МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ

НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ „ЛЬВІВСЬКА ПОЛІТЕХНІКА”

Кафедра маркетингу і логістики

Лабораторна робота № 4

з дисципліни «Економіко-математичні методи і моделі»

на тему: ВИЗНАЧЕННЯ ГЕТЕРОСКЕДАСТИЧНОСТІ ТА АВТОКОРЕЛЯЦІЇ

ЗАЛИШКІВ
(Варіант – 14)

Виконала:

ст.гр.ЕВ-21

Федорович Д.П.

Керівник:
Васильців Н. М.

ЛЬВІВ – 2022
 І. Загальні положення
Передумови застосування МНК, які складають основу класичного
регресійного аналізу, на практиці часто порушуються. В таких випадках
виникають явища гетероскедастичності та автокореляції. Ці явища призводять до
неадекватності побудованої моделі.
ІІ. Теоретичні відомості
Однією із передумов застосування МНК є стала величина дисперсії залишків
для всіх спостережень. Така властивість називається гомоскедастичністю. У
практичних дослідженнях часто порушується умова гомоскедастичності, тобто
існує явище гетероскедастичності. Якщо існує герескедастичність залишків, то це
призводить до того, що оцінки параметрів економетричної моделі, знайдені за
допомогою методу найменших квадратів, будуть незміщеними, обґрунтованими,
але неефективними.
Одним із методів перевірки припущень про наявність гетероскедастичності є
метод на основі критерію . Цей метод застосовується тоді, коли вихідна
сукупність спостережень досить велика. Розглянемо відповідний алгоритм.
Вихідні дані залежної змінної Y розбиваються на k груп відповідно до зміни
рівня величини Y. За кожною групою даних обчислюється сума квадратів
відхилень( r = 1, k ).

де n – загальна сукупність спостережень;

nr – кількість спостережень r-ї групи.
Обчислюється критерій
  2 ln  (4.4)
 В економетричних моделях особливе значення має автокореляція.
Автокореляція відхилень – це кореляція відхилень від лінії регресії з
відхиленнями від цієї лінії регресії, взятими з деяким запізненням, тобто це
кореляція ряду u1 , u2 , .. . .. .. . un з рядом uk +1 , uk +2 , .. . .. .. . uk +n , де k – число,
що характеризує запізнення. Кореляція між сусідніми членами ряду (k=1)
називається автокореляцією першого порядку.
Причини автокореляції можуть бути різними, а саме
 недостатня статистична база для побудови економетричної моделі;
 ігнорування при побудові моделі істотної пояснювальної змінної;
 використання не відповідних форм залежності;
3
 статистичні дані зібрані з великими похибками.
Для оцінки автокореляції залишків використовується критерій Дарбіна-
Уотсона
n
∑ ( u i−ui−1 )2
d= i =2 n
∑ u 2i
i=1 , (4.9)
де ui = y i− y^ i - залишки (відхилення).
d – статистика може набувати будь-якого значення з інтервалу (0;4).
При відсутності автокореляції d – статистика набуває значень близьких
до 2. Для d – статистики визначені крайні межі (d 1 – нижня, dn – верхня), які
дозволяють із заданою надійністю дати відповідь, чи можна прийняти
гіпотезу про відсутність автокореляції першого порядку чи ні.
У залежності від значення d приймаємо, що:
1) при 0<d < dl відхилення додатньо корельовані;
2) при d n < d< 4−d n враховується гіпотеза про відсутність явища
автокореляції;
3) при 4−dl < d <4 відхилення від’ємно корельовані;
4) при d l < d< d n і 4−d n <d < 4−d l критерій не дає відповідь про
відсутність явища автокореляції.
Якщо d – статистика набуває значення з п. 4, то для одержання
відповіді про наявність автокореляції першого порядку необхідно
збільшити кількість спостережень. Величина dn і dl для певних ймовірностей
наводяться в статистичних таблицях.
Якщо встановлено, що із заданою ймовірністю економетрична модель
адекватна спостережувальним даним і соціально-економічні умови за
період прогнозування змінюються за закономірностями, що мають місце і в
базовому періоді, то точкова оцінка прогнозу знаходиться за формулою
yˆ p = a 0 + a1x
(4.10)

4
 ХІД РОБОТИ
Для визначення гетероскедастичності необхідно заповнити вихідні дані
Таблиця 5.1.
Вихідні дані

y1 (y1-y1c)2 y2 (y2-y2c)2 y3 (y3-y3c)2

0,5 0,0765 0,55 0,0160 0,96 0,3865
0,2 0,0005 0,5 0,0312 1,18 0,1613
0,08 0,0205 0,43 0,0608 1,53 0,0027
0,2 0,0005 0,59 0,0075 1,94 0,1284
0,24 0,0003 1,04 0,1320 1,75 0,0283
0,12 0,0107 0,95 0,0747 2,13 0,3007
Сума 1,34 0,1091 4,06 0,3223 9,49 1,0079

Знайшла середні значення

Таблиця 5.2.
Середні значення
0,67666666
y1с= 0,223 y2с= 7 y3с= 1,5817

(S1\6)3= 6,0175E-06 (S2\6)3= 0,000155 (S3\6)3= 0,00474 П (Sі\6)і= 4,42E-12

Обчислила параметр α з допомогою формули:

( )
k n

∑ Sr 2

()
nr
k
Sr
α=∏ 2 r =1
/
r=1 nr n
Отже, параметр а = 0,0331

Після цього обчислила критерій μ=−2 lnα

µ= 6,8174
Обчисливши цей показник, спостерігається гетероскедастичність, оскільки результат є
більший за 6.

5
 Таблиця 5.3.
Yі Xі Xі2 Yі*Xі Yі-Yc (Yі-Yc)2 Xі-Xc (Xі-Xc)2 Yі2 Yті Yті-Yc (Yті-Yc)2 Uі=Yі-Yті (Yі-Yті)2 Uі-Uі-1 (Uі-Uі-1)2
0,5 8,8 77,440 4,400 -0,327 0,107 -6,711 45,039 0,250 0,034 -0,793 0,629 0,466 0,217 0,466 0,217
0,2 8 64,000 1,600 -0,627 0,393 -7,511 56,417 0,040 -0,061 -0,888 0,788 0,261 0,068 -0,205 0,042
0,08 10 100,000 0,800 -0,747 0,558 -5,511 30,372 0,006 0,176 -0,651 0,424 -0,096 0,009 -0,096 0,009
0,2 10,6 112,360 2,120 -0,627 0,393 -4,911 24,119 0,040 0,247 -0,581 0,337 -0,047 0,002 0,049 0,002
0,24 11 121,000 2,640 -0,587 0,345 -4,511 20,350 0,058 0,294 -0,533 0,284 -0,054 0,003 -0,054 0,003
0,12 11,9 141,610 1,428 -0,707 0,500 -3,611 13,040 0,014 0,400 -0,427 0,182 -0,280 0,079 -0,226 0,051
0,55 12,7 161,290 6,985 -0,277 0,077 -2,811 7,902 0,303 0,495 -0,332 0,110 0,055 0,003 0,055 0,003
0,5 13,5 182,250 6,750 -0,327 0,107 -2,011 4,045 0,250 0,589 -0,238 0,057 -0,089 0,008 -0,145 0,021
0,43 14,3 204,490 6,149 -0,397 0,158 -1,211 1,467 0,185 0,684 -0,143 0,020 -0,254 0,065 -0,254 0,065
0,59 14,1 198,810 8,319 -0,237 0,056 -1,411 1,991 0,348 0,660 -0,167 0,028 -0,070 0,005 0,184 0,034
1,04 16,7 278,890 17,368 0,213 0,045 1,189 1,413 1,082 0,968 0,141 0,020 0,072 0,005 0,072 0,005
0,95 17,7 313,290 16,815 0,123 0,015 2,189 4,791 0,903 1,086 0,259 0,067 -0,136 0,018 -0,208 0,043
0,96 18,6 345,960 17,856 0,133 0,018 3,089 9,541 0,922 1,192 0,365 0,133 -0,232 0,054 -0,232 0,054
1,18 19,7 388,090 23,246 0,353 0,124 4,189 17,547 1,392 1,322 0,495 0,245 -0,142 0,020 0,090 0,008
1,53 21,1 445,210 32,283 0,703 0,494 5,589 31,236 2,341 1,488 0,661 0,436 0,042 0,002 0,042 0,002
1,94 22,8 519,840 44,232 1,113 1,238 7,289 53,128 3,764 1,689 0,862 0,742 0,251 0,063 0,209 0,044
1,75 23,9 571,210 41,825 0,923 0,852 8,389 70,373 3,063 1,819 0,992 0,983 -0,069 0,005 -0,069 0,005
2,13 23,8 566,440 50,694 1,303 1,697 8,289 68,706 4,537 1,807 0,980 0,960 0,323 0,104 0,392 0,154
14,89 279,200 4792,180 285,51 0,000 7,179 0,000 461,478 19,496 14,890 0,000 6,448 0,000 0,730 0,069 0,762
0 0
Залишки

6
 Таблиця 4.4.
Середні значення Yі та Xі

Середнє 0,827 15,511

Таблиця 4.5.
Матриця X

279,200
18

279,200 4792,180

Таблиця 4.6.
Вектор Y

14,890

285,510

Знаходимо обернену матрицю, для визначення показників a0 та a1:

Таблиця 4.7.
Обернена матриця X

0,576912335 -0,033611827

-0,033611827 0,002166952
Таблиця 4.8.
Показники a0 та a1:
a0= -1,006
a1= 0,118
Отже, отримали однофакторну модель вигляду:
ŷ = -1,006+ 0,118*х
a0 ,a 1
Знайшовши показники визначаю критерій Фішера, за формулою:

7
 ∑ ( ^yi − ȳ )2 / k 1
F= ,
∑ ( y i− ^yi )2 / k 2
k 1=m,
k 2 =n−m−1 ,

Таблиця 4.9.
Критерій Фішера

141,2386089

Fкр=4,49, за даними розрахунків бачимо, що F >Fкр, тобто 141,2386> 4,49. Це означає,

що побудована регресійна модель адекватна статистичним даним генеральної сукупності.
Для оцінки автокореляції залишків використовується критерій Дарбіна-Уотсона, за
формулою:
n
∑ ( u i−ui−1 )2
d= i =2 n
∑ u 2i
i=1 ,

Таблиця 4.10.
Критерій Дарбіна-Уотсона
1,042853063
Ми можемо спостерігати додатну автокореляцію, адже показник є більшим за 0.
Визначимо прогнозне значення заощаджень при величині доходів 28 млн. грн.

ŷ = -1,006+ 0,118*х
ŷ = -1,006+ 0,118*28=2,265
Тобто прогнозне значення - 2,265

8
 Висновок
Виконавши лабораторну роботу, я перевірила наявність гетероскедастичності згідно
з критерієм μ . Гетероскедастичність присутня у досліджуваній моделі, оскільки показник-
µ= 6,8174 є більшим за табличне значення.
Побудувала однофакторну модель та оцінила надійність моделі за допомогою критерія
Фішера. Після цього, перевірила наявність автокореляції за допомогою критерія Дарбіна-
Уотсона і виявила у моделі додатну автокореляцію, оскільки показник =1,042853063 та
знаходиться у зоні від 0-d або (0-1,16). Також за допомогою рівняння визначила прогнозне
значення заощаджень при величині доходів 28 млн. грн., яке дорівнює 2,265.