Север и рынок. 2013, N 4.

График не представляет собой горизонтальной полосы, следовательно, вероятно наличие гетероскедастичности остатков модели. В то же время, судя по графику, наличие зависимости дисперсии остатков от объясняемой переменной сомнительно. Тест Уайта (на перекрестных условиях) предполагает оценку вспомогательной регрессионной зависимости между RES2, квадратом остатков регрессии модели (1), и каждым фактором, а также их квадратами и попарными произведениями (в случае модели (1): с , OPFi, imp tehnoli, p lo tgd i, OPFi2, imptehnoli2, p lo tg d i2 OPFiimptehnoli, p lo tgd iim p tehno li, OPFiplotgdi). Данные по вспомогательной регрессии представлены в табл.3. Таблица 3 Параметры вспомогательной регрессии для оценки модели (1) на гетероскедастичность остатков Heteroskedasticity Test: White F-statistic 1.013808 Prob. F(9,9) 0.4920 Obs*R-squared 9.565138 Prob. Chi-Square(9) 0.3868 Scaled explained SS 5.219345 Prob. Chi-Square(9) 0.8148 Test Equation: Dependent Variable: RE S Method: Least Squares Included observations: 19 Variable Coefficient Std. Error t-Statistic Prob. С -6.79E+08 1.92E+09 -0.354418 0.7312 OPFi 2589.680 8094.940 0.319913 0.7563 OPFi2 0.002627 0.007125 0.368654 0.7209 OPFi*imp tehnoli -0.053753 0.353351 -0.152122 0.8824 OPFi*plot gdi -1217.299 607.6187 -2.003392 0.0761 imp tehnoli -273815.8 298507.8 -0.917282 0.3829 2 li onh 'te p ' im 3.947013 5.143517 0.767376 0.4625 plot gdi*imp tehnoli 10242.73 11334.32 0.903691 0.3897 plot gdi 1.23E+09 6.27E+08 1.956962 0.0820 plot gdi2 -18766334 14044978 -1.336160 0.2143 R-squared 0.503428 Mean dependent var 1.73E+09 Adjusted R-squared 0.006857 S.D. dependent var 2.35E+09 S.E. of regression 2.34E+09 Akaike info criterion 46.29305 Sum squared resid 4.94E+19 Schwarz criterion 46.79012 Log likelihood -429.7839 Hannan-Quinn criter. 46.37717 F-statistic 1.013808 Durbin-Watson stat 1.462449 Prob(F-statistic) 0.492019 Далее осуществляется общая проверка значимости уравнения с помощью критерия х . При этом сопоставляется тестовая статистика, равная n R 2 (в таблице показатель Obs^R-squared) и х (к). Поскольку для данной модели X (8)=15.51 превосходит n -R 2=9.57, подтверждается нулевая гипотеза, т.е. делаем вывод об отсутствии гетероскедастичности остатков модели. Тест Бреуша-Годфри проводится для оценки модели на автокорреляцию остатков и предполагает оценку вспомогательной регрессионной зависимости между остатками регрессии модели (1) (RES) и каждым фактором, а также остатками с лагами (в данном случае OPFi, impjehnoli, plot_gdi, RESID(-1), RESID(-2)). Данные по вспомогательной регрессии представлены в табл.4. Осуществляется проверка также с помощью критерия X . При этом сопоставляется тестовая статистика равная n- R 2 (в таблице показатель ObsR-squared) и X (р). Так как для данной модели X (2)=5.99, тогда как ObsR-squared составляет 1.91, на этом основании подтверждается нулевая гипотеза, делаем вывод об отсутствии автокорреляции остатков модели. 18