Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
sek ellenőrzése újabb értékek kiszámítását igényli, amelyek d eloszlásának szimmetrikus jellege miatt<br />
nem okoznak különös gondot:<br />
d′ L = 4−dU d′ U = 4−dL A próba lehetséges kimeneteleit, a döntési sávokat jól szemlélteti az alábbi ábra:<br />
+ bizonybizonytalanságitalansági<br />
-<br />
autokorreláció<br />
tartomány<br />
tartomány<br />
autokorreláció<br />
elfogadási<br />
tartomány<br />
0 d d 4-d 4-d<br />
U U<br />
2<br />
L L<br />
4-3. ábra: A Durbin-Watson d-próba döntési sávjai<br />
A próba alkalmazásának viszonylagos hátránya az ún. bizonytalansági tartomány megléte, amely a gyakorlatban<br />
sok gondot okoz. Az irodalomban többféle módon igyekeztek a problémát feloldani, amelyek<br />
közül a legegyszerűbbnek tűnő megoldás az, amikor a bizonytalansági tartományt az elutasítási tartományhoz<br />
csatolják.<br />
Amennyiben egy regressziós modellben nem teljesül a modellekkel szemben megfogalmazható azon feltétel,<br />
amely szerint a hibatényező értékei páronként nem korrelálnak egymással, tudjuk, hogy a modell<br />
autokorrelált F<br />
175 .<br />
Általánosságban elmondhatjuk, hogy az autokorreláció jelenléte mellett készített paraméter-, és pontbecslések<br />
ugyan torzítatlanok maradnak, de nem lesznek hatásosak. Különösen óvatosan kell kezelni az<br />
autokorrelált modellt, ha segítségével előrejelzéseket kívánunk készíteni. Autokorrelált modellek esetében<br />
az együtthatók standard hibái torzítottak, így sem a standard hibákhoz kapcsolódó próbák, sem az előrejelzésekhez<br />
kapcsolódó konfidencia intervallumok nem használhatók fel.<br />
A program ábrázolja et-p függvényében az et alakulását. Az ábra alapján vizuálisan is következtethetünk<br />
az autokorreláció meglétére vagy hiányára.<br />
4.1.6 A homoszkedaszticitás munkalap<br />
Az idősorok esetében, mint azt az előzőekben bemutattuk, az autokorrelációt, a keresztmetszeti adatok<br />
esetében viszont a hibatényező varianciájának állandóságát szoktuk tesztelni. Ha konstans a hibatényező<br />
varianciájának várható értéke, akkor:<br />
2 2<br />
E(ε i )=σ i = 1, 2,…,n .<br />
Keresztmetszeti adatok esetén homoszkedaszticitás szempontjából is tesztelnünk kell a modelleket, hi-<br />
176<br />
szen elméleti feltétel, hogy a hibatényező varianciája állandó. F<br />
A nullhipotézis:<br />
Az alternatív hipotézis:<br />
ahol i, j = 1,2, … ,n .<br />
H : σ = ... =σ .<br />
2 2<br />
0 1 n<br />
H : σ ≠σ (i≠ j) ,<br />
2 2<br />
1 i j<br />
A nullhipotézis azt fogalmazza meg, hogy a hibatényező szórásnégyzetei (varianciái) állandóak. A<br />
nullhipotézis teljesülése egyben azt is jelenti, hogy a modell homoszkedasztikus, míg az alternatív hipotézis<br />
a heteroszkedaszticitás feltételezését szimbolizálja. A heteroszkedaszticitás jelensége esetén a regresz-<br />
175 Kovács Ilona [1977]: 605.<br />
176 Pintér József [1991]: 18.<br />
4<br />
166