Gauss-Markovova veta - Čo to je, definícia a pojem

Gauss-Markovova veta je súbor predpokladov, ktoré musí spĺňať odhadca OLS (Ordinary Least Squares), aby mohol byť považovaný za ELIO (Optimal Linear Un nestable Estimator). AGauss-Markovovu vetu sformulovali Carl Friederich Gauss a Andrej Markov.

Carl Friederich Gauss a Andréi Márkov vytvorili určité predpoklady, aby sa odhadca OLS mohol stať ELIO.

Ak je týchto 5 predpokladov splnených, môžeme potvrdiť, že odhadcom je odhad s minimálnou (najpresnejšou) odchýlkou ​​všetkých lineárnych a nezaujatých odhadov. V prípade, že niektorý z predpokladov prvých troch zlyhá (Linearita, Nulová stredná-prísna exogenita alebo Žiadna dokonalá multicolinearita), odhad OLS už nie je nezaujatý. Ak zlyhajú iba 4 alebo 5 (homoscedasticita a žiadna autokorelácia), odhadca je stále lineárny a nestranný, ale už nie je najpresnejší. Ak zhrnieme, Gauss-Markovova veta uvádza, že:

  • Za predpokladu 1, 2 a 3 je odhad OLS lineárny a nestranný. Teraz, pokiaľ sú splnené prvé tri predpoklady, je možné zabezpečiť, aby bol odhadca nezaujatý. Aby bol odhad konzistentný, musíme mať veľkú vzorku, čím viac, tým lepšie.
  • Za predpokladu 1, 2, 3, 4 a 5 je odhad OLS lineárny, nestranný a optimálny (ELIO).

Predpoklady Gauss-Markovovej vety

Konkrétne existuje 5 predpokladov:

1. Lineárny model v parametroch

Je to dosť flexibilný predpoklad. Umožňuje používať funkcie premenných, ktoré sú predmetom záujmu.

2. Nulová zlá a prísna exogenita

Znamená to, že stredná hodnota chyby podmienenej vysvetleniami sa rovná bezpodmienečnej očakávanej hodnote a rovná sa nule. Prísna exogenita ďalej vyžaduje, aby chyby modelu nekorelovali so žiadnymi pozorovaniami.

Nulový priemer:

Prísna exogenita:

Nulová priemerná a prísna exogenita zlyhajú, ak:

  • Model je zle špecifikovaný (napríklad vynechanie relevantných premenných).
  • V premenných sú chyby merania (údaje neboli skontrolované).
  • V časových radoch striktná exogenita zlyháva v modeloch oneskorenej endogenity (aj keď súčasná exogenita môže existovať) a v prípadoch, keď existujú účinky spätnej väzby.

V prierezových dátach je oveľa jednoduchšie dosiahnuť predpoklad exogenity ako v prípade časových radov.

3. Žiadna presná multicolinearita

Vo vzorke nie je žiadna z vysvetľujúcich premenných konštantná. Medzi vysvetľujúcimi premennými neexistujú presné lineárne vzťahy. Nevylučuje určitú (nie dokonalú) koreláciu medzi premennými. Podľa Gaussa a Markova, keď má model presnú multicolinearitu, je to zvyčajne kvôli chybe analytika.

4. Homoscedasticita

Rozptyl chyby, a teda aj Y, je nezávislý od vysvetľujúcich hodnôt a navyše od variácie konštantnej chyby. Matematicky je vyjadrená ako:

Tu je rad údajov s homoscedastickým vzhľadom.

5. Žiadna autokorelácia

Chybové podmienky dvoch rôznych pozorovaní podmienených X nie sú spojené. Ak je vzorka náhodná, autokorelácia nebude existovať.

Kde musím mať inú hodnotu ako h. Ak je vzorka náhodná, údaje a chyby pozorovania „i“ a „h“ budú nezávislé pre každú dvojicu pozorovaní „i“ a „h“.

Populárne Príspevky

Tipy na začatie obchodovania na Forexe

Ak chcete začať obchodovať na forexe, je dôležité začať od základov; výmenný kurz meny. Toto je kurz, pri ktorom sa určitá mena vymieňa za inú kótovanú menu, to znamená, že ide o výmennú cenu. Niečo, čo samozrejme musí byť od začiatku úplne jasné, je Čítať viac…

Je bankovníctvo digitalizované inováciou alebo nevyhnutnosťou?

Fintech hrozba, ako aj scenár, ktorým ekonomika prechádza, nútia bankový sektor prispôsobiť svoj obchodný model. Obchodný model, ktorý, ak sa nepremení, je už odsúdený na zánik. Vo svete, kde digitalizácia ovládla takmer celú planétu, čítajú spoločnosti po celom svete viac…

Ako sa brániť proti mobbingu?

Bohužiaľ, mobbing alebo obťažovanie na pracovisku je jedným z veľkých problémov, ktoré sú na dennom poriadku. Môže byť vykonané nadriadenými a kolegami…

Ópiové vojny

Ópiové vojny boli bojovým konfliktom medzi Čínou a Veľkou Britániou. Najskôr medzi rokmi 1839 a 1842 a neskôr medzi rokmi 1856 a 1860.…