Эконометрика: Введение в регрессионный анализ временных рядов. Носко В.П. - 5 стр.

Введение
    В начальных курсах эконометрики, в том числе и в ранее изданном автором учебном
пособии “Эконометрика для начинающих” [Носко (2000)], первоочередное внимание
уделяется статистическим выводам в рамках классической нормальной линейной модели
наблюдений
    yt = θ 1 xt1+θ 2 xt2+ …+θ p xtp + ε t , t = 1, 2, …, n ,
    в которой предполагается, что значения объясняющих переменных xt1, xt2, …, xtp , t = 1, 2,
…, n , фиксированы, а случайные составляющие ε 1, ε 2, …, ε n (“ошибки”) являются
независимыми случайными величинами, имеющими одинаковое нормальное распределение
с нулевым математическим ожиданием и конечной дисперсией (такие предположения об
ошибках мы называем “стандартными”). Далее обычно анализируются последствия
различного типа нарушений таких предположений об ошибках и рассматриваются методы
коррекции статистических выводов о коэффициентах модели при наличии соответствующих
нарушений стандартных предположений.
    В упомянутом пособии обсуждались методы коррекции статистических выводов
             • при наличии гетероскедастичности (неоднородности дисперсий ошибок);
             • при наличии автокоррелированности ошибок;
             • при наличии сезонности.
    При этом сохранялось предположение о фиксированности значений объясняющих
переменных.
    Последнее предположение в совокупности со стандартными предположениями об
ошибках удобно с чисто математической точки зрения: при таких предположениях оценки
параметров, получаемые методом наименьших квадратов, имеют нормальное распределение,
что, в свою очередь, дает возможность
              • строить доверительные интервалы для коэффициентов линейной модели,
         используя квантили t -распределения Стьюдента;
              • проверять гипотезы о значениях отдельных коэффициентов, используя
         квантили t -распределения Стьюдента;
              • проверять гипотезы о выполнении тех или иных линейных ограничений на
         коэффициенты модели, используя квантили F-распределения Фишера;
              • строить интервальные прогнозы для “будущих” значений объясняемой
         переменной, соответствующих заданным будущим значениям объясняющих
         переменных.
     Вместе с тем, используемое в классической модели предположение о фиксированности
 значений объясняющих переменных в n наблюдениях означает, что мы можем повторить