Спецификационни грешки - какво е това, определение и концепция

Грешките в спецификацията на иконометричния модел се отнасят до различните грешки, които могат да бъдат допуснати при избор и обработка на набор от независими променливи, за да се обясни зависима променлива.

Когато се изгради модел, той трябва да изпълни правилната хипотеза за спецификация. Това се основава на факта, че обяснителните променливи, избрани за модела, са тези, които могат да обяснят независимата променлива. Следователно се приема, че няма независима променлива (x), която може да обясни независимата променлива (y) и че по този начин променливите, които позволяват подхода на правилния модел, биха били избрани.

Грешки в спецификацията на модела

Има редица грешки в спецификацията на модела, които могат да бъдат групирани в три големи групи:

Група 1: Начинът, по който работи, не е посочен правилно

• Пропускане на съответните променливи: Нека си представим, че искаме да обясним възвръщаемостта на акциите на компания Y. За да направим това, ние избираме PER, пазарната капитализация и балансовата стойност като независими променливи. Ако свободният поток е корелиран с някоя от променливите, съдържащи се в модела, грешката на нашия модел ще бъде корелирана с променливите, включени в модела. Това би довело до обективни и непоследователни параметри, изчислени от модела. По този начин резултатите от прогнозите и различните тестове, извършени върху модела, няма да бъдат валидни.

• Променливи, които трябва да се трансформират: Хипотезата на регресионния модел предполага, че зависимата променлива е линейно свързана с независимите променливи. В много случаи обаче връзката между тях не е линейна. Ако необходимата трансформация не бъде извършена върху независимата променлива, моделът няма да има правилното прилягане. Като примери за трансформация на независими променливи имаме вземане на логаритми, квадратния корен или квадратурата между другото.

• Лошо събиране на примерни данни: Данните за независимите променливи трябва да бъдат в съответствие с времето, тоест не може да има структурни промени на независимите променливи. Нека си представим, че искаме да обясним промяната в БВП в държава X, като използваме потреблението и инвестициите като независими променливи. Да предположим, че в тази страна е открито петролно находище на държавна земя и правителството реши да премахне данъците. Това може да доведе до промяна в потребителските навици в страната, които към тази дата ще се запазят неограничено във времето. В този случай трябва да съберем две различни времеви редове и да изчислим два модела. Един модел преди промяната и друг след. Ако групирахме данните в една извадка и оценихме модел, щяхме да имаме лошо посочен модел и хипотезите, контрастите и прогнозите биха били неправилни.

Група 2: Независимите променливи са свързани с термина за грешка във времеви редове

• Използване на зависимата променлива със закъснение като независима променлива: Да се ​​използва променлива със закъснение означава да се използват данните на същите променливи, но измерени за предходен период. Да предположим, че използваме предишния модел на БВП като зависима променлива. Нека добавим към модела, освен потреблението и инвестициите, и БВП от предходната година (БВП_t-1). Ако БВП от предходната година серийно корелира с грешката, прогнозните коефициенти ще бъдат пристрастни и няма да бъдат несъвместими. Това отново би обезсилило всички тестове на хипотези, прогнози и т.н.

• Предсказване на миналото: Когато измерваме променлива, винаги трябва да вземем периода преди този, който искаме да изчислим. Да предположим, че нашата зависима променлива е възвръщаемостта от запас X, а нашата независима променлива е PER. Да предположим още, че вземаме окончателните данни за февруари. Ако използваме това в нашия модел, ще заключим, че запасът с най-висок PER в края на февруари е имал най-високата възвръщаемост в края на февруари. Правилната спецификация на модела предполага вземане на данните от началото на периода, за да се предвидят по-късните данни, а не обратното, както в предишния случай. Това се нарича предсказване на миналото.

• Измерете независимата променлива с грешка: Да предположим, че нашата независима променлива е възвръщаемостта на акцията, а една от нашите независими променливи е номиналният лихвен процент. Не забравяйте, че номиналният лихвен процент е лихвеният процент плюс инфлацията. Тъй като инфлационният компонент на номиналния лихвен процент не се наблюдава в бъдеще, ще измерваме променливата с грешка. За да измерим правилно лихвения процент, трябва да използваме очаквания лихвен процент и това да отчита очакваната инфлация, а не настоящата.