Рассмотрение с помощью построения регрессионной модели зависимости инвестиций от 6-ти заданных факторов (основные фонды, ..., объем инвестиций, поступивших от иностранных инвесторов), страница 4

    Максимум логарифмической функции правдоподобия: -896.379158996989

    AIC =  23.137927154        BIC =  23.319212448

       F(4,73) = 484.5635 [0.0000]

    Нормальность: Chi^2(2) = 69.77832 [0.0000]

    Гетероскедастичность: Chi^2(1) = 0.342304 [0.5585]

    Функциональная форма: Chi^2(1) = 0.055594 [0.8136]

    AR(1) в ошибке: Chi^2(1) = 0.048101 [0.8264]

    ARCH(1) в ошибке: Chi^2(1) = 0.165469 [0.6842]

За мультиколлинеарность отвечают статистики AIC, BIC и  – показатели информационного критерия Акаике, байесовского информационного критерия и скорректированный на число степеней свободы коэффициент детерминации соответственно. Мы видим, что удаление фактора Pr увеличило значения показателей  AIC и BIC, что говорит о положительном влиянии на модель; в то же время скорректированный коэффициент детерминации уменьшился, но данное уменьшение незначительно:

Показатель	До	После
AIC	22.97	23.14
BIC	23.18	23.32
	96.79	96.17

Фактор	, %
K	90.756
Y	70.801
G	94.322
F	88.569

После удаления фактора Pr был выявлен еще один статистически незначимый фактор G. Избавимся от него:

      Зависимая переменная: I

      Количество наблюдений: 78

     Переменная           Коэффициент  Станд. ошибка  t-статистика   Знач.  

  1 Константа            2021.2934594  5951.6057631   0.3396215307  [0.7351]

  2 K                    0.0997241776  0.0061165278   16.304050424  [0.0000]

  3 Y                    0.0562262428  0.0601757981   0.9343663838  [0.3531]

  4 F                   -3.4188261874  0.7065946085  -4.838454959   [0.0000]

    R^2adj. = 93.839328673%   DW = 2.0741

    R^2 = 94.079354829%       S.E. = 31072.813657

    Сумма квадратов остатков:  71448461395.5719

    Максимум логарифмической функции правдоподобия: -915.463007425527

    AIC =  23.601615575        BIC =  23.752686654

       F(3,74) = 391.9546 [0.0000]

    Нормальность: Chi^2(2) = 137.4863 [0.0000]

    Гетероскедастичность: Chi^2(1) = 3.691285 [0.0547]

    Функциональная форма: Chi^2(1) = 20.45182 [0.0000]

    AR(1) в ошибке: Chi^2(1) = 0.14866  [0.6998]

    ARCH(1) в ошибке: Chi^2(1) = 0.701642 [0.4022]

Показатель	До	После
AIC	23.14	23.60
BIC	23.32	23.75
	96.17	93.84

Как мы видим, показатели AIC и BIC увеличились. При этом фактор Y оказался незначимым по статистике Стьюдента. Ликвидируем и его.

Зависимая переменная: I

Количество наблюдений: 78

     Переменная           Коэффициент  Станд. ошибка  t-статистика   Знач.  

  1 Константа            5921.4108205  4238.8940952   1.3969235106  [0.1666]

  2 K                    0.1040932469  0.0039396569   26.421906386  [0.0000]

  3 F                   -3.6500822321  0.6612700063  -5.5198061264  [0.0000]

R^2adj. = 93.849757413%   DW = 2.0595

R^2 = 94.009503974%       S.E. = 31046.5026 

    Сумма квадратов остатков:  72291399277.421

    Максимум логарифмической функции правдоподобия: -915.920430357512

AIC =  23.587703343        BIC =  23.708560205

F(2,75) = 588.4916 [0.0000]

    Нормальность: Chi^2(2) = 141.7017 [0.0000]

    Гетероскедастичность: Chi^2(1) = 2.399089 [0.1214]

    Функциональная форма: Chi^2(1) = 13.99783 [0.0002]

AR(1) в ошибке: Chi^2(1) = 0.094199 [0.7589]

ARCH(1) в ошибке: Chi^2(1) = 0.715452 [0.3976]

В результате, уравнение регрессии имеет вид:

Теперь построим матрицу коэффициентов корреляций по оставшимся факторам: на данном шаге мы избавились от проблемы мультиколлинеарности:

Корреляционная матрица

       <K>       <F>