вказує на нормальний розподіл випадкових відхилень в даній моделі.
Аналізуючи дану модель можна зробити наступний висновок:
по P-ймовірності та t-статистикою коефіцієнти даної моделі є статістіческізначімимі, також статистично значущою є і сама модель за коефіцієнтом детермінації, F-статистикою та її ймовірності;
переходячи до передумов порушення МНК, можна відзначити, що в даній моделі відсутній гетероскедастичності, але при цьому присутній автокорреляция, що знижує ефективність оцінок даної моделі;
залишки в даній моделі є стаціонарними і мають нормальний розподіл, що є досить важливою умовою побудови якісної моделі.
Так як часові ряди, що входять до первісної модель, є інтегрованими першого порядку, побудуємо модель приростів і оцінимо її якість:
VariableCoefficientStd. Errort-StatisticProb. align = "justify"> squared = 0.805893Watson stat = 2.006428statistic = 41.51797 (F-statistic) = 0.000000
За побудованим даними видно, що P-ймовірність і t-статистика показують значимість коефіцієнта індексу споживчих цін і незначимість коефіцієнта при ВВП, однак візьмемо похибка в 25%, що дозволить зробити висновок про статистичної значущості коефіцієнтів даної моделі . Коефіцієнт детермінації, F-статистика та її ймовірність вказують на статистичну значимість та адекватність побудованої моделі. p align="justify"> Тепер перейдемо до передумов порушення МНК. Почнемо зі статистки Дарбіна - Уотсона і тесту Бреуша - Годфрі на наявність автокореляції в моделі:
Breusch-Godfrey Serial Correlation LM Test:
F-statistic0.088849 Probability0.768880Obs * R-squared0.107054 Probability0.743524
За статистикою Дарбіна - Уотсона і тесту Бреуша - Годфрі чітко видно відсутність автокореляції в даній моделі.
Тепер перейдемо до тесту Уайта і оцінимо дану модель на наявність гетероскедастичності:
White Heteroskedasticity Test: F-statistic0.499788 Probability0.736247Obs * R-squared2.299121 Probability0.680929
Тест Уайта вказує на відсутність в даній моделі гетероскедастичності.
Тепер перейдемо до аналізу випадкових відхилень в даній моделі: проведемо перевірку на стаціонарність і нормальний розподіл:
У першу чергу перевіримо залишки на стаціонарність за допомогою тесту ADF:
ADF Test Statistic-4.797725 1% Critical Value * -2.6756 5% Critical Value-1.9574 10% Critical Value-1.6238
Була взята специфікація N, 0. По даному тесту можна зробити висновок про те, що наявність стаціонарності випадкових відхилень даної моделі підтверджується. p align="justify"> тепер подивимося на нормальний розподіл залишків за допомогою тесту Ж...
