Тест Уайта

Тест Уайта применяется для проверки регрессионной модели на гетероскедастичность. Гетероскедастичность определяется как ситуация, когда дисперсия случайных ошибок модели не является постоянной по всем наблюдениям. Отсутствие гетероскедастичности соответствует условию постоянной дисперсии ошибок (гомоскедастичности), что критично для корректной оценки параметров модели методом наименьших квадратов (МНК).

Тест основан на проверке наличия зависимости между квадратами остатков регрессии и набором регрессоров в расширенной вспомогательной регрессии. Он подходит для линейных моделей, где зависимая переменная связана с одной или несколькими независимыми переменными.

В регрессионном анализе гетероскедастичность приводит к неэффективности оценок МНК — дисперсия оценок становится заниженной или завышенной, что искажает результаты тестов значимости и доверительные интервалы. Отсюда следует необходимость применения формальных тестов, к числу которых относится тест Уайта.

Понятие гетероскедастичности

Гетероскедастичность проявляется, когда дисперсия случайных ошибок в модели зависит от значений независимых переменных или других факторов. В эконометрике это часто возникает, когда разброс значений изменяется с уровнем объясняющей переменной или в зависимости от наблюдательного индекса.

Величина дисперсии ошибки обозначается Var(ε_i). При гомоскедастичности Var(ε_i) = σ^2 для всех i от 1 до n. При гетероскедастичности Var(ε_i) = σ_i^2, где σ_i^2 изменяется с i, отражая неоднородность ошибок.

Практическое последствие гетероскедастичности — нарушение предпосылок классической линейной регрессии, что приводит к несостоятельности стандартных ошибок и тестовых статистик. Это, в свою очередь, ведет к неверным выводам о значимости коэффициентов модели.

Типичные методы выявления гетероскедастичности включают:

• Анализ графиков остатков – визуальная проверка зависимости остатка от независимой переменной или от порядкового номера наблюдения.
• Применение формальных тестов — тесты Уайта, Глейзера, Спирмена и Бройша-Пагана.
• Использование преобразований данных — например, логарифмическое преобразование переменных для стабилизации дисперсии.

Отметим, что использование логарифмов эффективно при экспоненциальном росте дисперсии — например, если Var(ε_i) увеличивается пропорционально уровню зависимой переменной. Альтернативой служит применение взвешенного метода наименьших квадратов (ВМНК), где веса обратны оценкам дисперсии ошибок.

Механика и алгоритм теста Уайта

Тест Уайта основан на вспомогательной регрессии, в которую включаются квадрат остатков из основной регрессии и все возможные линейные и квадратичные комбинации объясняющих переменных, включая перекрестные члены.

Алгоритм теста состоит из следующих этапов:

1. Построение основной модели линейной регрессии для зависимой переменной y с набором независимых переменных x_1, x_2,..., x_k.
2. Оценка модели методом наименьших квадратов и вычисление остатков ε_i.
3. Вычисление квадратов остатков ε_i^2 и построение вспомогательной регрессии: ε_i^2 на все независимые переменные, их квадраты и перекрестные произведения.
4. Расчет коэффициента детерминации R^2 во вспомогательной регрессии и вычисление LM-статистики: LM = n * R^2, где n — число наблюдений.
5. Сравнение LM-статистики с критическим значением χ^2-распределения с числом степеней свободы, равным числу включенных во вспомогательную регрессию регрессоров без константы.

Если LM превышает критическое значение, гипотеза о гомоскедастичности отвергается, и модель содержит гетероскедастичность.

Тест не требует предопределения формы гетероскедастичности, что расширяет сферы применения по сравнению с тестом Бройша-Пагана.

Практические ограничения и типичные ошибки при использовании теста

Важным ограничением теста является его чувствительность к размеру выборки и количеству объясняющих переменных во вспомогательной регрессии. При большом количестве регрессоров и малом объеме выборки возникает пересыщение модели вспомогательной регрессии, что снижает надёжность теста.

Типичная ошибка — включение во вспомогательную регрессию слишком большого числа перекрестных членов, что ведет к мультиколлинеарности. Это искажает оценки и снижает точность теста.

Еще одним аспектом является предположение о нормальности ошибок для корректного использования χ^2-критерия. При сильных отклонениях от нормальности результаты теста могут быть некорректными.

Наконец, тест проверяет только наличие гетероскедастичности, но не ее структуру. Для корректировки моделей с гетероскедастичностью применяются методы ВМНК или робастные оценки стандартных ошибок.

Сравнение с другими тестами на гетероскедастичность

Тест Уайта отличается от альтернативных тестов, таких как тест Бройша-Пагана и тест Глейзера, расширенным набором регрессоров во вспомогательной регрессии. Он не предполагает конкретной формы зависимости дисперсии от независимых переменных.

Тест Бройша-Пагана основан на вспомогательной регрессии, в которую включаются только независимые переменные из основной модели. Он более мощный при выполнении предположения о линейной форме гетероскедастичности, но менее универсален.

Тест Глейзера использует ранжирование остатков и работает при слабых предположениях о распределении ошибок. Однако он менее информативен при сложных зависимостях дисперсии.

Выбор теста зависит от количества и природы объясняющих переменных, объема выборки и наличия априорных знаний о структуре гетероскедастичности.

Методы устранения гетероскедастичности после выявления

После обнаружения гетероскедастичности тестом Уайта применяют следующие методы корректировки модели:

• Взвешенный метод наименьших квадратов (ВМНК) – назначение каждому наблюдению веса, обратного оценке дисперсии ошибки; эффективен при известной или хорошо оцененной структуре дисперсии.
• Использование робастных стандартных ошибок Хубера-Уайта, которые корректируют статистику t и доверительные интервалы без изменения оценок коэффициентов.
• Преобразование зависимой переменной логарифмами или другими функциями для стабилизации дисперсии ошибок.
• Добавление внутренней модели для дисперсии, например, через модели условной гетероскедастичности ARCH/GARCH, применяемые в эконометрии временных рядов.

Каждый из методов обладает своими ограничениями: ВМНК требовательна к корректной спецификации весов, робастные ошибки уменьшают чувствительность к гетероскедастичности, но не исправляют смещения, вызванные её наличием.

Матрица условий применения теста Уайта

Следующая таблица содержит основные технические требования к использованию теста и рекомендации по выбору альтернативных тестов или методов.

Матрица позволяет оценить адекватность применения конкретного теста в зависимости от параметров задачи и исследовательских ресурсов.