Традиционная эконометрическая методология

В последние годы подверглась критике доминировавшая в течение многих лет эконометрическая методология. Согласно этой методологии, полученные результаты считаются тем лучше, чем сильнее оказываются коррелированными величины, которые должны быть связаны между собой согласно существующей экономической теории. Чем точнее предсказания соответствуют наблюдаемым данным (где точность предсказаний, как правило, измеряется с помощью коэффициента детерминации), тем соответственно более значимыми оказываются полученные оценки с точки зрения t- или F- статистик.

В литературе, написанной в то время, когда этот подход преобладал, отводят значительное место тому, как наиболее эффективным образом организовать перебор потенциальных объясняющих переменных, чтобы наилучшим образом предсказать объясняемую переменную, чтобы коэффициент детерминации был как можно большим, а F -статистика как можно более значимой. В некоторые статистические пакеты встроена такая автоматическая процедура перебора. Есть также программы, позволяющие быстро и удобно перебрать набор стандартных функциональных форм зависимостей между парой переменных (корни, логарифмы, обратные величины и т. д.).

Если получены настораживающие диагностики в критериях спецификации, таких как критерий Дарбина-Уотсона, то исследователь, следующий этой традиционной методологии вместо того, чтобы пересмотреть модель, данные и т. п., воспринимает это как сигнал к применению более продвинутых методов оценивания, которые бы позволили справиться с обнаруженными проблемами. В качестве примера можно привести корректирование регрессионной модели на наличие сериальной автокорреляции с помощью метода Кохрана-Оркатта. Сюда же, по-видимому, следует отнести применение гребневой регрессии в случае мультиколлинеарности объясняющих переменных.

Для описываемого подхода характерно стремление, во что бы то ни стало получить “наилучший” результат, вместо стремления получить результат осмысленный и надежный. Эвристическая ценность методов перебора с целью поиска наилучшей модели может быть высока. Однако очень важно понимать, что исследователя на этом пути подстерегает большая опасность. Поскольку исследователь стремится максимально улучшить точность подбора, согласие предсказаний модели и реальных данных, то в проводимой после получения оценок проверке значимости переменных должны применяться модифицированные критические границы. Если этого не делать, то номинальная значимость переменных, оказывается преувеличенной.

Другой важный момент состоит в том, что если используемые при оценивании гипотезы неверны, то полученные оценки должны рассматриваться как бессмысленные, и высокий уровень коэффициента детерминации не может придать им больше достоверности. Кроме того, следует помнить, что выбор модели с максимальным коэффициентом детерминации не имеет под собой достаточно прочного теоретического обоснования. Например, если зависимая переменная в двух регрессионных моделях имеет разную функциональную форму, то их нельзя сравнивать при помощи коэффициента детерминации.