squared = 0.956968Watson stat = 2.734840statistic = 140.8431(F-statistic) = 0.000000
По построенным данным видно, что P-вероятность и t-статистика показывают значимость коэффициентов. 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 |
3.784356 |
Probability |
0.067523 |
Obs*R-squared |
3.995536 |
Probability |
0.045621 |
По статистике Дарбина - Уотсона четко не видно есть ли автокорреляция в данной модели, однако тест Бреуша - Годфри показывает отсутствие автокорреляции в данной модели, следовательно принимаем гипотезу об отсутствии автокорреляции.
Теперь перейдем к тесту Уайта и оценим данную модель на наличие гетероскедастичности:
White Heteroskedasticity Test: |
F-statistic |
1.611071 |
Probability |
0.207967 |
Obs*R-squared |
8.662204 |
Probability |
0.193486 |
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 |
-6.923127 |
1% Critical Value* |
-2.6756 |
|
|
5% Critical Value |
-1.9574 |
|
|
10% Critical Value |
-1.6238 |
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)= 0,3561
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 статистически значимыми, 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 как гетероскедастичность, так и автокорреляция, что указывает на эффективность и несмещенность оценок данной модели;
остатки в данной модели являются стационарными и имеют нормальное распределение, что является достаточно важным условием построения качественной модели.
Наконец, построим модель коррекции ошибок (ECM) и оценим ее качество:
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
C |
146.1541 |
38.78456 |
3.768357 |
0.0013 |
D(GNP) |
0.100672 |
0.049539 |
2.032195 |
0.0564 |
D(CPI) |
639.3349 |
92.25471 |
6.930106 |
0.0000 |
RESID01(-1) |
-0.342437 |
0.141123 |
-2.426512 |
0.0254 |
R-squared |
0.851815 |
Mean dependent var |
-8.647826 |
Adjusted R-squared |
0.828417 |
S.D. dependent var |
298.4544 |
S.E. of regression |
123.6276 |
Akaike info criterion |
12.62920 |
Sum squared resid |
290391.8 |
Schwarz criterion |
12.82667 |
Log likelihood |
-141.2357 |
F-statistic |
36.40590 |
Durbin-Watson stat |
1.985892 |
Prob(F-statistic) |
0.000000 |
|