Parameetrite usalduspiirid tulevad valed Mudeli ja parameetrite olulisuse testimine (F-test ja t-test) võivad anda valesid tulemusi. Järelikult võime teha valesid järeldusi mudelisse kuuluvate või mittekuuluvate tunnuste suhtes. 42. White'i testi idee, nullhüpotees ja sisukas hüpotees. Testimiseks 1. Viiakse läbi mudeli hindamine ja leitakse jääkliikmed 2. IDEE: kui jääkliikmete dispersioon ei ole konstantne, siis see sõltub regressoritest x. Kontrollimiseks hinnatakse regressioonmudelit, kus sõltuvaks tunnuseks jääkliikmete dispersioon. Kuil TR2 väärtus ületab kriitilise (p on väiksem kui alfa), on tegemist heteroskedastiivsusega. Nt White testi p=0,2309, mis on suurem kui alfa, mis tähendab et h0 tuleb vastu võtta ja heteroskedastiivsust ei esine. Kui p oleks alla alfa, siis esineb. 43. Mida teha, kui heteroskedastiivsus esineb? Heteroskedastiivsuse eemaldamiseks · logaritmida tunnuseid;
– Parameetrite usalduspiirid tulevad valed. – Mudeli ja parameetrite olulisuse testimine (F-test ja t- testid) võivad anda valesid tulemusi. Järelikult võime teha valesid järeldusi mudelisse kuuluvate või mittekuuluvate tunnuste suhtes. 48) White’i testi idee, nullhüpotees ja sisukas hüpotees (loeng 3) White’i test homoskedastiivsus Sõltuv tunnus= mudeli jääkliikmete ruudu ui2 Kui jääkliikmete dispersioon ei ole konstantne, siis see sõltub regressoritest x. Hinnatakse regressioonmudelit, kus sõltuvaks tunnuseks jääkliikmete dispersioon 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.
hinnang Yi 1. Viiakse läbi mudeli (1) hindamine ja leitakse jääkliikmed u^i Heteroskedastiivsus Homoskedastiivsus 2. IDEE: kui jääkliikmete dispersioon ei ole konstantne, siis see sõltub regressoritest x. Kontrollimiseks hinnatakse regressioonmudelit, kus sõltuvaks tunnuseks jääkliikmete dispersioon u^i2 1 2 x2 i 3 x3i 4 x22i 4 x32i 6 x2 i x3i vi (2)
• Järelikult võime teha valesid järeldusi mudelisse kuuluvate või mittekuuluvate tunnuste suhtes. ● Hinnangud ei ole efektiivsed ● Parameetrite usalduspiirid tunduvad valed 48. White’i testi idee, nullhüpotees ja sisukas hüpotees. White’i heteroskedastiivsuse test Näiteks kahe regressoriga regressioonmudel Testimiseks 1. Viiakse läbi mudeli (1) hindamine ja leitakse jääkliikmed 2. IDEE: kui jääkliikmete dispersioon ei ole konstantne, siis see sõltub regressoritest x. Kontrollimiseks hinnatakse regressioonmudelit, kus sõltuvaks tunnuseks jääkliikmete dispersioon Nullhüpotees: mudelis (2) on vaid konstant, H 0 : Teststatistik kus R2 u on mudeli (2) determinatsioonikordaja Kuil TR2 väärtus ületab kriitilise (p<α), on tegemist heteroskedastiivsusega. White’i test programmis Gretl: 49. Mida teha, kui heteroskedastiivsus esineb? Heteroskedastiivsuse eemaldamiseks: • logaritmida tunnuseid; • kontrollida mudeli spetsifikatsiooni:
annaabi.ee 
