Оценка эффективности реализации региональных программ в сфере туризма (стр. 12 )

7) Проделав все необходимые преобразования, получаем следующую модель:

Таблица 2.33.

Преобразованная эконометрическая модель

Dependent Variable: YNEW
Method: Least Squares
Date: 05/25/13 Time: 15:08
Sample: 1 105
Included observations: 104
Variable	Coefficient	Std. Error	t-Statistic	Prob.
YESNO	39.27911	15.53614	2.528242	0.0130
YEAR	44.05053	17.12421	2.572412	0.0116
NUMBER	-0.259121	0.080282	-3.227657	0.0017
INCOME	0.004608	0.001427	3.227969	0.0017
C	-43.96410	26.34588	-1.668728	0.0983
R-squared	0.153165	Mean dependent var	42.03603
Adjusted R-squared	0.118950	S. D. dependent var	79.34062
S. E. of regression	74.47249	Akaike info criterion	11.50562
Sum squared resid	549069.1	Schwarz criterion	11.63275
Log likelihood	-593.2922	Hannan-Quinn criter.	11.55713
F-statistic	4.476489	Durbin-Watson stat	2.438859
Prob(F-statistic)	0.002289

Проверим ее на наличие мультиколлинеарности с помощью показателя VIF:

Таблица 2.34.

Вычисление показателя VIF (фактор инфляции вариации)

№	1	2	3	4
Переменная	YESNO	YEAR	LOG(NUMBER)	INCOME
R2	0,099934	0,160479	0,32137	0,368202
VIF	1,11103	1,191155	1,473557	1,582784

Очевидно, что VIF для всех переменных ниже 5, значит, МКН не обнаружена.

8) Следующий шаг - проверка на наличие гетероскедастичности. Нулевая гипотеза – остатки гомоскедастичны. Для начала, делаем проверку с помощью специальных тестов:

Таблица 2.35.

Тест Бреуша-Пагана

Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic	7.027337	Prob. F(4,99)	0.0001
Obs*R-squared	22.99888	Prob. Chi-Square(4)	0.0001
Scaled explained SS	128.4663	Prob. Chi-Square(4)	0.0000

Таблица 2.36.

Тест Глейзера

Heteroskedasticity Test: Glejser
F-statistic	7.374152	Prob. F(4,99)	0.0000
Obs*R-squared	23.87337	Prob. Chi-Square(4)	0.0001
Scaled explained SS	35.10588	Prob. Chi-Square(4)	0.0000

Таблица 2.37.

Тест Уайта

Heteroskedasticity Test: White
F-statistic	18.10379	Prob. F(12,91)	0.0000
Obs*R-squared	73.29720	Prob. Chi-Square(12)	0.0000
Scaled explained SS	409.4208	Prob. Chi-Square(12)	0.0000

Итак, гипотеза о гомоскедастичности отвергается во всех случаях, так как вероятности меньше 0,05. Тогда построим диаграммы рассеивания зависимой переменной с каждой отдельно взятой переменной модели:

Рис. 2.5. Диаграммы рассеивания

По виду диаграмм утверждаем, что наблюдается истинная гетероскедастичность. Такая гетероскедастичность является неотъемлемой частью модели и не приводит к смещению коэффициентов.

В связи с этим разумно ввести поправку Уайта. В результате мы получим значимость коэффициентов на десяти процентном уровне значимости.

Строим регрессию со стандартными ошибками в форме White:

Таблица 2.38.

Регрессия со стандартными ошибками в форме White

Dependent Variable: YNEW
Method: Least Squares
Date: 05/25/13 Time: 15:28
Sample: 1 105
Included observations: 104
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable	Coefficient	Std. Error	t-Statistic	Prob.
YESNO	39.27911	21.85029	1.797647	0.0753
YEAR	44.05053	26.33281	1.672838	0.0975
NUMBER	-0.259121	0.159787	-1.621667	0.1081
INCOME	0.004608	0.003963	1.162763	0.2477
C	-43.96410	58.55617	-0.750802	0.4546
R-squared	0.153165	Mean dependent var	42.03603
Adjusted R-squared	0.118950	S. D. dependent var	79.34062
S. E. of regression	74.47249	Akaike info criterion	11.50562
Sum squared resid	549069.1	Schwarz criterion	11.63275
Log likelihood	-593.2922	Hannan-Quinn criter.	11.55713
F-statistic	4.476489	Durbin-Watson stat	2.438859
Prob(F-statistic)	0.002289

9) И, наконец, проверяем спецификацию нашей модели.