уотсона dL и dU для заданного числа наблюдений n, числа независимых переменных модели k и уровня значимости α. По этим значениям числовой промежуток разбивают на пять отрезков.

Если фактическое значение критерия Дарбина – Уотсона попадает в зону

неопределенности, то на практике предполагают существование автокорреляции остатков и отклоняют гипотезу H0.

y t = a + b ⋅ xt + ε t ;

Примем некоторые допущения относительно этого уравнения:

Пусть уt и хt не содержат тенденции, например, представляют собой отклонения выровненных по трендам значений от исходных уровней временных

Пусть оценки а и b параметров уравнения регрессии найдены обычным

Пусть критерий Дарбина – Уотсона показал наличие автокорреляции в

остатках первого порядка.

Основной подход к оценке параметров модели регрессии в случае, когда

имеет место автокорреляция остатков, заключается в следующем: исходная модель регрессии (6.1) с помощью замены переменных приводится к виду

y t′ = a ′ + b ⋅ x t′ + u t , где y t′ = y t − r1ε ⋅ y t −1 ; x t′ = x t − r1ε ⋅ x t −1 ;

u t = ε t − r1ε ⋅ ε t −1 ; a ′ = a (1 − r1ε).

Здесь rε1 – коэффициент автокорреляции первого порядка.

Поскольку ut, – случайная ошибка, то для оценки параметров преобразованного уравнения можно применять обычный МНК.

Итак, если остатки по исходному уравнению регрессии содержат автокор-

реляцию, то для оценки параметров уравнения используют обобщенный МНК.

Его реализация разбивается на следующие этапы:

1. Перейти от исходных переменных уt и хt к переменным у’t и х’t по фор-

2. Применив обычный МНК к уравнению, определить оценки пара-

a = a ′ /(1 − r1ε).

Одним из методов расчета параметров уравнения авторегрессии является

метод инструментальных переменных. Сущность этого метода состоит в том,

чтобы заменить переменную yt-1 из правой части модели, для которой нарушаются предпосылки МНК, на новую переменную ŷt-1, включение которой в модель регрессии не приводит к нарушению его предпосылок.

Искомая новая переменная, которая будет введена в модель вместо yt-1,

должна иметь два свойства.

Во-первых, она должна тесно коррелировать с yt-1, во-вторых, она не должна коррелировать с остатками ut.

Существует несколько способов получения такой инструментальной переменной.

1 способ. Поскольку в модели переменная yt зависит не только от yt-1, но и от xt, можно предположить, что имеет место зависимость yt-1 от xt-1, т. е.

y t −1 = d 0 + d 1 ⋅ x t −1 + u t .

Таким образом, переменную yt-1 можно выразить следующим образом:

y t −1 = y t −1 + u t , где

y t −1 = d 0 + d 1 ⋅ x t −1 .

Распределение этой величины приблизительно можно аппроксимировать

стандартизованным нормальным распределением. Поэтому для проверки гипотезы о наличии автокорреляции остатков можно либо сравнивать полученное фактическое значение критерия h с табличным, воспользовавшись таблицами

стандартизованного нормального распределения, либо действовать в соответствии со следующим правилом принятия решения.

1. Если h > 1,96, нуль–гипотеза об отсутствии положительной автокорреляции остатков отклоняется.

3. Если –1,96

Список использованной литературы:

1. Суслов В. И., Ибрагимов Н. М., Талышева Л. П., Цыплаков А.А. Эконометрия. - Новосибирск: СО РАН, 2005. - 744 с.

2. Эконометрика. Учебник / Под ред. Елисеевой И.И.. - 2-е изд. - М.: Финансы и статистика, 2006. - 576 с.

3. Кремер Н.Ш., Путко Б.А. Эконометрика. - М.: Юнити-Дана, 2003-2004. - 311 с.

4. Ратникова Т.А. Введение в эконометрический анализ панельных данных (рус.) // Экономический журнал ВШЭ. - 2006. - № 3. - С. 492-519.

Таблица П.А.1. Значения статистик d L и d U критерия Дарбина –Уотсона при уровне значимости a= 0,05

(n-число наблюдений, p- число объясняющих переменных).

Таблица П.А.2 Значения статистик d L и d U критерия Дарбина –Уотсона

при уровне значимости a= 0,01

(n-число наблюдений, p- число объясняющих переменных)

Приложение Б. Исследование уравнений регрессии

С помощью пакетов прикладных программ Excel

Общие сведения

Исследование линейного уравнение регрессии с помощью ППП Excel возможно с использованием встроенной статистической функции ЛИНЕЙН, либо с помощью инструмента анализа данных РЕГРЕССИЯ. Рассмотрим каждый из этих вариантов.

1. Встроенная статистическая функция ЛИНЕЙН определяет параметры a ,b линейного уравнения регрессии y=a+b∙x . Порядок вычислений следующий:

1.1. Введите исходные данные или откройте существующий файл, содержащий анализируемые данные.

1.2. Выделите область пустых ячеек 5×2 (5 строк и 2 столбца) для вывода результатов регрессионной статистики (или область 1×2 –для получения только оценок коэффициентов регрессии).

1.3. Активизируйте Мастер функций, в окне Категория выберите Статистические , в окне Функция – Линейн .

1.4. Заполните аргументы функции:

Известные значения y- диапазон, содержащий данные зависимой переменной Y ;

Известные значения x- диапазон, содержащий данные независимой переменной X ;

Константа – логическое значение, которое указывает на наличие или отсутствие свободного члена в уравнении регрессии. Если Константа =1, то свободный член a в уравнении регрессии рассчитывается обычным образом; если Константа =0, то свободный член равен нулю, a =0.

Статистика – логическое значение, которое указывает, выводить дополнительную информацию по регрессионному анализу или нет. Если Статистика= 1, то выводится дополнительная информация; если Статистика =0, то выводятся только оценки параметров уравнения.

1.5. После заполнения аргументов в левой верхней ячейке выделенной области появится первый элемент итоговой таблицы. Чтобы раскрыть всю таблицу, нужно нажать на клавишу «F 2», а затем на комбинацию клавиш «CTRL »+«SHIFT »+«ENTER ». Дополнительная регрессионная статистика будет выводиться в следующем порядке:

2. С помощью инструмента анализа данных Регрессия, помимо результатов регрессионной статистики, можно выполнить дисперсионный анализ, построить доверительные интервалы для параметров уравнения регрессии, можно получить остатки, графики остатков и графики подбора линии регрессии. Последовательность подключения и работы с инструментом анализа данных следующая:

2.1. Для подключения пакета анализа данных в главном меню последовательно выберите Сервис/Надстройки . Установите флажок у надстройки Пакет анализа .

2.2 В главном меню выберите Сервис/Анализ данных/Регрессия .

2.3. Заполните диалоговое окно ввода данных и параметров вывода.

Выходной интервал Y - здесь требуется задать состоящий из одного столбца диапазон анализируемых зависимых данных.

Входной интервал Х - здесь требуется задать диапазон значений независимой переменной (или нескольких независимых переменных).

Метки - здесь требуется установка флажка, если первая строка или первый столбец входного интервала содержит заголовки. Если заголовков нет, то флажок надо снять. Для удобства последующего анализа полученных результатов рекомендуется всегда иметь заголовочную строку (или столбец) в поле исходных данных и поэтому всегда включать метки во входной интервал (не забывать щелкать по флажку "метки"). Если мы забудем включить этот флажок при наличии меток, то вместо расчета получим прерывание и сообщение "Входной интервал содержит нечисловые данные ".

Уровень надежности - по умолчанию, применяется уровень 95%. Установить флажок, если нужно включить в выходной диапазон дополнительный уровень, а в поле (рядом) ввести уровень надежности, который будет использован дополнительно к применяемому.

Константа – ноль – этот флажок необходимо пометить только в том случае, если нужно получить уравнение без свободного члена, чтобы линия регрессии прошла через начало координат.В целях исключения ошибок спецификациимодели линейной регрессиирекомендуется не активизировать этот флажок и всегда рассчитывать значение константы; в дальнейшем, если это значение окажется незначимым, им можно пренебречь.

Выходной диапазон - здесь требуется определить левую верхнюю ячейку выходного диапазона. Необходимо минимум семь столбцов для итогового диапазона, который будет включать в себя: результаты дисперсионного анализа, коэффициенты регрессии, стандартную погрешность вычисления Y , среднеквадратичные отклонения, число наблюдений, стандартные погрешности для коэффициентов. В случае сложной задачи, где требуется получить большое число результатов исследования уравнений, лучше воспользоваться возможностью размещения каждого из них на новом рабочем листе.

Новый лист - здесь требуется установить переключатель для открытия нового листа в книге под результаты анализа, начиная с ячейки А 1. Можно ввести имя нового листа в поле напротив переключателя.

Остатки- установкой этого флажка заказывается включение остатков в выходной диапазон. Для получения максимума информации в ходе исследования рекомендуется активизировать этот и все описанные ниже флажки диалогового окна.

График остатков - чтобы построить диаграмму остатков для каждой независимой переменной, нужно установить этот флажок.

График подбора - это важнейший график, а точнее серия графиков, показывающих насколько хорошо теоретическая линия регрессии (т.е. предсказания) подобрана к наблюдаемым данным.

Важной предпосылкой построения качественной регрессионной модели по МНК является независимость значений случайных отклонений от значений отклонений во всех других наблюдениях. Отсутствие зависимости гарантирует отсутствие коррелированности между любыми отклонениями, т.е. и, в частности, между соседними отклонениями .

Автокорреляция (последовательная корреляция ) остатков определяется как корреляция между соседними значениями случайных отклонений во времени (временные ряды) или в пространстве (перекрестные данные). Она обычно встречается во временных рядах и очень редко – в пространственных данных.

Возможны следующие случаи :

Эти случаи могут свидетельствовать о возможности улучшить уравнение путём оценивания новой нелинейной формулы или включения новой объясняющей переменной.

В экономических задачах значительно чаще встречается положительная автокорреляция, чем отрицательная автокорреляция.

Если же характер отклонений случаен , то можно предположить, что в половине случаев знаки соседних отклонений совпадают, а в половине – различны.

Автокорреляция в остатках может быть вызвана несколькими причинами, имеющими различную природу.

1. Она может быть связана с исходными данными и вызвана наличием ошибок измерения в значениях результативного признака.

2. В ряде случаев автокорреляция может быть следствием неправильной спецификации модели. Модель может не включать фактор, который оказывает существенное воздействие на результат и влияние которого отражается в остатках, вследствие чего последние могут оказаться автокоррелированными. Очень часто этим фактором является фактор времени .

От истинной автокорреляции остатков следует отличать ситуации, когда причина автокорреляции заключается в неправильной спецификации функциональной формы модели. В этом случае следует изменить форму модели, а не использовать специальные методы расчета параметров уравнения регрессии при наличии автокорреляции в остатках.

Для обнаружения автокорреляции используют либо графический метод. Либо статистические тесты.

Графический метод заключается в построении графика зависимости ошибок от времени (в случае временных рядов) или от объясняющих переменных и визуальном определении наличия или отсутствия автокорреляции.

Наиболее известный критерий обнаружения автокорреляции первого порядка – критерий Дарбина-Уотсона . Статистика DW Дарбина-Уотсона приводится во всех специальных компьютерных программах как одна из важнейших характеристик качества регрессионной модели.

Сначала по построенному эмпирическому уравнению регрессии определяются значения отклонений . А затем рассчитывается статистика Дарбина-Уотсона по формуле:

.

Статистика DW изменяется от 0 до 4. DW =0 соответствует положительной автокорреляции, при отрицательной автокорреляции DW =4 . Когда автокорреляция отсутствует , коэффициент автокорреляции равен нулю, и статистика DW = 2 .

Алгоритм выявления автокорреляции остатков на основе критерия Дарбина-Уотсона следующий.

Выдвигается гипотеза об отсутствии автокорреляции остатков . Альтернативные гипотезы и состоят, соответственно, в наличии положительной или отрицательной автокорреляции в остатках. Далее по специальным таблицам определяются критические значения критерия Дарбина-Уотсона (- нижняя граница признания положительной автокорреляции) и (-верхняя граница признания отсутствия положительной автокорреляции) для заданного числа наблюдений , числа независимых переменных модели и уровня значимости . По этим значениям числовой промежуток разбивают на пять отрезков. Принятие или отклонение каждой из гипотез с вероятностью осуществляется следующим образом:

– положительная автокорреляция, принимается ;

– зона неопределенности;

– автокорреляция отсутствует;

– зона неопределенности;

– отрицательная автокорреляция, принимается .

Если фактическое значение критерия Дарбина-Уотсона попадает в зону неопределенности, то на практике предполагают существование автокорреляции остатков и отклоняют гипотезу .

Можно показать, что статистика DW тесно связана с коэффициентом автокорреляции первого порядка:

Связь выражается формулой: .

Значения r изменяются от –1 (в случае отрицательной автокорреляции) до +1 (в случае положительной автокорреляции). Близость r к нулю свидетельствует об отсутствии автокорреляции.

При отсутствии таблиц критических значений DW можно использовать следующее «грубое» правило: при достаточном числе наблюдений (12-15), при 1-3 объясняющих переменных, если , то отклонения от линии регрессии можно считать взаимно независимыми.

Либо применить к данным уменьшающее автокорреляцию преобразование (например автокорреляционное преобразование или метод скользящих средних).

Существует несколько ограничений на применение критерия Дарбина-Уотсона.

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

2. Предполагается, что случайные отклонения определяются по итерационной схеме

,

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

4. Критерий Дарбина – Уотсона не применим к авторегрессионным моделям, которые содержат в числе факторов также зависимую переменную с временным лагом (запаздыванием) в один период.

,

где – оценка коэффициента автокорреляции первого порядка, D(c) – выборочная дисперсия коэффициента при лаговой переменной y t -1 , n – число наблюдений.

Обычно значение рассчитывается по формуле , а D(c) равна квадрату стандартной ошибки S c оценки коэффициента с .

В случае наличия автокорреляции остатков полученная формула регрессии обычно считается неудовлетворительной. Автокорреляция ошибок первого порядка говорит о неверной спецификации модели. Поэтому следует попытаться скорректировать саму модель. Посмотрев на график ошибок, можно поискать другую (нелинейную) формулу зависимости, включить неучтённые до этого факторы, уточнить период проведения расчётов или разбить его на части.

Если все эти способы не помогают и автокорреляция вызвана какими–то внутренними свойствами ряда {e i }, можно воспользоваться преобразованием, которое называется авторегрессионной схемой первого порядка AR(1 ). (Авторегрессией это преобазование называется потому, что значение ошибки определяется значением той же самой величины, но с запаздыванием.Т.к. максимальное запаздывание равно 1, то это авторегрессияпервого порядка).

Формула AR(1 ) имеет вид: . .

Где -коэффициент автокорреляции первого порядка ошибок регрессии.

Рассмотрим AR(1) на примере парной регрессии:

.

Тогда соседним наблюдениям соответствует формула:

(1),

(2).

Умножим (2) на и вычтем из (1):

Сделаем замены переменных

получим с учетом :

(6) .

Поскольку случайные отклонения удовлетворяют предпосылкам МНК, оценки а * и b будут обладать свойствами наилучших линейных несмещенных оценок. По преобразованным значениям всех переменных с помощью обычного МНК вычисляются оценки параметров а* и b , которые затем можно использовать в регрессии.

Т.о. если остатки по исходному уравнению регрессии автокоррелированы, то для оценки параметров уравнения используют следующие преобразования:

1) Преобразовать исходные переменные у и х к виду (3), (4).

2) Обычным МНК для уравнения (6) определить оценки а * и b.

4) Записать исходное уравнение (1) с параметрами а и b (где а - из п.3, а b берётся непосредственно из уравнения (6)).

Для преобразования AR(1) важно оценить коэффициент автокорреляции ρ . Это делается несколькими способами. Самое простое – оценить ρ на основе статистики DW :

,

где r берется в качестве оценки ρ . Этот метод хорошо работает при большом числе наблюдений.

В случае, когда есть основания считать, что положительная автокорреляция отклонений очень велика (), можно использовать метод первых разностей (метод исключения тенденции) , уравнение принимает вид

.

Из уравнения по МНК оценивается коэффициент b . Параметр а здесь не определяется непосредственно, однако из МНК известно, что .

В случае полной отрицательной автокорреляции отклонений ()

Получаем уравнение регрессии:

или .

Вычисляются средние за 2 периода, а затем по ним рассчитывают а и b . Данная модель называется моделью регрессии по скользящим средним .

Критерий Дарбина - Уотсона (или DW-критерий) - статистический критерий, используемый для нахождения автокорреляции первого порядка элементов исследуемой последовательности. Наиболее часто применяется при анализе временных рядов и остатков регрессионных моделей. Критерий назван в честь Джеймса Дарбина и Джеффри Уотсона. Критерий Дарбина - Уотсона рассчитывается по следующей формуле

где ρ1 - коэффициент автокорреляции первого порядка.

В случае отсутствия автокорреляции d = 2, при положительной автокорреляции d стремится к нулю, а при отрицательной - к 4:

На практике применение критерия Дарбина - Уотсона основано на сравнении величины d с теоретическими значениями dL и dU для заданных числа наблюдений n, числа независимых переменных модели k и уровня значимости α.

Если d < dL, то гипотеза о независимости случайных отклонений отвергается (следовательно присутствует положительная автокорреляция);

Если d > dU, то гипотеза не отвергается;

Если dL < d < dU, то нет достаточных оснований для принятия решений.

Когда расчетное значение d превышает 2, то с dL и dU сравнивается не сам коэффициент d, а выражение (4 − d).

Также с помощью данного критерия выявляют наличие коинтеграции между двумя временными рядами. В этом случае проверяют гипотезу о том, что фактическое значение критерия равно нулю. С помощью метода Монте-Карло были получены критические значения для заданных уровней значимости. В случае, если фактическое значение критерия Дарбина - Уотсона превышает критическое, то нулевую гипотезу об отсутствии коинтеграции отвергают.

Недостатки :

Не способен выявлять автокорреляцию второго и более высоких порядков.

Даёт достоверные результаты только для больших выборок.

13. Соизмеримые показатели тесноты связи

К соизмеримым показателям тесноты связи относятся:

1) коэффициенты частной эластичности;

2) стандартизированные частные коэффициенты регрессии;

3) частный коэффициент детерминации.

Если факторные переменные имеют несопоставимые единицы измерения, то связь между ними измеряется с помощью соизмеримых показателей тесноты связи. С помощью соизмеримых показателей тесноты связи характеризуется степень зависимости между факторной и результативной переменными в модели множественной регрессии.

Коэффициент частной эластичности рассчитывается по формуле:

– среднее значение факторной переменной xi по выборочной совокупности,

– среднее значение результативной переменной у по выборочной совокупности;

– первая производная результативной переменной у по факторной переменной х.

Частный коэффициент эластичности измеряется в процентах и характеризует объём изменения результативной переменной у при изменении на 1 % от среднего уровня факторной переменной xiпри условии постоянства всех остальных факторных переменных, включённых в модель регрессии.

Для линейной модели регрессии частный коэффициент эластичности рассчитывается по формуле:

где βi– коэффициент модели множественной регрессии.

Для того чтобы рассчитать стандартизированные частные коэффициенты регрессии, необходимо построить модель множественной регрессии в стандартном (нормированном) масштабе. Это означает, что все переменные, включённые в модель регрессии, стандартизируются с помощью специальных формул. Посредством процесса стандартизации точкой отсчёта для каждой нормированной переменной устанавливается её среднее значение по выборочной совокупности. При этом в качестве единицы измерения стандартизированной переменной принимается её среднеквадратическое отклонение β.

Факторная переменная х переводится в стандартизированный масштаб по формуле:

где xij – значение переменной xj в i-том наблюдении;

G(xj) – среднеквадратическое отклонение факторной переменной xi;

Результативная переменная у переводится в стандартизированный масштаб по формуле:

где G(y) – среднеквадратическое отклонение результативной переменной у.

Стандартизированные частные коэффициенты регрессии характеризуют, на какую долю своего среднеквадратического отклонения G(y) изменится результативная переменная у при изменении факторной переменной х на величину своего среднеквадратического отклонения G(x), при условии постоянства всех остальных факторных переменных, включённых в модель регрессии.

Стандартизированный частный коэффициент регрессии характеризует степень непосредственной или прямой зависимости между результативной и факторной переменными. Но в связи с тем, что между факторными переменными, включёнными в модель множественной регрессии, существует зависимость, факторная переменная оказывает не только прямое, но и косвенное влияние на результативную переменную.

Частный коэффициент детерминации используется для характеристики степени косвенного влияния факторной переменной х на результативную переменную у:

где βi– стандартизированный частный коэффициент регрессии;

r(xixj) – коэффициент частной корреляции между факторными переменными xi и xj.

Частный коэффициент детерминации характеризует, на сколько процентов вариация результативной переменной вызвана вариацией i-ой факторной переменной, включённой в модель множественной регрессии, при условии постоянства всех остальных факторных переменных, включённых в модель регрессии.

Стандартизированные частные коэффициенты регрессии и частные коэффициенты эластичности могут давать различные результаты. Это несовпадение может быть объяснено, например, слишком большой величиной среднеквадратического отклонения одной из факторных переменных или эффектом неоднозначного воздействия одной из факторных переменных на результативную переменную.

Критерий Дарбина - Уотсона

Одним из самых простых, а потому широко применяемых на практике критериев проверки на наличие (отсутствие) автокорреляции является критерий Дарбина - Уотсона

и }