Пусть каждая из этих гипотез проверяется на уровне значимости а, скажем, а = 0.05. Какова в такой ситуации вероятность ошибочного отвержения модели статической регрессии Имеем [c.91]
Следовательно, если положить а= 0.025, то вероятность отвержения модели статической регрессии в рамках двухступенчатой процедуры не будет превышать 0.05. Заметим, что при этом мы еще не принимали в расчет ошибки, связанные с возможностью неправильной диагностики общей модели. [c.92]
Статическая регрессия, 81 Стационарные временные ряды [c.253]
Для выяснения вопроса о статической значимости коэффициента регрессии Ь. вычисляют доверительный интервал при заданном а [c.176]
Внутригрупповая регрессия в отличие от статических моделей не позволяет получить состоятельные (при фиксированном Т и при га — > оо) оценки параметров. [c.385]
Отметим также проблему, связанную с последовательным использованием нескольких критериев проверки гипотез. В рамках рассмотренной процедуры приходится, по крайней мере, сначала проверять гипотезу HI о наличии общих множителей, а затем, если она не отвергается, проверять гипотезу Н2 а = 0 о некоррелированности ошибок в статической модели регрессии. [c.91]
Результаты применения критерия Саргана говорят в пользу гипотезы о выполнении избыточных предположений. В то же время коэффициенты при запаздывающей разности значений объясняемой переменной и запаздывающей разности объясняющей переменной статистически незначимы, что возвращает нас к статической модели регрессии. [c.310]
А = 1 - L, так что Ayt = yt - yt i, Axt = xt - xt i), соответствует модели статической регрессии, но не для рядов в уровнях, а для рядов в разностях (для продифференцированных данных). Однако переход к рядам разностей оправдан только если исходные ряды имеют стохастический тренд и коинтегрированы. Об этом мы будем подробно говорить в последующих главах. А пока укажем только на то, что при неоправданном переходе к рядам разностей теряется информация о характере долговременной экономической связи между рядами в уровнях. [c.74]
При работе с набором данных о сделках, совершаемых в течение торгового дня, который был предоставлен Европейской биржей опционов (ЕОЕ), адаптивно обучаемая сеть WINNET показала лучшие результаты, чем статически обученная сеть и регрессия, по трем выбранным критериям. Простейшая основанная на этом прогнозе торговая стратегия принесла бы доход приблизительно в 11% годовых (без учета транзакционных издержек). [c.132]
Различия между коэффициентами регрессии и структурными коэффициентами модели численно могут быть и менее существенными. Так, например, Г.Тинтнер, рассматривая статическую [c.198]
В теории иногда встречаются модели, связывающие объемные и относительные показатели между собой Например, это зависимость реальных инвестиций / от реальной ставки процента R I = а - bR. Отметим, что эта зависимость может использоваться только в статической, краткосрочной модели Если эту зависимость оценить по временным рядам, ничего хорошего обычно не получается Показатель / в ней - объемный, и, следовательно, зависит от масштаба экономики в целом Показатель R - относительный, и с масштабом экономики прямо не связан. Следовательно, если этого не учесть, то показатели инвестиций будут устойчиво отклоняться от линии регрессии на различных стадиях расчетного периода (направления отклонения зависят от динамики рассматриваемых переменных) Таким образом, в качестве объясняющего фактора нужно включить некоторый показатель, отражающий масштаб экономики (например, ВНП), либо просто добавить зависимость инвестиций от времени. Кроме масштаба экономики, важной для инвестирования является и предельная производительность капитала, которая меняется во времени. Таким образом, связь экономических переменных, которая адекватна для статической модели, далеко не всегда может быть оценена по рядам данных зШнамики. [c.315]