Тест Чоу

Тест Чоу (Чжоу, Шаблон:Lang-en) — применяемая в эконометрике процедура проверки стабильности параметров регрессионной модели, наличия структурных сдвигов в выборке. Фактически тест проверяет неоднородность выборки в контексте регрессионной модели.

Истинные значения параметров модели могут теоретически различаться для разных выборок, так как выборки могут быть неоднородны. В частности, при анализе временных рядов может иметь место так называемый структурный сдвиг, когда со временем изменились фундаментальные характеристики изучаемой системы. Это означает, что модель до этого сдвига и модель после сдвига вообще говоря разные. Например, экономика в 1998—1999 году и в 2008—2009 годах претерпевала структурные изменения в связи с кризисными явлениями, поэтому параметры макроэкономических моделей могут быть разными, до и после этих моментов.

Тест Чоу на структурное изменение

Пусть дана выборка $S$ объёмом $n$, которая разбита на две подвыборки $S_1,S_2$, с объёмами $n_1,n_2$ соответственно: $n=n_1+n_2$. Для временных рядов это означает обычно, что определён момент времени, подозреваемый на «структурный сдвиг», соответственно временные ряды разбиваются на ряды до этого момента и после.

Пусть рассматривается регрессионная модель $y_t=x_t^{T}b+{\epsilon }_t$, где $b$ — параметры модели (их количество — $k$). Предполагается, что подвыборки могут быть неоднородными. Таким образом, для двух подвыборок имеются две модели:

$\{\begin{array}{c}{y}_t=x_t^T{b}_1+{\epsilon }_t,t\in S_1\\ y_t=x_t^T{b}_2+{\epsilon }_t,t\in S_2\end{array}$

Эти две модели можно представить одной моделью, если использовать индикатор подвыборки $d$:

$d_t=\{\begin{array}{c}1,t\in S_1\\ 0,t\in S_2\end{array}$

Используя эту переменную формулируется следующая модель:

$y_t=x_t^T(d_t{b}_1+(1-d_t)b_2)+{\epsilon }_t=d_t{x}_t^T{b}_1+(1-d_t)x_t^T{b}_2+{\epsilon }_t=z_1^T{b}_1+z_2^T{b}_2+{\epsilon }_t$ —

«длинная модель» без ограничений для всей выборки с количеством параметров $2k$. Если в этой модели наложить ограничение $H_0:b_1=b_2$, то получается исходная модель $y_t=x_t^{T}b+{\epsilon }_t$ с $k$ параметрами также для всей выборки. Это — «короткая модель» — модель с линейными ограничениями на параметры длинной модели.

Тогда процедуру теста можно свести к проверке этого линейного ограничения. При нормально распределённых случайных ошибках применяется стандартный F-тест для проверки $k$ линейных ограничений. Статистика этого теста строится по известному принципу:

$F=\frac{(RS{S}_S-RS{S}_L)/k}{RS{S}_L/(n-k_L)}=\frac{(RSS-RS{S}_1-RS{S}_2)/k}{(RS{S}_1+RS{S}_2)/(n-2k)}\sim F(k,n-2k)$

Соответственно, если значение этой статистики больше критического при данном уровне значимости, то гипотеза об ограничениях отвергается в пользу длинной модели, то есть выборки признаются неоднородными и необходимо строить две разные модели для выборок. В противном случае выборка однородна (параметры модели стабильны) и можно строить общую модель для выборки.

Кроме F-теста можно применять и другие тесты для проверки гипотезы об ограничениях, в частности LR-тест. Особенно это касается более общего случая, когда выделяются не две подвыборки, а несколько. Если количество подвыборок равно $m$, то соответствующая LR-статистика будет иметь распределение ${\chi }^2((m-1)k)$.

Замечание

В тесте предполагается, что разными в выборках могут быть только параметры линейной модели, но не параметры распределения случайной ошибки. В частности, предполагается одинаковая дисперсия случайной ошибки в обоих подвыборках. В общем случае, однако, это может быть не так. В этом случае применяют тест Вальда со статистикой:

$W=({\hat{b}}_1-{\hat{b}}_2{)}^T({\hat{V}}_1+{\hat{V}}_2{)}^{-1}({\hat{b}}_1-{\hat{b}}_2)\stackrel{d}{\to }{\chi }^2(k)$,

где ${\hat{b}}_1,{\hat{V}}_1,{\hat{b}}_2,{\hat{V}}_2$ — оценки параметров и оценки их ковариационной матрицы в первой и второй подвыборках соответственно.

Тест Чоу на предсказание

Здесь применяется несколько иной подход. Строится модель для одной из подвыборок и на основе построенной модели прогнозируется зависимая переменная для второй подвыборки. Чем больше различия между предсказанными и фактическими значениями объясняемой переменной во второй выборке, тем больше разница между подвыборками. Соответстувующая F-статистика равна:

$F=\frac{(RSS-RS{S}_1)/n_2}{RS{S}_1/(n_1-k)}\sim F(n_2,n_1-k)$.

В данном случае также можно использовать LR-статистику с асимптотическим распределением ${\chi }^2(n_2)$.

См. также

• CUSUM-тест

Литература

• Шаблон:Книга
• Шаблон:Книга
• Шаблон:Книга
• Шаблон:Книга
• Шаблон:Книга