Оцінка зв’язку між факторами і критерії адекватності економетричної моделі

 

Для оцінки зв’язку між факторами економітеричної моделі використовують критерії: коефіцієнт кореляції і коефіцієнт детермінації.

Коефіцієнт кореляції показує ступінь впливу незалежних факторів (х) та залежну змінну (у). Цей критерій використовується в парних економетричних моделях – коефіцієнт парної кореляції, і в багатофакторних економетричних моделях – коефіцієнт множинної кореляції.

Коефіцієнт кореляції показує, на яку частину середнього квадратичного відхилення змінюється функція у, якщо аргумент х збільшується (зменшується) на своє середньоквадратичне відхилення σ_х. Знак коефіцієнта парної кореляції співпадає із знаком коефіцієнта регресії, а його чисельне значення коливається в межах

-1≤r_y/х≤1. (9.4)

Коефіцієнт парної кореляції може бути визначений наступним чином []:

r_y/х = , (9.5)

де r_y/х – коефіцієнт парної кореляції;

- середнє значення незалежної змінної Х;

- середнє значення залежної змінної У;

- середнє квадратичне відхилення показника Х;

- середнє квадратичне відхилення показника У.

Слід відзначити, що середнє квадратичне відхилення визначається за формулою:

, (9.6)

де D_у - дисперсія (середній квадрат відхилення).

Відповідно, дисперсія визначається:

, (9.7)

де - середній квадрат показника У;

- квадрат середнього для показника У.

Аналогічні формули використовуються і для показника х.

Приклад. Розрахуйте коефіцієнти кореляції і детермінації на основі представлених в табл. 9.1 спостережень.

Таблиця 9.1. Таблиця вихідних даних для проведення розрахунків

Спостереження	х	у
Сума
Середнє		4,667

 

Вирішення

 

1. Визначимо дисперсію для факторів у і х. Для цього складемо табл. 9.2.

Таблиця 9.2 – Розрахунок середніх значень показників у і х

Спостереження	х	у	х2	у2
Сума
Середнє		4,667	4,667	23,33
Квадрат середнього		21,78

 

Використовуючи формулу 9.7 визначимо дисперсію для у і х:

= 23,33 – 21,78 = 1,55

= 4,667 – 4 = 0,667

2. Визначимо середнє квадратичне відхилення показників у і х, використовуючи формулу 9.6:

= = 1,24

= = 0,82

3. Використовуючи формулу 9.5 визначимо коефіцієнт парної кореляції для у і х:

r_y/х = = = 0,98.

Значення коефіцієнту парної кореляції, що характеризують силу впливу показника х на у представлена в табл. 9.3.

Таблиця 9.3. Значення коефіцієнта парної кореляції

Значення коефіцієнта кореляції	Сила впливу показника х на у
0,85 - 1	сильний
0,55 – 0,84	помірний
0,25 – 0,54	слабкий
0 – 0,24	дуже слабкий

 

Знак значення коефіцієнта парної кореляції вказує на напрямок зв’язку. Якщо знак «+», то це вказує на прямо пропорційний зв’язок між факторами, якщо навпаки – то обернений.

Коефіцієнт множинної кореляції використовуються в багатофакторному економетричному аналізі. Його значення знаходиться в проміжку між 0 і 1. Сила впливу показників х на результуючий фактор у характеризується значеннями представленими в табл. 9.3.

Коефіцієнт детермінації визначається як квадрат коефіцієнту кореляції:

D_y/x = r²_y/x або (9.8)

D_y/xі= R²_y/xi (9.9)

Основними напрямками оцінки адекватності економетричної моделі є:

1. Перевірка за допомогою F-тесту (F-критерій Фішера);

2. Використання t-розподілу Ст`юдента для оцінки надійності коефіцієнта кореляції;

3. Перевірка моделі на гомо-гетескедастичність;

4. Перевірка факторів економетричної моделі на мультиколінеарність.

F-тест використовується для оцінки того, чи важливе пояснення, яке дає рівняння в цілому. Цей тест заснований на порівнянні залишкової теоретичної дисперсії ²_y/х і загальної дисперсії σ_y². Розглядається відношення і порівнюється з табличним (для % Фішера знайдено розподіл і складена спеціальна таблиця) при заданому рівні значущості і різних ступенях свободи.

Загальна дисперсія σ_y² досліджених даних від їх середнього значення встановлюється з урахуванням числа ступенів свободи :

, (9.8)

де К – число інтервалів у вибіркових даних.

Залишкова теоретична дисперсія ^2y/х встановлюється як різниця розрахункових _i і середніх інтервальних значень _i з урахуванням числа ступенів свободи d₁=K-P і d₂=n-K,

де Р – число параметрів управління.

Якщо _рас ≤_табл, то при заданому рівні значущості складене рівняння регресії затверджується. Вірогідність помилки тим менше чим більше рівень значущості α%.

У разі, коли чисельник ^2y/х менше знаменника σ_y², то міняємо їх місцями разом з відповідними ступенями свободи d₁=K-P і d₂=n-K.

Приклад. Загальна дисперсія σ_y²=41,5 при n=154 і К=12.

Залишкова дисперсія ^2y/х=34,44 при К=12 і Р=3 (Р=3 в квадратному рівнянні регресії).

Вирішення

, оскільки σ_y²>²_y/х, переходимо до відношення із ступенями свободи D₁=154-12=142, d₂=12-3=9 _розр.==1,21,

за таблицею _5%(142,9)=2,75 _20%(142,9)=1,7.

Отже, знайдене квадратне рівняння регресії з високою надійністю узгоджується з вихідними даними.

Слід відзначити, що в регресійному аналізі побудова F-статистики здійснюється шляхом відношення дисперсії залежної змінної на “пояснювальні” і “непояснювальні” складові:

F = (ESS / k) / RSS / (n-k-1), (9.11)

де ESS - пояснювальна сума квадратів відхилень;

RSS – залишкова (непояснювальна) сума квадратів;

к – кількість ступенів свободи;

n – кількість значень факторів моделі.

При здійсненні F-теста для рівняння перевіряється, чи перевищує r² те значення, яке може бути отримано випадково. Для розрахунку F-статистики для рівняння в цілому, формулу (9.9) можна трасформувати шляхом ділення чисельника і знаменника рівняння на TSS (загальну суму квадратів), відмічаючи, що ESS/TSS дорівнює r², а RSS/TSS дорівнює (1 - r²). В результаті отримуємо наступне рівняння:

F= r² / к / (1 - r²) / (n – k - 1). (9.12)

Розрахунковий F-критерій визначається при відповідному рівні значущості і ступенях свободи і порівнюють з критичним F-критерієм Фішера. Значення останнього критерію представлені в спеціальних таблицях. Якщо розрахунковий F-критерій перевищує його критичне значення, то можна стверджувати, що пояснення, яке дає рівняння в цілому важливе, а економетрична модель адекватна. У протилежному випадку – модель вважається неадекватною, а пояснення неважливе.

Іншим важливим статистичним параметром для перевірки адекватності економетричної моделі є t-розподіл Ст’юдента. Він використовується для оцінки надійності коефіцієнта кореляції. В цьому випадку t-статистика для r розраховується наступним чином:

t = √n-2/1-r². (9.13)

Вибравши рівень значущості в 5% дослідним знаходить критичне значення t з (n - 2) ступенями свободи. Якщо значення t перевищує його критичне значення (позитивний або негативний бік), то нульову гіпотезу відхиляють про те, що коефіцієнт кореляції дорівнює нулю. В цьому випадку роблять висновок про лінійний зв’язок (позитивний або негативний).

Слід відзначити, якщо нульова гіпотеза підтверджується, то значення t буде перевищувати його критичне значення (в позитивний або негативний бік) тільки в 5% випадках. Це означає, що при виконанні перевірки ймовірності допущення помилки, що відхиляє нульову гіпотезу, коли вона фактично вірна, складає 5%.

Ймовірно, що ризик допущення такої помилки в 5% випадків досить великий для дослідника. Тоді він може скоротити ступінь ризику, здійснюючи розрахунки при рівні значущості в 1%. Критичне значення t зараз буде вище, ніж до цих пір, тому необхідна більш висока (позитивна або негативна) t-статистика для відхилення нульової гіпотези, а це означає, що потрібно більш вище значення коефіцієнта кореляції.

Слід вказати і на те, що t-статистика може бути розрахована як співвідношення оцінки коефіцієнта регресії на стандартну помилку.

Розглянемо методику розрахунку F-критерію і t-статистики на прикладі.

Приклад. Виконайте відповідні t-тести для багатофакторної моделі. Розрахуйте F-критерій, якщо відомо, що кількість спостережень дорівнює 25, коефіцієнт детермінації (R²) дорівнює 88%. Багатофакторна економетрична модель має вигляд:

у = 55,3 + 0,093х₁ + 0,087х₂. (9.14)

Стандартні помилки дорівнюють: постійний член – 2,4, х₁ – 0,003, х₂ – 0,002.

Вирішення

 

Для t-тест необхідно визначити розрахунковий t-критерій. Для кожного із члена економетричного рівняння він розраховується окремо як співвідношення оцінки коефіцієнта регресії на стандартну помилку. Таким чином розрахункові t-критерій наступні:

t_р1 = 55,3/2,4 = 23,04;

t_р2 = 0,092/0,003 = 30,67;

t_р3 = 0,067/0,002 = 43,5.

Наступним кроком проведення t-теста є порівняння розрахункових значень із табличними. Табличне значення t-критерію визначається на основі спеціальних таблиць при відповідних рівнях значущості (5% або 1%) і ступенях свободи, які визначаються (n – k – 1, де n – кількість спостережень; k – кількість факторів моделі, включаючи постійний параметр).

В нашому випадку ступеня свободи дорівнюють – 25 – 4 – 1 = 20.

Табличне значення t-критерію при рівні значущості в 5% дорівнює 1,725; при 1% - 2,528.

Як видно розрахункові значення t-критеріїв всіх факторів моделі значно перевищують його табличні значення. Це означає, що всіх фактори економетричної моделі суттєво впливають на змінний показник (у).

F-критерій визначається за формулою 9.10. Для розробленої економетричної моделі розрахункових F-критеріїв має наступне значення: F_р = (0,88/4) / ((1 – 0,88) / (20)) = 36,7.

Потім розрахункове значення F-критерію порівнюємо із його табличним значенням при відповідному рівні значущості і кількості спостережень.

При 5% рівні значущості для 25 спостережень табличний F-критерій дорівнює 2,99, при 1% - 29,46.

Таким чином, розрахункові значення F-критерію більше табличних, що вказує на суттєвий рівень пояснення причинно-наслідкових зв’язків економітричної моделі.

Наступним етапом оцінки адекватності економетричної моделі є перевірка її на гетеро- або гомоскедастичність. Гомоскедастичність означає однаковий розподіл фактичних значень вибірки змінних. Тобто фактичні значення спостережень іноді будуть позитивними, іноді негативними, іноді – відносно близькими до нуля, проте в апріорі відсутні причини появи великих відхилень між спостереженнями.

Разом з тим, для деяких вибірок, можливо, більш доцільно припустити, що теоретичний розподіл випадкового члену є різним для різних спостережень. Це не означає, що випадковий член обов’язково буде мати особливо більші (позитивні або негативні) значення в кінці вибірки, проте це означає, що апріорна ймовірність отримання більш відхилених значень буде відносно висока. Це є прикладом гетероскедастичності, що означає “неоднаковий розподіл”.

Гетероскедастичність стає проблемою, коли значення змінних, які включаються в рівняння регресії, значно відрізняються в різних спостереженнях. Якщо залежність може буде описана рівнянням, в якому економічні показники змінюють свій масштаб одночасно, то зміна значень невключених змінних і помилок виміру, впливаючи разом на випадковий член, роблять його порівняно незначними при незначних у і х і порівняно великими – при великих у і х.

Досить часто можна виявити проблему гетероскедастичності. В таких умовах можна здійснити відповідні дії по виключенню цього ефекту на етапі специфікації моделі регресії, і це дозволить зменшити або, можливо, усунути необхідність формальної перевірки. В теперішній час запропоновано значна кількість тестів (і, відповідно, критеріїв для них). Найбільш поширеними тестами є: тест рангової кореляції Спірмена, тест Голфреда-Квандта і тест Глейзера.

При виконання теста рангової кореляції Спірмена припускається, що дисперсія випадкового члену буде або збільшуватися, або зменшуватися відповідно збільшення змінної х, і тому в регресії, абсолютні значення залишків і значення х будуть корельовані. Дані по х і залишки упорядковуються, і коефіцієнт рангової кореляції визначається як:

r_x,e = 1 – (6ΣD²_i/n(n² - 1)), (9.15)

де D_i – різниця між рангом х і рангом помилки е;

е – залишки.

Якщо припускати, що відповідний коефіцієнт кореляції для генеральної сукупності дорівнює нулю, то коефіцієнт рангової кореляції має нормальний розподіл з математичним очікуванням 0 і дисперсією 1/(n - 1) в більших вибірках. Таким чином, відповідна тестова статистика дорівнює r_x,e , і при використанні двобокового критерію нульова гіпотеза про відсутність гетероскедастичності буде відхилена при рівні значущості в 5%, якщо вона перевищує 1,96, і при рівні значущості в 1%, якщо вона перевищує 2,58. Якщо в моделі регресії знаходиться більш однієї пояснювальної змінної, то перевірка гіпотези може здійснюватися з використанням іншої з них.

Ймовірно, найбільш відомим формальним критерієм є критерій, запропонований С. Голдфелдом і Р. Квандтом. При проведенні перевірки по цьому критерію припускають, що стандартне відхилення (σ_і) розподілу ймовірностей U_і пропорційно значенню х в цьому спостереженні. Запропоновано також, що випадковий член розподілений нормально і не піддається автокореляції.

Всі n спостережень у виборці упорядковуються по значенню х, після чого оцінюється окремі регресії для перших n^’ і для останніх n^’ спостережень; середні (n - 2n^’) спостережень відхиляються. Якщо припущення відносно природи гетероскедастичності доцільно, то дисперсія U і в останніх n^’ спостереженнях буде більшою, чим в перших n^’, і це буде відображено в сумі квадратів залишків в двох вказаних “часткових” регресіях. Визначаючи суми квадратів залишків в регресіях для перших n^’ і останніх n^’ спостережень відповідно через RSS₁ i RSS₂. Розрахуємо відношення RSS₂/RSS₁, яке має F-розподіл з (n^’ – к - 1) і (n^’ – к - 1) ступенями свободи, де к – число пояснювальних змінних в регресійному рівнянні. Потужність критерія залежить от вибору n^’ по відношенню до n. Ґрунтуючись на результатах деяких проведених експериментів, С. Голдфелд і Р. Кванд стверджують, що n^’ повинно складати порядок 11, коли n = 30, і порядку 22, коли n = 60. Якщо в моделі знаходиться більш однієї пояснювальної змінної, то спостереження повинні упорядковуватися по тій з них, яка, як запропоновано, пов’язана з σ_і і n^’ повинно бути більше, ніж к + 1 (де к – число пояснювальних змінних).

Метод Голдфелда-Квандта може бути також використаний для перевірки на гетероскедастичність при припущенні, що σ_і обернено пропорційний х_і. При цьому використовується подібна процедура, що і розглянута вище, проте тестова статистика зараз є показником RSS₁/RSS₂, який знову має F-розподіл з (n^’ – к - 1) і (n^’ – к - 1) ступенями свободи.

Тест Глейзера дозволяє більш ретельно розглянути характер гетероскедастичності. Він ґрунтується на тому, що знімається припущення, що σ_і пропорційна х_і, а перевіряється лише більш подібна функціональна форма.

Для того, щоб використовувати цей метод, необхідно оцінити регресійну залежність у від х за допомогою методу найменших квадратів, а потім розрахувати абсолютні значення залишків е, оцінивши їх регресію. В кожному випадку нульова гіпотеза про відсутність гетероскедастичності буде відхилена, якщо оцінка регресії відрізняється від нуля. Якщо при оцінюванні більше однієї функції, то орієнтиром при визначенні характеру гетероскедастичності може служити найкраща з них.

В цьому розділі представлені основні критерії й тести щодо оцінки адекватності моделі. В економетричних дослідженнях можна використовувати й інші тести і критерії. Представлені критерії оцінки адекватності економетричної моделі дають змогу отримати більш ґрунтовні і, насамперед, об’єктивні результати тих економічних процесів, які відбуваються на підприємстві.