Нарушения гипотезы об условной нормальности: метод квази-максимального правдоподобия.
Гипотезу (N) позволяет протестировать верное в нуле свойство независимости и нормальной распределенности стандартизованных остатков. Как правило, гипотеза отклоняется из-за того, что оцененные Рядом авторов реализован ММП в предположении о том, что плотность распределения
С точки зрения асимптотической эффективности ММП с корректно определенной функцией плотности ¦ (×,×) является наилучшим решением. Реализация его, однако, технически крайне трудна: поскольку производные соответствующих функций правдоподобия не могут быть представлены аналитически, для максимизации их прибегают к методам численного дифференцирования. Качество подбора функции плотности ¦ (×,×) можно установить, сравнивая фактическое и ожидаемое количества таких значений
Установлено, что максимизация критериальной функции (3.1)-(3.2) приводит к состоятельным и асимптотически нормальным оценкам независимо от того, как именно распределены случайные величины (3.17)
Равенство Для вывода равенств (3.5), (3.6), (3.8), и (3.10) предположение (N) не привлекалось, все они являются следствием верной спецификации функций условного среднего и дисперсии, т.е. (M. 1)-(M. 2). Поэтому матрица (3.18) Оценка (3.18) устойчива к нарушению гипотезы об условной нормальности в том смысле, что остается состоятельной для ковариации оценок, полученных максимизацией (3.1)-(3.2). Оценки
ТЕСТИРОВАНИЕ Асимптотическая нормальность оценок КМП позволяет воспользоваться стандартными процедурами. Пусть нулевая гипотеза формулируется как (3.19) где (3.20) где (3.21) где при увеличении числа наблюдений сходится к
Асимптотические результаты могут оказаться неприемлемыми для малых выборок и при некорректном выборе матрицы Схема исследования такова. Построены 1000 реализаций AR (1)- GARCH (1,1) процесса, имеющего условное
(3.19) трех типов по общей формуле (3.20). Тип статистики определяется типом оценки вариационной матрицы, применяемой в (3.20) - RB, HE, или OPG. Имитационные эксперименты позволяют построить эмпирические распределения трех вариантов статистики Вальда при верной нулевой гипотезе, которые затем сопоставляются с хи-квадрат распределением. Полученные распределения имеют более толстые хвосты, чем
Распределение RB -статистики близко к Точность всех форм статистик снижается при переходе к несимметричному ЧИСЛЕННЫЕ МЕТОДЫ НАХОЖДЕНИЯ ОЦЕНОК Значения, доставляющие максимум критериальной функции (с соответствующими оговорками), удовлетворяют условиям первого порядка (3.22) Нахождение численного решения системы (3.22) предполагает реализацию алгоритма, i -й шаг которого задается формулой (3.23)
Для упрощения вычислений разработан прием, называемый искусственной регрессией (auxiliary regression): вектор приращений параметров Запишем в форме искусственной регрессии шаг алгоритма, использующего в качестве взвешивающей матрицы минус условный гессиан
Градиент и минус гессиан записываются через переменные A и C как Шаг алгоритма приобретает вид
Запишем искусственную регрессию для алгоритма со взвешивающей матрицей вида
Шаг алгоритма приобретает вид
Выбор матрицы F в (3.22) влияет на скорость сходимости алгоритма. С этой точки зрения рассмотренная выше форма HE взвешивающей матрицы предпочтительнее OPG. Для оптимизации скорости сходимости алгоритма можно корректировать длину вектора изменения параметров в заданном направлении с помощью дополнительного параметра l:
Целесообразно выбирать l, максимизируя по нему критериальную функцию:
Использование l особенно полезно тогда, когда точка максимума критериальной функции лежит вблизи границы Q. В этих случаях промежуточные оценки, вычисляемые с помощью (3.23), могут оказаться вне Q, что приводит к остановке алгоритма. ОБОБЩЕННЫЙ МЕТОД МОМЕНТОВ Обобщенный метод моментов (ОMM)обладает следующими достоинствами:
Дополним модель (М. 1)-(М. 4) предположениями относительно третьего и четвертого моментов распределения (М. 5) (М. 6) где Спецификация (М) обеспечивает две группы уравнений, идентифицирующих истинные значения параметров. Пусть – строка из двух элементов, которую далее будем обозначать, опуская аргументы (3.19) идентифицирует истинный вектор параметров. Определим условные матрицу ковариации и якобиан (3.20) (3.21) Класс оценок ОММ порождается различными наборами инструментальных переменных, выбор которых ограничен последовательностью Пусть l инструментов могут быть организованы в матрицу
(3.21) Матрица условной ковариации эмпирических моментов в точке (3.22) Если l=m, то оценки (3.23) если l>m, то минимизацией критериальной функции – квадратичной формы, построенной из (3.21) и (3.22): (3.24) При любом выборе инструментов оценки, определяемые (3.23) или (3.24), состоятельны и асимптотически нормальны с асимптотической матрицей ковариации (3.25)
Инструменты W, такие что (3.26) Асимптотическая матрица ковариации таких оценок меньше, чем при любом ином выборе инструментов: (3.27) Воспользуемся матрицами между обращенными матрицами ковариации, относящимися к оптимальному и произвольному наборам инструментов, соответственно. Если симметричная 2 n´ 2 n матрица Y такова, что
Эта матрица положительно полуопределена, поскольку матрица в больших скобках идемпотентна. Отсюда немедленно следует положительная полуопределенность
Оптимальные в классе ОMM оценки асимптотически более эффективны, чем оценки МКМП. Достаточно показать, что асимптотическая матрица ковариации последних приводима к виду (3.25) с помощью какого-либо набора неоптимальных инструментов. Вклад наблюдения t в этот набор инструментов представляет собой матрицу (3.28) Если коэффициенты асимметрии и куртозиса действительно равны нулю, то такой набор инструментов является оптимальным. Следовательно, при верной гипотезе (N) методы моментов и максимального правдоподобия асимптотически эквивалентны. Выбор инструментов (3.28) приводит к следующим совпадениям:
(3.1)-(3.2) в точке истинных параметров с точностью до знака “минус”:
. Следовательно, совпадают и вероятностные пределы, участвующие в (3.15) и (3.25). Итак, (3.25) при соответствующем выборе инструментальных переменных характеризует асимптотическую ковариационную матрицу МКМП -оценок. Davidson и MacKinnon предлагают двухшаговую или итеративную процедуры вычисления оценок ОMM. Требуется построить состоятельные, но, возможно, неэффективные оценки, используя их, определить приблизительно оптимальные инструменты; с помощью найденных инструментов вычислить оценки параметров. Если исходные оценки не очень точны, желательно повторить процедуру несколько раз. Пусть имеются (3.29) Для всех q Î Q определим выражения
где t -е слагаемое равно (3.31)
При этом оценки оптимальных инструментов и оценки параметров определяются одновременно. Такое вычисление эквивалентно реализации итеративной процедуры, в которой оценки на i -м шаге
Полученные оценки приводят к новым значениям коэффициентов асимметрии и куртозиса, и процедура может быть повторена. На практике уже после третьей итерации достигается вполне удовлетворительная сходимость. В качестве исходных оценок приемлемы оценки максимального правдоподобия. При Оценкой ковариационной матрицы для
где
Воспользуйтесь поиском по сайту: ![]() ©2015 - 2025 megalektsii.ru Все авторские права принадлежат авторам лекционных материалов. Обратная связь с нами...
|