можливо, експоненціально. Тому є сенс оцінити регресію в логарифмах. br/>
Dependent Variable: LOG (STOCK) Method: Least SquaresDate: 12/27/08 Time: 23:49 Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. Mean dependent var2.158374Adjusted R-squared0.071509 SD dependent var2.942306S.E. of regression2.835155 Akaike info criterion5.109480Sum squared resid88.41913 Schwarz criterion5.246420Log likelihood-32.76636 F-statistic1.500605Durbin-Watson stat0.574028 Prob (F-statistic) 0.265307
Знаки коефіцієнтів не змінилися, проте обидва стали незначущі.
Перевіряємо, яка модель краще підходить за допомогою тесту Боксу-Кокса.
Проводимо перетворення Зарембкі. У даному випадку (для логарифмічною моделі) ділимо кожну змінну на середнє геометричне цієї змінної по всіх спостереженнями. Розрахунки проводимо в eviews, яка не розраховує середнього геометричного, тому спочатку вважаємо середнє арифметичне логарифмів змінних, потім зводимо експоненту у відповідний ступінь, щоб отримати середнє геометричне. Потім оцінюємо лінійну і логарифмічну моделі і порівнюємо RSS. p align="justify"> Нові змінні, отримані в результаті перетворення Zarembka, назвемо zStock, zOil, zM.
Dependent Variable: ZSTOCKMethod: Least SquaresDate: 01/05/09 Time: 23:23 Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. Mean dependent var3.652800Adjusted R-squared0.814999 SD dependent var3.525590S.E. of regression1.516416 Akaike info criterion3.857986Sum squared resid25.29469 Schwarz criterion3.994927Log likelihood-24.00590 F-statistic29.63503Durbin-Watson stat1.683804 Prob (F-statistic) 0.000037
Estimation Equation: (ZSTOCK) = C (1) + C (2) * LOG (ZOIL) + C (3) * LOG (ZM) Coefficients: (ZSTOCK) = 3.805344066e-010 + 3.185983792 * LOG (ZOIL) + 0.8726208796 * LOG (ZM)
Dependent Variable: LOG (ZSTOCK) Method: Least SquaresDate: 01/05/09 Time: 23:24 Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. Mean dependent var-2.87E-11Adjusted R-squared0.071509 SD dependent var2.942306S.E. of regression2.835155 Akaike info criterion5.109480Sum squared resid88.41913 Schwarz criterion5.246420Log likelihood-32.76636 F-statistic1.500605Durbin-Watson stat0.574028 Prob (F-statistic) 0.265307
У лінійної регресії значення RSS значно менше, ніж у логарифмічною.
Висновок: лінійна специфікація краще описує дані. p align="justify"> Провести тест Рамсея,
Тестуємо модель на пропущені змінні
Ramsey RESET Test: F-statistic0.606829 Prob. F (2,9) 0.5659Log likelihood ratio1.771018 Prob. Chi-Square (2) 0.4125Test Equation: Dependent Variable: STOCKMethod: Least SquaresDate: 12/22/08 Time: 11:30 Sample: 1994 2007Incl...
