В таблице 5.8 приведена часть полученных с помощью EViews значений стьюдентизированных остатков (за период с января 1997 г. по сентябрь 1998 г.). При этом стьюдентизированные остатки, которые считаются выбросами (их величина больше или меньше 2), при выводе итогов обозначаются EViews красным шрифтом (в таблице они подчеркнуты). При этом область допустимых значений определяется с помощью уже известной нам t-статистики. В частности, выбросами считаются остатки, которые получены не только в сентябре, но и в августе 1998 г. Если сравнить стандартные остатки из табл. 5.7 со стьюдентизированными остатками, то легко заметить, что значения последних — за счет выросшей дисперсии между наблюдениями — наиболее сильно отличаются от значений первых для августа и сентября 1998 г.
Некоторые математические подробности по расчету стьюдентизированных остатков в EViews
Теоретически все случайные ошибки предполагаются независимыми и имеющими одну и ту же дисперсию σ2, однако в действительности конкретные остатки отнюдь не независимы и, следовательно, не имеют одинаковых дисперсий. В действительности дисперсия остатков зависит не только от величины σ2, но и от hi — i-го диагонального элемента матрицы вида Хt(Х`Х)-1Хt, с которой мы уже познакомились в главе 3.
Стьюдентизированные остатки в EVews рассчитываются по формуле
где еt — остаток для конкретного наблюдения, полученный по уравнению регрессии, построенному с учетом всех наблюдений временного ряда;
s(i) — стандартное отклонение остатков, полученное по уравнению регрессии, построенному по тому же временному ряду без учета наблюдения i;
ht — i-ный диагональный элемент матрицы вида Хt(ХХ)-1Хt.
При необходимости i-ный диагональный элемент матрицы Хt(ХХ)-1Хt можно найти для каждого наблюдения, если в диалоговом мини-окне INFLUENCE STATISTICS установить опцию ПАТ MATRIX (т. е. матрица Хt(ХХ)-1Хt).
Например, величина стьюдентизированного остатка для сентября 1998 г. равна
Распределение стьюдентизированных остатков подчиняется t-статистике, получаемой в результате подстановки фиктивной переменной в первоначальное уравнение регрессии. Причем фиктивная переменная для интересующего нас наблюдения i равна 1, а для всех остальных наблюдений она равна 0. Таким образом, стьюдентизированный остаток можно интерпретировать как тест на значимость остатка определенного наблюдения с точки зрения его влияния на уравнение регрессии.
Следует заметить, что если у кого-то из читателей нет последней версии EViews или иных программ, умеющих рассчитывать стьюдентизированные остатки, то в принципе для обнаружения выбросов вполне возможно пользоваться стандартными остатками. Во всяком случае, как утверждают Н. Дрейпер и Г Смит, в подавляющем большинстве случаев, хотя и не во всех, для обнаружения выбросов вполне достаточно пользоваться графиками обычных и стандартных остатков[15].
Чтобы убедиться в справедливости этих слов, мы провели небольшой эксперимент. С этой целью уравнение регрессии USDOLLAR = а × USDOLLAR(-l) + b × USDOLLAR(-2) решено на основе данных за период с июня 1992 г. по апрель 2010 г., а затем рассмотрены полученные остатки (табл. 5.9). В том случае, когда стьюдентизированные остатки диагностируют выбросы, стандартные остатки также их выявляют (если к выбросам отнести остатки, имеющие два стандартных отклонения). Правда, поскольку стьюдентизированные остатки учитывают не только стандартное отклонение, но и дисперсию между различными наблюдениями (формула (5.6)), то величина стьюдентизированных остатков всегда выше. Причем особенно заметна эта разница относительно сентября 1998 г. и января 2009 г., т. е. когда на валютном рынке наблюдалась максимальная волатильность, обусловленная в первом случае августовским дефолтом 1998 г., а во втором случае — глобальным финансовым кризисом 2008–2009 гг.
5.5. Тесты Чоу на наличие структурной стабильности во временно м ряде
Диагностика выбросов в остатках является не единственным инструментом для выявления проблем, мешающих повышению точности прогностических моделей. В этом смысле, пожалуй, еще большее значение имеет тест Грегори Чоу на наличие структурной стабильности временного ряда. Поэтому следующим нашим шагом будет оценка на основе этого теста стабильности временного ряда за период с июня 1992 г. по апрель 2010 г. С методикой проведения этого теста можно познакомиться в алгоритме действий № 18.
Алгоритм действий № 18 Методика проведения теста Чоу на наличие структурной стабильности во временно м ряде для прогностической модели USDOLLAR =
а × USDOLLAR(-l) +
b × USDOLLAR(-2)
Шаг 1. Основные идеи, на которых строится тест Чоу на наличие структурной стабильностиТест Чоу на диагностирование структурной стабильности проводится следующим образом. Сначала берется временной ряд (например, данные по ежемесячному курсу доллара за период с июня 1992 г. по апрель 2010 г.), относительно которого выдвигается нулевая гипотеза о его структурной стабильности. Потом этот временной ряд делится на два периода наблюдений, граница между которыми проводится в момент времени t, т. е. в момент предполагаемых структурных изменений. (При необходимости EViews позволяет проводить тест на наличие во временном ряде структурных изменений не только в какой-то один момент времени t, но и сразу для нескольких моментов, деля выборку на несколько соответствующих периодов.)
Проверка нулевой гипотезы идет путем сравнения разницы между суммой квадратов остатков, которую мы получаем, построив уравнение регрессии для единого временного ряда, и суммой квадратов остатков, получаемой при построении уравнения регрессии отдельно для каждого периода этого ряда. При этом в соответствии с методикой, предложенной Г. Чоу, определяется фактическое значение F-критерия и LR-статистики (log likelihood ratio statistic — соотношение статистики логарифмов правдоподобия). Если уровни значимости F-критерия и LR-статистики оказываются меньше 0,05, то тогда нулевая гипотеза о структурной стабильности временнoго ряда отвергается, а следовательно, влияние структурных изменений признается существенным.
