Var (ui ) 2 const Var (ui ) const esinemine tekitab Autokorrelatsioon puudub valed standardvead. Heteroskedastiivsuse esinemine tekitab valed standardvead. Aeg Seda eeldust saab
Tabelid - menüü Analysis a) display actual, fitted data, residual (algandmed, arvutuslikud Y, ja regressioonijäägid (üks osa tabelist) b) forecasts - Y arvutusliku 95%-lised prognoosiväärtused c) confidence intervals – regressioonikordajate usalduspiirid d) ANOVA tabel (Excelis teostatud regressiooni väljundtabeli keskmine tabel (hajuvused, R2, F)) 5. Multikollineaarsuse testimine OLSi menüü Tests –> Collinearity 6. Heteroskedastiivsuse kontrollimine Heteroskedastiivsuse kontrollimiseks kasutada OLS-i menüüd Tests ja avanevast rippmenüüst valida White’s test või muu huvipakkuv test ja anda hinnang regressioonijääkide varieeruvuse konstantuse kohta (kas esineb heteroskedastiivsus või ei esine, vaata labortunni tööd otsuse tegemiseks). 7. Erikujuliste regressioonimudelite konstrueerimine Erikujulisis (logaritmitud muutujaid) saab konstrueerida põhimenüüst valides Add –> Logs of Selected Variables.
· Eelduse kehtivust tuleb kindlasti kontrollida siis, kui konstanti mudelisse pole võetud (regressioon läbi nullpunkti). Kui siis see eeldus pole täidetud, saame parameetrite hinnangud nihkega. 39. Mis on heteroskedastiivsus, mis on homoskedastiivsus. Heteroskedastiivsus (2. eeldus pole täidetud) esineb enamasti ristandmete juures. Juhuslike liikmete dispersioon on konstantne (homoskedastiivsus). Kui pole konstantne, siis on heteroskedastiivsus. Var(ui )= const 40. Heteroskedastiivsuse võimalikud põhjused. · Matemaatilise mudeli vale kuju näiteks log-lin asemel hinnatakse lineaarset mudelit · Mõni oluline seletav tunnus on mudelist välja jäänud · Üks või mitu seletavat tunnust on asümmeetrilised. · Üksikute erindite (outliers) esinemine vaatluste hulgas. · Andmekogumismeetodid paranevad -> vaatlusvigade suurus väheneb, st juhuslikud liikmed vähenevad · Muud põhjused suurema kasumiga ettevõtetel on dividendipoliitikas suuremad erinevused
eeldus automaatselt täidetud. • Eelduse kehtivust tuleb kindlasti kontrollida siis, kui konstanti mudelisse pole võetud (regressioon läbi nullpunkti). – Kui siis see eeldus pole täidetud, saame parameetrite hinnangud nihkega. – Kontrollimiseks salvestada jääkliikmed ja viia läbi nende keskväärtuse võrdlemine nulliga (t-test). 45. Mis on heteroskedastiivsus, mis on homoskedastiivsus. 46. Heteroskedastiivsuse võimalikud põhjused. • Matemaatilise mudeli vale kuju. – näiteks log-lin asemel hinnatakse lineaarset mudelit • Mõni oluline seletav tunnus on mudelist välja jäänud. • Üks või mitu seletavat tunnust on asümmeetrilised. • Üksikute erindite (outliers) esinemine vaatluste hulgas. • Andmekogumismeetodid paranevad -> vaatlusvigade suurus väheneb, st juhuslikud liikmed vähenevad. • Muud põhjused
regressioonimudelisse defineeritakse m-1 fiktiivset muutujat. Fiktiivseid muutujaid saab kasutada ka sesoonsuse kirjeldamiseks andmetes. Kui sesoonsuse perioode on m, siis defineeritakse maksimaalselt m -1 fiktiivset muutujat. · Näiteks sesoonsuse uurimisel kvartalite lõikes (m = 4) defineeritakse maksimaalselt 3 fiktiivset muutujat (m -1 = 3); · Kuude (m = 12) andmete korral maksimaalselt (12 -1) 11 fiktiivset muutujat. 14. Heteroskedastiivsuse olemus; põhjused; tagajärjed; avastamise meetodid. Kui juhusliku liikme dispersioonide konstantsuse nõue ei ole täidetud, siis on mudelis tegemist heteroskedastiivsusega. Heteroskedastiivsuse põhjused 1. Modelleeritava protsessi omapära · Majandussubjekti suuremad võimalused (sissetulekud, kasum) annavad subjektile suurema valikuvabaduse. · Sõltumatu muutuja kasvuga varieeruvus muutub (õpiprotsesse kirjeldavad mudelid: mida pikem õpiaeg, seda vähem trükivigu)
...................................24 Lisa 6. Korrelatsioonikordajate statistilised olulisused (p-väärtused)..................................25 Lisa 7. Esialgne hinnatud mudel...........................................................................................26 Lisa 8. Teine hinnatud mudel (ilma meeste osakaaluta).......................................................27 Lisa 9. Kolmas hinnatud mudel (ilma meeste osakaaluta ja linlaste osakaaluta).................28 Lisa 10. Heteroskedastiivsuse test........................................................................................29 Lisa 11. Multikollineaarsuse test...........................................................................................30 Lisa 12. Jääkliikmete normaaljaotuse testid.........................................................................31 Lisa 13. Jääkliikmete normaaljaotuse graafik.......................................................................32 Lisa 14. ANOVA tabel............
c) Jätta mudelist välja kas palk või SKP inimese kohta. Ülesanne 13. Analüüsime ülesande 2 regressioonimudelit: ln(Yi ) 2 0.93 ln( X i ) 1.20 Di 0.02 Di ln( X i ) uˆ i , i 1,2,..,100 , kus Yi – i-nda küsitletu tarbimine, Xi – i-nda küsitletu sissetulek ning Di1 – küsitletu sugu (D1i = 1, kui mees ning Di1 = 0, kui naine). Mudeli diagnostika läbiviimisel saadi järgmised tulemused: White’I heteroskedastiivsuse testi olulisuse tõenäosus oli 0.052. Jarque-Bera testi olulisuse tõenäosus oli 0.342; standardiseeritud jääkliikmete minimaalne väärtus oli -2.784 ning maksimaalne väärtus 1.456. Analüüsige diagnostiliste testide tulemusi (t-statistiku kriitiline väärtus olulisuse nivool 0.05 on 2.01). Lahendus. White’I heteroskedastiivsuse testi põhjal mudelis puudub heteroskedastiivsus olulisuse nivool 0.05, kuid näiteks olulisuse nivool 0
Kui mudelist välja jäetud mõni oluline tunnus. Kui X ja u vahel on positiivne korrelatsioon. 43) Mis juhtub, kui eksogeensuse eeldus pole täidetud? Saame nihkega hinnangud. 44) Mis juhtub, kui juhuslike liikmete keskväärtus pole 0? saame parameetrite hinnangud nihkega 45) Mis on heteroskedastiivsus, mis on homoskedastiivsus: Heteroskedastiivsus - Muutuv dispersioon var(u ) ≠ const Homoskedastiivsus – Konstantne dispersioon Var(ui)= 2 = const 46) Heteroskedastiivsuse võimalikud põhjused: Matemaatilise mudeli vale kuju Oluline tunnus välja jäänud Üks või mitu seletavat tunnust on asümmeetrilised Üksikud erindid vaatluste hulgas Andmekogumismeetodid paranevad (vaatlusvigad suurus väheneb -> juhuslikud liikmed vähenevad) Muud põhjused 47) Heteroskedastiivsuse mõju Vealiikmete dispersioon EI ESINE parameetrite HINNANGUTE arvutusvalemites. Järelikult heteroskedastiivsus parameetrite hinnanguid ei mõjuta
x mudelite adekvaatsuse hindamine (jääkstandardhälve ja keskmine aproksimeerimisviga) x regressioonikoefitsientide statistilise olulisuse kontroll t-kriteeriumi abil ja usalduspiiride leidmine x autokorrelatsiooni kontroll (Durbin - Watsoni jt kriteeriumitega) ja vähendamise võimalused (autokorrelatsioon- järgnevad andmed sõltuvad eelneva perioodi omadest; firma toodang antud kuul sõltub toodangust eelmisel kuul) x heteroskedastiivsuse hindamine (regressioonimudeli üheks eelduseks on juhusliku liikme dispersioonide konstantsus s.t. dispersioonid (e. hälbed keskväärtuse ümber) on samad iga i korral. Näiteks, kui valimi perede tulude vahelised erinevused on väga suured, siis võib arvata, et selliste andmete alusel konstrueeritud tarbimismudelites esineb heteroskedastiivsus) 6. Resultaatnäitaja regressioonimudelite majanduslik tõlgendamine ja kasutamine modelleerimise tulemuste
annaabi.ee 
