Ekonometriskā modeļa specifikācijas kļūdas attiecas uz dažādām kļūdām, kuras var pieļaut, izvēloties un apstrādājot neatkarīgu mainīgo lielumu kopu, lai izskaidrotu atkarīgo mainīgo.
Kad modelis ir uzbūvēts, tam jāatbilst pareizās specifikācijas hipotēzei. Tas ir balstīts uz faktu, ka modelim izvēlētie skaidrojošie mainīgie ir tie, kas spēj izskaidrot neatkarīgo mainīgo. Tāpēc tiek pieņemts, ka nav neatkarīga mainīgā (x), kas varētu izskaidrot neatkarīgo mainīgo (y), un ka tādā veidā būtu izvēlēti mainīgie, kas pieļauj pareizā modeļa pieeju.
Modeļa specifikācijas kļūdas
Modeļa specifikācijā ir vairākas kļūdas, kuras var sagrupēt trīs lielās grupās:
1. grupa: tā darbības veids nav norādīts pareizi
- Attiecīgo mainīgo izlaišana: Iedomāsimies, ka mēs vēlamies izskaidrot uzņēmuma Y akciju atdevi. Lai to izdarītu, kā neatkarīgus mainīgos mēs izvēlamies PER, tirgus kapitalizāciju un bilances vērtību. Ja brīvais pludiņš ir saistīts ar kādu no modeļa mainīgajiem, mūsu modeļa kļūda būtu korelē ar modelī iekļautajiem mainīgajiem. Tas izraisītu modeļa novērtētos parametrus neobjektīvi un nekonsekventi. Tādējādi prognožu un modeļa dažādo testu rezultāti nebūtu derīgi.
- Pārveidojamie mainīgie: Regresijas modeļa hipotēzē tiek pieņemts, ka atkarīgais mainīgais ir lineāri saistīts ar neatkarīgajiem mainīgajiem. Tomēr daudzos gadījumos attiecības starp tām nav lineāras. Ja neatkarīgajam mainīgajam netiek veikta nepieciešamā pārveidošana, modelim nebūs pareizā atbilstība. Kā neatkarīgu mainīgo transformācijas piemēri mums cita starpā tiek ņemti logaritmi, kvadrātsakne vai kvadrāts.
- Vāja datu paraugu vākšana: Neatkarīgo mainīgo datiem jābūt saskaņotiem ar laiku, tas ir, neatkarīgo mainīgo strukturālās izmaiņas nevar notikt. Iedomāsimies, ka mēs vēlamies izskaidrot IKP variācijas X valstī, izmantojot patēriņu un ieguldījumus kā neatkarīgus mainīgos. Pieņemsim, ka šajā valstī uz valsts zemes tiek atklāts naftas atradnes un valdība nolemj atcelt nodokļus. Tas varētu izraisīt izmaiņas valsts patēriņa paradumos, kas no šī datuma ar laiku tiks saglabāti uz nenoteiktu laiku. Šajā gadījumā mums vajadzētu savākt divas dažādas laika rindas un novērtēt divus modeļus. Viens modelis pirms izmaiņām un otrs pēc tam. Ja mēs sagrupētu datus vienā izlasē un novērtētu modeli, mums būtu slikti norādīts modelis, un hipotēzes, kontrasti un prognozes būtu nepareizas.
2. grupa: neatkarīgie mainīgie korelē ar kļūdu termiņu laika rindās
- Atkarīgā mainīgā izmantošana ar novēlošanos kā neatkarīgs mainīgais: Lai izmantotu mainīgo ar aizkavēšanos, ir jāizmanto to pašu mainīgo dati, bet kas mērīti iepriekšējā periodā. Pieņemsim, ka mēs izmantojam iepriekšējo IKP modeli kā atkarīgo mainīgo. Pievienosim modelim papildus patēriņam un ieguldījumiem iepriekšējā gada IKP (IKPt-1). Ja iepriekšējā gada IKP ir secīgi korelēts ar kļūdu, aprēķinātie koeficienti būtu neobjektīvi un nebūtu pretrunīgi. Tas atkal padarītu nederīgus visus hipotēzes testus, prognozes utt.
- Paredzēt pagātni: Kad mēs mēra mainīgo, mums vienmēr ir jāņem periods pirms tā, kuru mēs vēlamies novērtēt. Pieņemsim, ka mūsu atkarīgais mainīgais ir atdeve no krājuma X un mūsu neatkarīgais mainīgais ir PER. Pieņemsim, ka mēs ņemam galīgos datus par februāri. Ja to izmantosim savā modelī, secināsim, ka akcijas ar augstāko PER februāra beigās bija visaugstākās atdeves februāra beigās. Pareiza modeļa specifikācija nozīmē datu ņemšanu no perioda sākuma, lai prognozētu vēlākos datus, nevis otrādi, kā iepriekšējā gadījumā. To sauc par pagātnes prognozēšanu.
- Izmēra neatkarīgo mainīgo ar kļūdu: Pieņemsim, ka mūsu neatkarīgais mainīgais ir akciju atdeve un viens no mūsu neatkarīgajiem mainīgajiem ir nominālā procentu likme. Atcerieties, ka nominālā procentu likme ir procentu likme plus inflācija. Tā kā nominālās procentu likmes inflācijas komponents nākotnē nav novērojams, mēs mainīgo mainītu ar kļūdu. Lai pareizi izmērītu procentu likmi, mums būtu jāizmanto paredzamā procentu likme un ka tajā jāņem vērā sagaidāmā, nevis pašreizējā inflācija.