Фиктивная переменная. причины использования фиктивных переменных в моделях регрессии

До сих в качестве факторов рассматривались экономические переменные, принимающие количественные значения в некотором интервале. Вместе с тем может оказаться необходимым включить в модель фактор, имеющий два или более качественных уровней. Это могут быть разного рода атрибутивные признаки, таки, например, как профессия, пол, образования, климатические условия, принадлежность к определенному региону. Чтобы ввести такие переменные в регрессионную модель, им должны быть присвоены те или иные цифровые метки, т.е. качественные переменные должны быть преобразованы в количественные. Такого вида сконструированные переменные в эконометрике принято называть фиктивными переменными.

Рассмотрим применение фиктивных переменных для функции спроса. Предположим что по группе лиц мужского и женского пола изучается линейная зависимость потребления кофе от цены. В общем виде для совокупности обследуемых уравнение регрессии имеет вид: где y – количество потребляемого кофе, x – цена.

Аналогичные уравнения могут быть найдены отдельно для лиц мужского пола: и женского пола:

Различия в потреблении кофе проявятся в различии средних и . Вместе с тем сила влияния x на yможет быть одинаковой, т.е. В таком случае возможно построение общего уравнения регрессии с включением в него фактора «пол» в виде фиктивной переменной.

где - это фиктивные переменные, принимающие значения:

В общем уравнении регрессии зависимая переменная y рассматривается как функция не только цены x, но и пола (). Переменная z рассматривается как дихотомическая переменная, принимающая всего два значения: 1 и 0. при этом когда , то и, наоборот, при переменная

Для лиц мужского пола, когда и , объединенное уравнение регрессии составит: а для лиц женского пола, когда и Иными словами, различия в потреблении для лиц мужского и женского пола вызваны различиями свободных членов уравнения регрессии: Параметр b является общим для всей совокупности лиц, как для мужчин, так и для женщин.

Фиктивные переменные широко используются для оценки сезонных различий в потреблении. Они могут вводиться не только в линейные, но и в нелинейные модели, приводимые путем преобразования к линейному виду.

Прием введения в анализируемую линейную модель регрессии фиктивных переменных используется обычно при работе с неоднородными исходными статистическими данными. Статистическая надежность будет выше. В ходе построения регрессионной модели с фиктивными переменными мы получаем возможность одновременно проверять гипотезы о наличии или отсутствии статистически значимого влияния сопутствующих переменных на структуру анализируемой модели. Однако нельзя рассматривать фиктивные переменные как панацею при применении методов регрессии к неоднородным данным.

31. Что такое автокорреляция остатков, и каковы ее виды? Причины ее возникновения.

Автокорреляция - это взаимосвязь последовательных элементов временного или пространственного ряда данных. В эконометрических исследованиях часто возникают и такие ситуации, когда дисперсия остатков постоянная, но наблюдается их ковариация. Это явление называют автокорреляцией остатков.

Автокорреляция остатков чаще всего наблюдается тогда, когда эконометрическая модель строится на основе временных рядов. Если существует корреляция между последовательными значениями некоторой независимой переменной, то будет наблюдаться и корреляция последовательных значений остатков.

Автокорреляция может быть также следствием ошибочной спецификации эконометрической модели. Кроме того, наличие автокорреляции остатков может означать, что необходимо ввести в модель новую независимую переменную.

Виды и методы определения автокорреляции остатков

Существуют два наиболее распространенных метода определения автокорреляции остатков. Первый метод - это построение графика зависимости остатков от времени и визуальное определение наличия или отсутствия автокорреляции. Второй метод - использование критерия Дарбина -- Уотсона и расчет величины

Следствия автокорреляции остатков

Если пренебречь автокорреляцией остатков и оценить параметры модели МНК, то придем к таким трем следствиям.

1. Оценки параметров модели могут быть несмещенными, но неэффективными, то есть выборочные дисперсии вектора оценок А могут быть неоправданно большими.

2. Поскольку выборочные дисперсии исчисляются не по уточненным формулам, то статистические критерии t- и F-статистики, которые найдены для линейной модели, практически не могут быть использованы в дисперсионном анализе.

3. Неэффективность оценок параметров эконометрической модели приводит, как правило, к неэффективным прогнозам, то есть прогнозам с очень большой выборочной дисперсией.