R-squared = 0.803368Watson stat = 1.238616statistic = 42.89929(F-statistic) = 0.000000
По построенным данным видно, что P-вероятность и t-статистика показывают значимость коэффициентов модели, включая свободный член. Коэффициент детерминации, F- статистика и ее вероятность указывают на статистическую значимость и адекватность построенной модели.
Теперь перейдем к предпосылкам нарушения МНК. Начнем со статистки Дарбина - Уотсона и теста Бреуша - Годфри на наличие автокорреляции в модели:
Breusch-Godfrey Serial Correlation LM Test: |
F-statistic |
2.917086 |
Probability |
0.103122 |
Obs*R-squared |
3.054929 |
Probability |
0.080493 |
По статистике Дарбина - Уотсона невозможно сделать вывод о наличие автокорреляции, однако тест Бреуша - Годфри указывает на ее присутствие, следовательно, мы принимаем гипотезу о наличие автокорреляции в данной модели.
Теперь перейдем к тесту Уайта и оценим данную модель на наличие гетероскедастичности:
White Heteroskedasticity Test: |
F-statistic |
2.023071 |
Probability |
0.123816 |
Obs*R-squared |
8.634731 |
Probability |
0.124551 |
Тест Уайта указывает на отсутствие в данной модели гетероскедастичности.
Теперь перейдем к анализу случайных отклонений в данной модели: проведем проверку на стационарность и нормальное распределение:
В первую очередь проверим остатки на стационарность с помощью теста ADF:
ADF Test Statistic |
-3.321477 |
1% Critical Value* |
-2.6700 |
|
|
5% Critical Value |
-1.9566 |
|
|
10% Critical Value |
-1.6235 |
Была взята спецификация N,0. По данному тесту можно сделать вывод о том, что наличие стационарности случайных отклонений данной модели подтверждается.
Теперь посмотрим на нормальное распределение остатков с помощью теста Жака-Бера:
(JB)= 0,59
Тест Жака-бера указывает на нормальное распределение случайных отклонений в данной модели.
Анализируя данную модель можно сделать следующий вывод:
по P-вероятности и t- статистике коэффициенты данной модели являются статистическизначимыми, также статистически значимой является и сама модель по коэффициенту детерминации, F- статистике и ее вероятности;
переходя к предпосылкам нарушения МНК, можно отметить, что в данной модели отсутствует гетероскедастичность, но при этом присутствует автокорреляция, что снижает эффективность оценок данной модели;
остатки в данной модели являются стационарными и имеют нормальное распределение, что является достаточно важным условием построения качественной модели.
Так как временные ряды, входящие в первоначальную модель, являются интегрированными первого порядка, построим модель приростов и оценим ее качество:
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
C |
174.3703 |
41.27483 |
4.224616 |
0.0004 |
D(GNP) |
0.061228 |
0.052202 |
1.172913 |
0.2546 |
D(CPI) |
726.3547 |
94.81866 |
7.660461 |
0.0000 |
|