Документация

Загрузите и отобразите данные на графике.

Определите, как прожиточный минимум влияет на поведение номинальной заработной платы. Загрузите набор данных Нельсона Плоссера, чтобы исследовать их статистическое отношение.

load Data_NelsonPlosser
isNaN = any(ismissing(DataTable),2);       % Flag periods containing NaNs
cpi = DataTable.CPI(~isNaN); % Cost of living
wm = DataTable.WN(~isNaN);             % Nominal wages

figure
plot(cpi,wm,'o')
hFit = lsline; % Regression line
xlabel('Consumer Price Index (1967 = 100)')
ylabel('Nominal Wages (current $)')
legend(hFit,'OLS Line','Location','SE')
title('{\bf Cost of Living}')
grid on

График предлагает, чтобы линейная сила модели получила отношение между этими двумя переменными.

Задайте модель.

Смоделируйте поведение номинальной заработной платы относительно CPI как эта линейная модель.

Mdl = fitlm(cpi,wm)

Mdl = 
Linear regression model:
    y ~ 1 + x1

Estimated Coefficients:
                   Estimate      SE       tStat      pValue  
                   ________    ______    _______    _________

    (Intercept)    -2541.5     174.64    -14.553    2.407e-21
    x1              88.041     2.6784     32.871    4.507e-40


Number of observations: 62, Error degrees of freedom: 60
Root Mean Squared Error: 494
R-squared: 0.947,  Adjusted R-Squared: 0.947
F-statistic vs. constant model: 1.08e+03, p-value = 4.51e-40

coeffCPI = Mdl.Coefficients.Estimate(2);
seCPI = Mdl.Coefficients.SE(2);

Постройте невязки.

Постройте невязки от Mdl против подходящих значений, чтобы оценить heteroscedasticity и автокорреляцию.

figure;
stem(Mdl.Residuals.Raw);
xlabel('Observation');
ylabel('Residual');
title('{\bf Linear Model Residuals}');
axis tight;
grid on;

Остаточный график показывает переменные уровни дисперсии, которая указывает на heteroscedasticity. Соседние невязки (относительно наблюдения) имеют тенденцию иметь тот же знак и значение, которое указывает на присутствие автокорреляции.

Оцените стандартные погрешности HAC.

Получите стандартные погрешности HAC по переменной пропускной способности с помощью Бартлетта (для Newey-западной оценки) и квадратичные спектральные ядра.

numEstimates = 10;
stdErrBT = zeros(numEstimates,1);
stdErrQS = zeros(numEstimates,1);
for bw = 1:numEstimates
    [~,seBT] = hac(cpi,wm,'bandwidth',bw,'display','off'); ...
        % Newey-West
    [~,seQS] = hac(cpi,wm,'weights','QS','bandwidth',bw, ...
        'display','off'); % HAC using quadratic spectral kernel
    stdErrBT(bw) = seBT(2);
    stdErrQS(bw) = seQS(2);
end

Можно увеличить numEstimates, чтобы обнаружить, как увеличивающаяся пропускная способность влияет на оценки HAC.

Постройте стандартные погрешности.

Визуально сравните Newey-западные стандартные погрешности $${\underset{}{\overset{ˆ}{\beta }}}_1$$ тем, которые используют квадратичное спектральное ядро по сетке пропускной способности.

figure
hold on
hCoeff = plot(1:numEstimates,repmat(coeffCPI,numEstimates, ...
    1),'LineWidth',2);
hOLS = plot(1:numEstimates,repmat(coeffCPI+seCPI, ...
    numEstimates,1),'g--');
plot(1:numEstimates,repmat(coeffCPI-seCPI,numEstimates,1),'g--')
hBT = plot(1:numEstimates,coeffCPI+stdErrBT,'ro--');
plot(1:numEstimates,coeffCPI-stdErrBT,'ro--')
hQS = plot(1:numEstimates,coeffCPI+stdErrQS,'kp--',...
    'LineWidth',2);
plot(1:numEstimates,coeffCPI-stdErrQS,'kp--','LineWidth',2)
hold off
xlabel('Bandwidth')
ylabel('CPI Coefficient')
legend([hCoeff,hOLS,hBT,hQS],{'OLS Estimate', ...
    'OLS Standard Error','Newey-West SE', ...
    'Quadratic Spectral SE'},'Location','E')
title('{\bf CPI Coefficient Standard Errors}')
grid on

График предлагает, чтобы для этого набора данных составляя heteroscedasticity и автокорреляции с помощью любого HAC оценили результаты в более консервативных интервалах, чем обычная стандартная погрешность OLS. Точность оценочных уменьшений HAC как пропускная способность увеличивается вдоль заданной сетки.

Для этого набора данных Newey-западные оценки немного более точны, чем те, которые используют квадратичное спектральное ядро. Эта сила быть, потому что последние получения heteroscedasticity и автокорреляция лучше, чем первый.

Ссылки: