Тест Голдфелда-Квандта

Самым популярным тестом обнаружения гетероскедастичности является тест, предложенный С. Голдфелдом и Р. Квандтом.

В данном случае также предполагается, что стандартное отклонение пропорционально значению x_i переменной X в этом наблюдении, т, е.

 

 

Предполагается, что имеет нормальное распределение и отсутствует автокорреляция остатков.

Тест Голдфелда-Квандта состоит в следующем:

1. Все п наблюдений упорядочиваются по величине X.

2. Вся упорядоченная выборка после этого разбивается на три подвыборки размерностей k, (п -2k), k соответственно.

3. Оцениваются отдельные регрессии для первой подвыборки (k первых наблюдений) и для третьей подвыборки (k последних наблюдений). Если предположение о пропорциональности дисперсий отклонений значениям X верно, то дисперсия регрессии по первой подвыборке (сумма квадратов отклонений ) будет существенно меньше дисперсии регрессии по третьей подвыборке (суммы квадратов отклонений ).

4 Для сравнения соответствующих дисперсий строится следующая F-статистика:

 

 

При сделанных предположениях относительно случайных отклонений, построенная F-статистика имеет распределение Фишера с числами степеней свободы v₁=v₂=k-m-l.

Если

 

 

то гипотеза об отсутствии гетероскедастичности отклоняется ( - выбранный уровень значимости).

 

Тест Уайта (White test, 1980).

Если в модели присутствует гетероскедастичность, то очень часто это связано с тем, что дисперсии ошибок некоторым образом зависят от регрессоров, а гетероскедастичность отражается в остатках обычной регрессии исходной модели.

Проводится этот тест следующим образом:

1) допустим, исходная модель имеет вид:

 

МНК оцениваются ее параметры и получают регрессионные остатки ;

2) оценивается вспомогательная регрессия квадратов остатков на все регрессоры, их квадраты, попарные произведения и константу:

 

 

где - нормально распределенная ошибка, независимая от ε_i.

 

Напомним, что . Однако поскольку предполагается, что M(ε) = 0, то D(ε_i) = M(). Так как нам неизвестна истинная величина квадратов остатков , то вопрос о наличии гетероскедастичности решается на основе их выборочных аналогов, .

Вспомогательная регрессия имеет именно такую форму, потому что необходимо исследовать, существует ли систематическая зависимость между изменениями и какой-либо релевантной переменной модели (чтобы увидеть, что релевантными являются именно переменные, включенные во вспомогательную регрессию, следует представить ошибку в виде и возвести данное выражение в квадрат).

 

3) Проверяется нулевая гипотеза:

Н₀: и и и и .

с помощью F – критерия Фишера.

Если фактические значения статистики превышают критические величины распределения F_расч > F_кр (α, v₁=p, v₂=n-p-1) то нулевая гипотеза о гомоскедастичности остатков отвергается, то есть делается вывод о присутствии гетероскедастичности.