Professional Documents
Culture Documents
Kur termat e gabimeve kanë shpërndarje homoskedastike,
varianca e koefiçientit MZKV është:
(1)
(2)
Tani jemi në gjendje që të shpjegojmë anshmërinë që pëson vlerësuesi
MZKV, në prani të heteroskedasticitetit.
Nëqoftëse heteroskedasticiteti është i pranishëm dhe ne llogaritim
variancën e b sipas ekuacionit 1 dhe jo sipas ekuacionit 2, do të
nënvlerësonim variancën e vërtetë dhe gabimin standart të b. Kjo do
të sillte rritje artificiale të statistikës t, duke bërë që regresorë të
modelit të duket sikur kanë ndikim statistikisht të rëndësishëm tek
variabli i varur, kur në të vërtetë mund të mos jetë kështu.
Gjithashtu, dhe kufijtë e intervaleve të besimit do të ngushtohen
artificialisht, duke na bërë të mendojmë se është rritur preçizioni i
vlerësimit.
Ndikimi i heteroskedasticitetit tek matrica e variancë-kovariancës të termave të gabimit
Matrica në mungesë të heteroskedasticitetit ka
trajtën:
E( = = (3)
ku, është një matricë identiteti (unitare) me
përmasa n x n.
Në prani të heteroskedasticitetit matrica do të
ndryshojë nga forma klasike dhe do të marrë trajtën:
E( = (4)
Matricën e ekuacionit 4 mund ta shkruajmë edhe në formën:
E( = (5)
Në prani të heteroskedasticitetit, matrica e variancë kovariancës të vektorit të
disturbancave shkruhet si matricë e përgjithshme G dhe MKRL shndërohet në MPRL
(Model i Përgjithshëm i Regresionit Linear). Matrica G, siç duket nga ekuacioni 5
normalizohet duke u paraqitur në trajtën , ku zgjidhet në mënyrë të tillë që të
“shtrihet” përgjatë N elementëve të diagonales së
(MPKV)
Le të kemi funksionin e regresionit për zgjedhjen:
(6)
Pjestojmë të dy anët e ekuacionit 6 me , duke supozuar që vlerat janë
të njohura.
(7)
ose
(8)
Për modelin e modifikuar kemi:
(9)
Për këtë arsye, vlerësimet e përftuara me MZKV nga regresioni i në do
të jenë VMLP.
Për të përftuar vlerësuesin MPKV duhet të minimizojmë
(10)
d.m.th.
(11)
Mekanizmi i minimizimit ndjek teknikat standarte llogaritëse, prej nga
vlerësuesi llogaritet sipas formulës:
(12)
kurse varianca e tij jepet sipas formulës
(13)
ku,
Duhet theksuar se, ndërsa në MKRL minimizonim
shumën e katrorëve të mbetjeve të papeshuar, në MPRL
minimizojmë shumën e katrorëve të mbetjeve të pëshuar
me peshat Në MPKV peshat që i korrespondojnë çdo
vrojtimi janë proporcionalisht të kundërta me . Kjo
nënkupton që, vrojtime të ardhura nga popullatë me të
madhe, do të marrin pesha relativisht të vogla dhe
vrojtime të ardhura nga popullatë me të vogla, do të
marrin pesha relativisht të mëdha.
Pasoja të heteroskedasticitetit në vlerësuesit MZKV
Me heteroskedasticitet
Pa heteroskedasticitet
𝜷
Si pasojë e pranisë së heteroskedasticitetit nuk është vlerësuesi më
efiçient ndër gjithë vlerësuesit e paanshëm. Një vlerësues tjetër i
quajtur vlerësuesi i metodës së përgjithshme të katrorëve më të vegjël
mund të jetë VLMP.
përdor G-në e vlerësuar quhet vlerësuesi i metodës së katrorëve më të vegjël të
vlerësuar dhe shkruhet . Ai nuk është më linear dhe i paanshëm por, nëqoftëse
është vlerësues konsistent i G, mund të tregohet që ka veti asimptotike të
dëshiruara, krahasuar me vetitë e , për zgjedhje të vogla. Studime Monte-
Karlo kanë treguar se, në shumë raste, është superior dhe ndaj në kritere ku
tregohet matematikisht se është superior ndaj . Si pasojë, ekonometristët
shpesh, në kontekstin vlerësues të MPRL, adoptojnë vlerësuesin .
Nëqoftëse do të shpreheshim në gjuhën matricore për të qartësuar pasojat e
heteroskedasticitetit tek vlerësuesit MZKV dhe MPKV do të kishim:
ose
Në rastin e modelit të regresionit të thjeshtë mund të
shpërndarjes së vlerave.
Testi LM Breusch-Pagan
(1)
ku, .
Testi Breusch-Pagan përmban hapat e mëposhtëm:
Kryejmë regresionin e ekuacioni 1 dhe përftojmë mbetjet nga modeli i vlerësuar.
Kryejmë regresionin ndihmës (auxiliary):
(2)
=0
Hipoteza alternative do të jetë se të paktën një prej koeficientëve do të jetë e ndryshme nga
zero. Kjo nënkupton që të paktën një prej variablave shpjegues ndikon në mënyrë të
rëndësishme statistikore varinacën e mbetjeve (e cila ndryshon sipas i).
Llogarisim statistikën , ku është numri i vrojtimeve të përdorura në hapin 2 për
ekuacionin ndihmës dhe , koeficienti i përcaktueshmërisë për këtë regresion. Statistika
ndjek shpërndarje me shkallë lirie.
Rregulli i vendimit: Nëqoftëse për një nivel të caktuar rëndësie, , hidhet poshtë hipoteza
bazë, duke evidentuar praninë e heteroskedasticitetit.
Testi LM i Glesjer
Testi i Glesjer (1969) ndjek këto hapa:
1. Kryej regresionin:
(1)
dhe përftojmë mbetjet
2. Kryej regresionin ndihmës:
(2)
3. Formulojmë hipotezën bazë dhe atë alternative.
=0
të paktën një prej
4. Llogarisim statistikën ku, është numri i vrojtimeve të përdorura në hapin 2, për
ekuacionin ndihmës dhe , koeficienti i përcaktueshmërisë për këtë regresion. Statistika
ndjek shpërndarje me shkallë lirie.
5. Rregulli i vendimit: Nëqoftëse për një nivel të caktuar rëndësie, , hidhet poshtë
hipoteza bazë, duke evidentuar praninë e heteroskedasticitetit (zakonisht ).
Testi LM Harvey-Godfrey
Harvey (1976) dhe Godfrey (1978) krijuan testin si më poshtë:
1. Kryejmë regresionin:
(1)
(2)
=0
4. Llogarisim statistikën ku, është numri i vrojtimeve të përdorura në hapin 2, për ekuacionin
ndihmës dhe , koeficienti i përcaktueshmërisë për këtë regresion. Statistika ndjek shpërndarje me
shkallë lirie.
5. Rregulli i vendimit: Nëqoftëse për një nivel të caktuar rëndësie, , hidhet poshtë hipoteza bazë,
duke evidentuar praninë e heteroskedasticitetit (zakonisht ).
Testi LM i Parkut
Parku (1966) zhvilloi një test alternativLM, i cili ndjek hapat e mëposhtëm:
1. Kryejmë regresionin:
(1)
(2)
=0
4. Llogarisim statistikën ku, është numri i vrojtimeve të përdorura në hapin 2, për ekuacionin
ndihmës dhe , koeficienti i përcaktueshmërisë për këtë regresion. Statistika ndjek shpërndarje
me shkallë lirie.
5. Rregulli i vendimit: Nëqoftëse për një nivel të caktuar rëndësie, , hidhet poshtë hipoteza bazë,
duke evidentuar praninë e heteroskedasticitetit (zakonisht ).
Testi Goldfeld-Quandt
Goldfeld dhe Quandt propozuan një test alternativ, bazuar tek idea se, nëqoftëse
variancat e mbetjeve janë të njëjta për të gjitha vrojtimet (janë homoskedastike),
atëherë varianca e një pjese të zgjedhjes do të ishte e njëjtë me variancën e pjesës
tjetër të zgjedhjes. Për këtë test nevojitet identifikimi i një variabli, i cili të ketë
lidhje sa më të madhe me variancën e mbetjeve. Kjo mund të shikohet nga
shpërndarja grafike e vlerave të mbetjeve kundrejt variablave shpjegues. Testi
Goldfeld-Quandt ndjek këto hapa:
1. Identifikojmë një variabël që ka lidhje të ngushtë me variancën e termit të gabimit.
2. Renditim vrojtimet e këtij variabli në shkallën zbritëse (nga vlera më e lartë në më të
ultën).
3. Ndajmë zgjedhjen në dy pjesë të barabarta (dy nënzgjedhje) duke larguar c vrojtime të
qëndrës. Secila nënzgjedhje do të ketë vrojtime. Nënzgjedhja e parë do të përmbajë
vlerat më të larta dhe e dyta vlerat më të ulta.
4. Kryejmë regresionin e variablit të interesit Y, kundrejt dy nënzgjedhjeve të variablit
shpjegues të zgjedhur X dhe përftojmë SKG për çdo ekuacion.
5. Llogarisim statistikën F sipas formulës:
ku, është ajo me vlerë më të madhe. Statistika F ka shpërndarje të Fisherit me shkallë lirie , për
numëruesin dhe , për emëruesin, ku, k është numri total i parametrave.
6.
Rregulli i vendimit. Refuzojmë hipotezën bazë që favorizon homoskedasticitetin, nëqoftëse , për
një nivel të caktuar rëndësie.
Ideja prapa formulës së statistikës F është se, nëqoftëse termat e gabimit janë homoskedastikë,
atëherë varianca e mbetjeve për çdo nënzgjedhje do të jetë e njëjtë, si rrjedhojë raporti midis tyre
do të jetë unitar. Nëqoftëse raporti midis variancave do të jetë në mënyrë të rëndësishme më i madh
pranishëm.
Vlera për c, zgjidhet në mënyrë arbitrare dhe zakonisht është diku midis 1/6 dhe 1/3 të vrojtimeve.
Testi Goldfeld-Quandt është shumë popullor për regresionin e thjeshtë, por ka një mangësi. Ai nuk
merr parasysh rastin kur heteroskedasticiteti shkaktohet nga më tepër se një variabël shpjegues.
Testi White
eleminon problemet e hasura në testet e mësipërme. Edhe testi White është një
(2)
3. Llogarisim statistikën ku, është numri i vrojtimeve të përdorura në hapin 2, për ekuacionin
ndihmës dhe , koeficienti i përcaktueshmërisë për këtë regresion. Statistika ndjek shpërndarje me
shkallë lirie.
4. Rregulli i vendimit: Nëqoftëse për një nivel të caktuar rëndësie, , hidhet poshtë hipoteza bazë, duke
evidentuar praninë e heteroskedasticitetit (zakonisht ).
Testi White, si test më i plotë dhe me disa avantazhe kundrejt testeve të tjera rekomandohet,
pavarësisht se, për shkak të përfshirjes në regresion të efekteve bashkëvepruese, mund të rritë së
tepërmi numrin e regresorëve.
Zgjidhja e problemit me praninë e heteroskedasticitetit
1. Mund të rivlerësojmë modelin në një mënyrë që njeh plotësisht problemin. Kjo
realizohet nëpërmjet metodës së përgjithshme të katrorëve më të vegjël (MPKV). Sipas
kësaj metode prodhohet një bashkësi e re vlerësimesh parametrike, e cila do të jetë më
efiçiente se bashkësia e vlerësimeve parametrike të prodhuara me MZKV. Rrjedhimisht,
do të kemi dhe një bashkësi më të saktë kovariancash dhe statistikash t.
2. Mund të njohim që, megjithëse nuk është vlerësuesi më i mirë, ai vazhdon të jetë
konsistent dhe problem mbeten vetëm kovariancat dhe statistikat t, të cilat janë të
gabuara. Si pasojë, mund të korrigjojmë vetëm kovariancat dhe statistikat t, duke u
mbështetur tek formula:
Metoda konsistente vlerësimi në prani të heteroskedasticitetit
White (1980) propozoi një metodë përftimi të vlerësuesve konsistentë të variancave
dhe kovariancave të vlerësuesve MZKV. Metoda robuste e korrigjimit të
heteroskedasticitetit nëpërmjet gabimeve standarte konsiston si më poshtë:
Marrim në konsideratë një model regresioni të thjeshtë:
(1)
ku,
Dimë që (2)
Përderisa nuk mund të vrojtohet në mënyrë të drejtpërdrejtë, White propozoi
përdorimin e në vend të dhe vlerësimin e variancës së vlerësuesit MZKV si më
poshtë:
(3)
White tregoi se, kur madhësia e zgjedhjes rritet pambarimisht, vlerësuesi i formulës 3
konvergon drejt atij të formulës 2, pra është konsistent.