А) тест Голдфелда – Квандта (пакет lmtest )
gqtest(model, order.by = ~ totsp, data=f,fraction=0.2) # выборка разделена на три части, 40% снизу, 20% посередине и 40% снизу. Средняя часть удаляется из выборки.
Нулевая гипотеза отвергается, гетероскедастичность есть.
Проведем теперь тест Голдфелда-Квандта для уравнения в логарифмах:
Нулевая гипотеза отвергается, гетероскедастичность есть.
Но!!! Если внимательно посмотреть, то мы увидим, что LM-статистика для теста Голдфелда-Квандта (GQ) существенно уменьшилась (с 8,2121 до 2,4772), т.е. с помощью логарифмирования мы существенно уменьшили степень гетероскедастичности.
Б) Тест Бройша-Пагана (предполагается, что остатки зависят от регрессоров, входящих в исходное уравнение).
bptest(model)
Нулевая гипотеза отвергается, гетероскедастичность есть.
В) тест Уайта (предполагается, что остатки зависят от регрессоров, входящих в исходное уравнение, а также от их квадратов и попарных произведений).
bptest(model, data =f, varformula=~totsp+I(totsp^2))
Нулевая гипотеза отвергается, гетероскедастичность есть.
Задание для самостоятельной работы
По данным базы clothing о продажах одежды в 400 голландских магазинах мужской одежды выполните следующее:
1)Оцените уравнение регрессии
sales =β0 + β1*hours+ β2*size+ε.
2) Исходя из теоретических предпосылок и графического анализа сделайте предположение о наличии/ отсутствии гетроскедастичности.
3) Проведите тесты на наличие гетероскедастичности ошибок.
|
|
4) Проведите коррекцию стандартных ошибок (рассчитайте робастные стандартные ошибки и соответствующие доверительные интервалы).
Выгрузить данные из файла clothing.dta удобнее всего через вкладку Enviroment ~ Import Dataset ~ From Stata ~ выбрать файл clothing.dta.
База данных clothing содержит данные о продажах одежды в 400 нидерландских магазинах одежды, позаимствованные с сайта издательства книги М.Вербика «A guide to modern econometrics».
Переменные:
tsales – среднегодовые продажи в гульденах;
sales – продажи в расчете на квадратный метр;
margin – маржинальная валовая прибыль;
nown – количество собственников (менеджеров);
nfull – количество полностью занятых;
npart – количество частично занятых;
naux- количество временно работающих;
hoursw – общее число отработанных часов;
hourspw – количество отработанных часов в расчете на одного работающего;
inv1 – капиталовложения в помещения;
inv2 – капиталовложения в автоматизацию;
ssize – площадь магазина, м. кв.;
start – год открытия магазина.
Дата добавления: 2020-01-07; просмотров: 291; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!