2.5 Порівняння результатів моделювання з вихідними даними
При аналізі моделі на гетероскедастичності, використовуємо графічний метод.
В
Рис.2.6 Прояв систематичних змін між значеннями факторної змінної Х 1 і значеннями e t 2
В
Рис.2.7 Прояв систематичних змін між значеннями факторної змінної Х 2 і значеннями e t 2
В
Рис.2.8 Прояв систематичних змін між значеннями факторної змінної Х 3 і значеннями e t 2
Для моделі необхідно знайти залишки e t . Щоб виявити залежність дисперсії залишків від значень факторних змінних, необхідно оцінити залежність e t 2 від усіх можливих комбінацій факторних змінних.
Таблиця 2.7.
Тест Уайта
b6b5b4b3b2b1b00-1,
Тест Уайта для побудованої моделі показав, що гетероскедастичності присутній, так як Femp> Fkrit (Fkrit = 2,809996, Femp = 6,277245). Для усунення гетероскедастичності був використаний метод зважених найменших квадратів, суть якого полягає в тому, що необхідно розділити кожне спостережуване значення змінних моделі на відповідне йому значення стандартного відхилення. Значення стандартного відхилення беруть, грунтуючись на модельному значенні дисперсії з тіста Уайта (), тобто стандартне відхилення приймають рівним. Тим самим спостереженнями з найменшими дисперсіями придаются найбільші "ваги", а з максимальними дисперсіями - найменші "ваги". Так, у разі наявності гетероскедастичності в моделі множинної регресії виду МНК застосовують для перетворених значень. [1]
Помилка апроксимації моделі без гетероскедастичності склала 3,441759378%.
В
Рис.2.9 Порівняння результатів моделювання з вихідними даними
Для виявлення автокореляції залишків використовуємо критерій знаків і критерій Дарвіна-Уотсона.
Результати, отримані за допомогою критерію знаків (таблиця 2.8.)
Таблиця 2.8.
Результати критерію знаків
V emp 8 T emp 4 V stat 3 T stat
