Теорема Гаусса-Маркова - Что это такое, определение и понятие

Теорема Гаусса-Маркова - это набор предположений, которым должна соответствовать оценка OLS (Ordinary Least Squares), чтобы считаться ELIO (Оптимальной линейной несмещенной оценкой). А ТАКЖЕТеорема Гаусса-Маркова была сформулирована Карлом Фридрихом Гауссом и Андреем Марковым.

Карл Фридрих Гаусс и Андрей Марков сделали некоторые допущения, чтобы оценщик OLS мог стать ELIO.

Если эти 5 предположений выполнены, мы можем утверждать, что оценка является той, которая имеет минимальную дисперсию (наиболее точную) среди всех линейных и несмещенных оценок. В случае, если какое-либо из предположений первых трех не срабатывает (линейность, строгая экзогенность с нулевым средним или нет идеальной мультиколлинеарности), оценка МНК перестает быть беспристрастной. Если только 4 или 5 не дают результата (гомоскедастичность и отсутствие автокорреляции), оценка остается линейной и несмещенной, но уже не самой точной. Подводя итог, теорема Гаусса-Маркова утверждает, что:

  • При предположениях 1, 2 и 3 оценка МНК является линейной и несмещенной. Теперь, если не выполняются первые три допущения, можно гарантировать, что оценка будет беспристрастной. Чтобы оценщик был непротиворечивым, у нас должна быть большая выборка, и чем больше, тем лучше.
  • При предположениях 1, 2, 3, 4 и 5 оценка OLS является линейной, несмещенной и оптимальной (ELIO).

Предположения теоремы Гаусса-Маркова

В частности, есть 5 предположений:

1. Линейная модель в параметрах

Это довольно гибкое предположение. Это позволяет использовать функции интересующих переменных.

2. Нулевое среднее и строгая экзогенность

Это означает, что среднее значение ошибки, обусловленной объяснениями, равно безусловному ожидаемому значению и равно нулю. Кроме того, строгая экзогенность требует, чтобы ошибки модели не коррелировали с какими-либо наблюдениями.

Нулевое значение:

Строгая экзогенность:

Нулевое среднее и строгая экзогенность не работают, если:

  • Модель плохо определена (например, отсутствие соответствующих переменных).
  • В переменных есть ошибки измерения (данные не проверялись).
  • Во временных рядах строгая экзогенность не работает в моделях отсроченной эндогенности (хотя может существовать одновременная экзогенность) и в случаях, когда есть эффекты обратной связи.

В данных поперечного сечения гораздо легче добиться предположения об экзогенности, чем в случае временных рядов.

3. Нет точной мультиколлинеарности

В выборке ни одна из независимых переменных не является постоянной. Между независимыми переменными нет точных линейных отношений. Это не исключает некоторой (не идеальной) корреляции между переменными. Согласно Гауссу и Маркову, когда модель имеет точную мультиколлинеарность, это обычно происходит из-за ошибки аналитика.

4. Гомоскедастичность.

Дисперсия ошибки и, следовательно, Y не зависит от поясняющих значений и, кроме того, дисперсии постоянной ошибки. Математически это выражается как:

Вот серия данных с гомоскедастической внешностью.

5. Нет автокорреляции

Погрешности двух разных наблюдений, обусловленных X, не связаны. Если выборка случайная, автокорреляции не будет.

Где у меня должно быть значение, отличное от h. Если выборка является случайной, данные и ошибки наблюдения «i» и «h» будут независимыми для любой пары наблюдений «i» и «h».

Популярные посты

Преимущества и недостатки повышения минимальной заработной платы

После многих лет политики жесткой бюджетной экономии и либерализации рынка труда большинство европейских стран теперь делают ставки на повышение минимальной заработной платы, чтобы восстановить покупательную способность рабочих. Таким образом, он стремится стимулировать внутреннее потребление и, таким образом, способствовать восстановлению экономики. В последние годы обзорПодробнее…