You are on page 1of 30

Applied Econometrics

Applied Econometrics
Second edition
Dimitrios Asteriou and
Stephen G. Hall

Applied Econometrics

Ετεροσκεδαστικότητα

1. Τι είναι ετεροσκεδαστικότητα
2. Συνέπειες της ετεροσκεδαστικότητας
3. Διάγνωση ετεροσκεδαστικότητας
4. Επίλυση ετεροσκεδαστικότητας

Applied Econometrics
Στόχοι μαθήματος
1. Κατανόηση της έννοια της ετεροσκεδαστικότητας και της
ομοσκεδαστικότητας μέσω παραδειγμάτων.
2. Κατανόηση των συνεπειών της ετεροσκεδαστικότητας στους εκτιμητές
OLS.
3. Διάγνωση ετεροσκεδαστικότητας μέσω μελέτης διαγράμματος.
4. Διάγνωση ετεροσκεδαστικότητας μέσω επίσημων οικονομετρικών test.
5. Διάκριση μεταξύ του ευρέους φάσματος των διαθέσιμων test για τη
διάγνωση της ετεροσκεδαστικότητας.
6. Εκτέλεση ελέγχων ετεροσκεδαστικότητας με τη χρήση οικονομετρικού
λογισμικού.
7. Επίλυση ετεροσκεδαστικότητας με τη χρήση οικονομετρικού λογισμικού.

(διαφορετικός ή άνισος) είναι το αντίθετο του ομο.(ίδιος ή ίσος)… Σκέδαση είναι η διάδοση ή η διασπορά… Ομοσκεδαστικότητα = ίση διασπορά Ετερασκεδαστικότητα = άνιση διασπορά . Applied Econometrics Τι είναι Ετεροσκεδαστικότητα Ετερό.

Applied Econometrics Τι είναι Ετεροσκεδαστικότητα Η υπόθεση 5 του CLRM δηλώνει ότι οι διαταραχές θα πρέπει να έχουν μια σταθερή (ίση) διακύμανση ανεξάρτητη του t: Var(ut)=σ2 Συνεπώς. έχοντας μια ίση διακύμανση σήμαινει ότι οι διακυμάνσεις είναι ομοσκεδαστικές. .

n. Κοιτάξτε τα παρακάτω διαγράμματα… . που σημαίνει ότι η διακύμανση μπορεί να αλλάξει για κάθε διαφορετική παρατήρηση του δείγματος t=1. 2. …. που προσαρτάται στο σt2. 3. 4. Applied Econometrics Τι είναι Ετεροσκεδαστικότητα Εάν παραβιάζεται η υπόθεση της ομοσκεδαστικότητας τότε: Var(ut)=σt2 Όπου η μόνη διαφορά είναι ο δείκτης t.

Applied Econometrics Τι είναι Ετεροσκεδαστικότητα .

Applied Econometrics Τι είναι Ετεροσκεδαστικότητα .

Applied Econometrics Τι είναι Ετεροσκεδαστικότητα .

Τρίτο γράφημα: βελτιώσεις στις τεχνικές συλλογής δεδομένων (μεγάλες «τράπεζες» δεδομένων) ή στα μοντέλα μάθησης σφάλματος (η εμπειρία μειώνει την πιθανότητα μεγάλων λαθών) . ενώ συμβαίνει το αντίθετο για υψηλά εισοδήματα. Applied Econometrics Τι είναι Ετεροσκεδαστικότητα Πρώτα γράφημα: Ομοσκεδαστικά κατάλοιπα Δεύτερο γράφημα: πρότυπα εισοδήματος- κατανάλωσης. για χαμηλά επίπεδα εισοδήματος όχι πολλές επιλογές.

οδηγώντας σε υψηλότερες τιμές των στατιστικών t και F . 3. Αυτό συμβαίνει γιατί καμία από τις ερμηνευτικές μεταβλητές δεν συσχετίζεται με τον όρο του σφάλματος. Επηρεάζεται η κατανομή των εκτιμημένων συντελεστών αυξάνοντας τις διακυμάνσεις των κατανομών και συνεπώς κάνοντας τους εκτιμητές OLS αναποτελεσματικούς. . 2. Έτσι. Οι εκτιμητές OLS εξακολουθούν να είναι αμερόληπτοι και συνεπείς. μια σωστά προσδιορισμένη εξίσωση θα μας δώσει τιμές των εκτιμημένων συντελεστών που είναι πολύ κοντά στις πραγματικές παραμέτρους. Υποεκτιμώνται οι διακυμάνσεις των εκτιμητών. Applied Econometrics Συνέπειες της Ετεροσκεδαστικότητας 1.

υπάρχουν δύο τρόπο. όπως τα παρακάτω: 1. Το Park LM Test 5. Το White Test . Ο πρώτος είναι ο ανεπίσημος τρόπος. Applied Econometrics Διάγνωση Ετεροσκεδαστικότητας Γενικά. Ο δεύτερος είναι μέσω επίσημων test για ετεροσκεδαστικότητα. Το Breusch-Pagan LM Test 2. Το Harvey-Godfrey LM Test 4. ο οποίος γίνεται μέσω διαγραμμάτων κι έτσι ονομάζεται γραφική μέθοδος. ΤοGoldfeld-Quandt Tets 6. Το Glesjer LM Test 3.

Applied Econometrics Διάγνωση Ετεροσκεδαστικότητας Σχεδιάζουμε το τετράγωνο των καταλοίπων που λαμβάνονται απέναντι στο προσαρμοσμένο Y και στα X και παρατηρούμε τα πρότυπα. .

Applied Econometrics Διάγνωση Ετεροσκεδαστικότητας .

Applied Econometrics Διάγνωση Ετεροσκεδαστικότητας .

Applied Econometrics Διάγνωση Ετεροσκεδαστικότητας .

Applied Econometrics Διάγνωση Ετεροσκεδαστικότητας .

όπου n και R2 προέρχονται από τη βοηθητική παλινδρόμηση. Βήμα 4: Εάν LM-stat>χ2p-1 τότε απορρίπτουμε τη μηδενική υπόθεση και συμπεραίνουμε ότι υπάρχει μια σημαντική απόδειξη ετεροσκεδαστικότητας.  a p Z pt  vt 2 Βήμα 3: Υπολογίζουμε το LM=nR2.. .. Applied Econometrics Το Breusch-Pagan LM Test Βήμα 1: Εκτιμούμε το μοντέλο με OLS και λαμβάνουμε τα κατάλοιπα. Βήμα 2: «Τρέχουμε» την παρακάτω βοηθητική παλινδρόμηση: uˆt  a1  a2 Z 2t  a3Z3t  .

.. Βήμα 2: «Τρέχουμε» την παρακάτω βοηθητική παλινδρόμηση: | uˆt | a1  a2 Z 2t  a3Z3t  . Βήμα 4: Εάν LM-stat>χ2p-1 απορρίπτουμε τη μηδενική υπόθεση και συμπεραίνουμε ότι υπάρχει μια σημαντική απόδειξη ετεροσκεδαστικότητας.. όπου n και R2 προέρχονται από τη βοηθητική παλινδρόμηση. Applied Econometrics Το Glesjer LM Test Βήμα 1: Εκτιμούμε το μοντέλο με OLS και λαμβάνουμε τα κατάλοιπα.  a p Z pt  vt Βήμα 3: Υπολογίζουμε LM=nR2.

Applied Econometrics Το Harvey-Godfrey LM Test Βήμα 1: Εκτιμούμε το μοντέλο με OLS και λαμβάνουμε τα κατάλοιπα. όπου n και R2 προέρχονται από τη βοηθητική παλινδρόμηση.. Βήμα 4: Εάν LM-stat>χ2p-1 απορρίπτουμε τη μηδενική υπόθεση και συμπεραίνουμε ότι υπάρχει μια σημαντική απόδειξη ετεροσκεδαστικότητας.  a p Z pt  vt Βήμα 3: Υπολογίζουμε το LM=nR2.. . Βήμα 2: «Τρέχουμε» την παρακάτω βοηθητική παλινδρόμηση: ln uˆt2  a1  a2 Z 2t  a3Z3t  .

 a p ln Z pt  vt Βήμα 3: Υπολογίζουμε το LM=nR2. Applied Econometrics Το Park LM Test Βήμα 1: Εκτιμούμε το μοντέλο με OLS και λαμβάνουμε τα κατάλοιπα. . Βήμα 2: «Τρέχουμε» την παρακάτω βοηθητική πανιδρόμηση: ln uˆt2  a1  a2 ln Z 2t  a3 ln Z3t  . όπου n και R2 προέρχονται από τη βοηθητική παλινδρόμηση. Βήμα 4: Εάν LM-stat>χ2p-1 απορρίπτουμε τη μηδενική υπόθεση και συμπεραίνουμε ότι υπάρχει μια σημαντική απόδειξη ετεροσκεδαστικότητας...

Applied Econometrics Το Engle’s ARCH Test Ο Engle εισήγαγε μια νέα έννοια. παρά στα ίδια τα σφάλματα. Η κεντρική ιδέα είναι ότι η διακύμανση του ut εξαρτάται από το μέγεθος του τετραγωνισμένου σφάλματος της προηγούμενης περιόδους u2t-1 για το μοντέλο πρώτης τάξης ή: Var(ut)=γ1+γ2u2t-1 Το μοντέλο μπορεί εύκολα να επεκταθεί και για μεγαλύτερες τάξεις: Var(ut)=γ1+γ2u2t-1+…+ γpu2t-p . επιτρέπονται να υπάρχει ετεροσκεδαστικότητα στη διακύμανση των όρων σφάλματος.

ο αριθμός των υστερήσεων θα καθορίζεται από την τάξη. Applied Econometrics Το Engle’s ARCH Test Βήμα 1: Εκτιμούμε το μοντέλο με OLS και παίρνουμε τα κατάλοιπα Βήμα 2: Παλινδρομούμε τα τετραγωνισμένα κατάλοιπα σε μια σταθερά και στους όρους των τετραγωνισμένων σφαλμάτων με χρονική υστέρηση. Βήμα 3: Υπολογίζουμε το LM statistic = (n-ρ)R2 από το μοντέλο LM και το συγκρίνουμε με την κριτική τιμή του Χ τετράγωνο. για την τάξη των επιδράσεων ARCΗ. που έχει υποτεθεί. Βήμα 4: Συμπέρασμα .

Βήμα 2: Χωρίζουμε το ταξινομημένο δείγμα σε δύο ίσα δείγματα παραλείποντας c κεντρικές παρατηρήσεις. και ταξινομούμε τις παρατηρήσεις αυτής της μεταβλητής σε φθίνουσα σειρά. Applied Econometrics Το Goldfeld-Quandt Test Βήμα 1: Διακρίνουμε μια μεταβλητή η οποία σχετίζεται στενά με την διακύμανση των διαταραχών. (από το υψηλότερο στο χαμηλότερο). έτσι ώστε τα δύο δείγματα να έχουν .

.1/2(n-c)-k) απορρίπτουμε τη μηδενική υπόθεση για ομοσκεδαστικότητα. Applied Econometrics Το Goldfeld-Quandt Test Βήμα Παλινδρόμουμε την μεταβλητή Y στην X που χρησιμοποιήσαμε στο βήμα 1 για κάθε μικρότερα δείγμα και λαμβάνουμε το RSS για κάθε εξίσωση. όπου RSS1 είναι το RSS με την υψηλότερη τιμή. Βήμα 5: Εάν F-stat>F-crit(1/2(n-c)-l. Βήμα 4: Υπολογίζουμε το F-stat=RSS1/RSS2.

Applied Econometrics Το White’s Test Βήμα 1: Εκτιμούμε το μοντέλο με OLS και λαμβάνουμε τα κατάλοιπα. όπου n και R2 προέρχονται από τη βοηθητική παλινδρόμηση. Βήμα 4: Εάν LM-stat>χ2p-1 απορρίπτουμε τη μηδενική υπόθεση και συμπεραίνουμε ότι υπάρχει σημαντική απόδειξη για ετεροσκεδαστικότητα. . Βήμα 2: «Τρέχουμε» την παρακάτω βοηθητική παλινδρόμηση: uˆt2  a1  a2 X 2t  a3 X 3t  a4 X 22t  a5 X 32t  a6 X 2t X 3t  vt Βήμα 3: Υπολογίζουμε το LM=nR2.

Applied Econometrics Επίλυση Ετεροσκεδαστικότητας Έχουμε τρεις διαφορετικές περιπτώσεις: (a) Γενικευμένα Ελάχιστα Τετράγωνα (GLS) (b) Σταθμισμένα Ελάχιστα Τετράγωνα (WLS) (c) Ετεροσκεδαστικότητα-Μέθοδος συνεπής εκτίμησης .

Applied Econometrics Γενικευμένα Ελάχιστα Τετράγωνα Θεωρείστε το παρακάτω Yt=β1+β2X2t+β3X3t+β4X4t+…+βkXkt+ut όπου Var(ut)=σt2 .

Applied Econometrics Γενικευμένα Ελάχιστα Τετράγωνα Εάν χωρίσουμε κάθε όρο με βάση την τυπική απόκλιση του όρου σφάλματος σt . έχουμε: Yt=β1 (1/σt) +β2X2t/σt +β3X3t/σt +…+βkXkt/σt +ut/σt ή Y*t= β*1+ β*2X*2t+ β*3X*3t+…+ β*kX*kt+u*t Όπου τώρα έχουμε ότι: Var(u*t)=Var(ut/σt)=Var(ut)/σt2=1 .

και ξαναγράφουμε το αρχικό μοντέλο ως εξής: wtYt=β1wt+β2X2twt+β3X3twt+…+βkXktwt+utwt Όπου αν ορίζουμε ως wtYt-1=Y*t και Xitwt=X*it παίρνουμε ότι: Y* = β* + β* X* + β* X* +…+ β* X* +u* . προσαρμόζοντας. Applied Econometrics Σταθμισμένα Ελάχιστα Τετράγωνα Η διαδικασία GLS είναι η ίδια όπως WLS όπου έχουμε βαρύτητες. Ορίζουμε wt=1/σt. wt.