· 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 suurema sissetulekuga peredel on säästmisharjumused rohkem hajunud HETEROSKEDASTIIVSUST VÕIB PÕHJUSTADA NII MUDEL KUI KA ANDMED 41. Heteroskedastiivsuse mõju parameetrite hinnangutele. Vealiikmete dispersioon EI ESINE parameetrite HINNANGUTE arvutusvalemites. Järelikult heteroskedastiivsus parameetrite hinnanguid ei mõjuta. Need on ikka nihketa. Vealiikmete dispersioon ESINEB parameetrite hinnangute STANDARDVIGADE arvutusvalemites. Parameetrite hinnangud ei ole enam efektiivsed Parameetrite usalduspiirid tulevad valed
Var (ui ) const 2 Var (ui ) const suurema sissetulekuga peredel on säästmisharjumused rohkem hajunud. HETEROSKEDASTIIVSUST VÕIB PÕHJUSTADA NII MUDEL KUI Demo: heteroskedastiivsuse näited KA ANDMED Näide: elektrijaamade kulufunktsioon Näide: elektrijaamade kulufunktsioon, 2 nerlove1.gdt nerlove1
H0 uues mudelis on vaid konstant H1 heteroskedastiivsus ---> kui teststatistik TR2 väärtus > kriitiline (p < a) on tegemist heteroskedatiivsusega 49) Mida teha, kui heteroskedastiivsus esineb? Logaritmida tunnuseid Kontrollida mudeli spetsifikatsioon: kas õige kuju, kas oluline tunnus välja jäänud mudeli teisendamine ja uuesti hindamine. 50) Kohandatud standardvigade kasutamine Kui ei õnnestu eemaldada heteroskedastiivsust. EI KAOTA heteroskedastiivsust, vaid võtavad seda arvesse. Kohandatud standardvead suuremad, arvestavad võimalikku heteroskedastiivsust. 51) Mis on autokorrelatsioon? Korrelatsioon ühe ja sama tunnuse erinevate väärtuste vahel, mis on järjestatud. Aegrea korral tunnuse väärtused erinevatel ajamomentidel (järjestus aja järgi Ristandmete korral tunnuse väärtused erinevatel objektidel (järjestus mingi muu tunnuse järgi) 52) Positiivne ja negatiivne autokorrelatsioon.
• 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; – suurema sissetulekuga peredel on säästmisharjumused rohkem hajunud. HETEROSKEDASTIIVSUST VÕIB PÕHJUSTADA NII MUDEL KUI KA ANDMED 47. Heteroskedastiivsuse mõju • Vealiikmete dispersioon EI ESINE parameetrite HINNANGUTE arvutusvalemites. • Järelikult heteroskedastiivsus parameetrite hinnanguid ei mõjuta. Need on ikka nihketa. • Vealiikmete dispersioon ESINEB parameetrite hinnangute STANDARDVIGADE arvutusvalemites. – Parameetrite hinnangud ei ole enam efektiivsed. – Parameetrite usalduspiirid tulevad valed.
• Logit on lineaarne selgitava muutuja suhtes, kuid tõenäosused ise mitte. • Probitmudel • Kasutatakse kumulatiivset normaaljaotusfunktsiooni. • Probitiga paralleelselt nimetatakse mõnikord ka normit-mudeliks. • Sisuliselt võrdlemisi sarnane logitmudelile ning praktikas puuduvad kindlad reeglid selle kohta, millist mudelit eelistada. • Probitmudeli funktsioon on mõnevõrra järsema kaldega ja läheneb kiiremini äärmuslikele tõenäosustele. Tüüpiline: Heteroskedastiivsust on raske testida, selgitusvõime jääb hästi madalaks 1. Mis probleem on mudelis, kui selgitavad muutujad on tugevalt korreleerunud ja kuidas seda vähendada? (mis probleem on mudelis, kui eksogeensed muutujad korreleeruvad) Mudelis on multikollineaarsus, kui sõltumatute muutujate vahel eksisteerib tugev korrelatsioon. Multikollineaarsuse vähendamiseks mudelis võib välja pakkuda järgmisi võimalusi: mõne muutuja eemaldamine mudelist;
tegelikus elus mistahes majanduslik nähtus või protsess sõltub alati suurest hulgast teguritest i (sõltumatutest muutujatest). KLASSIKALISE REGRESSIOONIANALÜÜSI PÕHIEELDUSED 1. Regressioonimudel on korrektne, lineaarne parameetrite suhtes. 2. Regressioonijääkide (jääkliikmete) tinglikud keskväärtused on võrdsed nulliga. 3. Regressioonijäägid ei korreleeru sõltumatute muutujatega. 4. Jääkliikmete dispersioonid on konstantsed (ei esine heteroskedastiivsust). 5. Regressioonijäägid ei korreleeru omavahel (ei esine autokorrelatsiooni). 6. Sõltumatud muutujad ei tohi olla täpses lineaarses sõltuvuses (multikollineaarsus). 7. Sõltumatud muutujad omavad küllaldast varieeruvust 8. Regressioonijäägid on normaaljaotusega. GAUSS MARKOVI TEOREEMI OLEMUS GAUSS MARKOVI TEOREEM: kui on täidetud klassikalise regressioonmudeli eeldused, siis vähimruutude meetodil leitud parameetrite hinnangud on parimad, lineaarsed, nihutamata
annaabi.ee 
