Критерий Чоу

Критерий Чоу (тест Чоу, англ. Chow test) — это статистический тест, используемый для проверки структурной стабильности (однородности) коэффициентов линейной регрессионной модели. Он позволяет определить, является ли различие между регрессионными уравнениями, оценёнными для двух или более подвыборок данных, статистически значимым, или же данные могут быть адекватно описаны единой моделью для всей совокупности.

История

Критерий был предложен американским экономистом и статистиком китайского происхождения Грегори Чоу (Gregory C. Chow) в 1960 году в статье «Tests of Equality Between Sets of Coefficients in Two Linear Regressions», опубликованной в журнале Econometrica. Первоначально тест разрабатывался для применения в эконометрике, в частности для анализа временных рядов и выявления структурных сдвигов в экономических процессах (например, изменения поведения потребителей или производственной функции после реформы). Впоследствии критерий нашёл широкое применение в различных областях, где требуется проверка однородности регрессионных зависимостей.

Суть критерия

Критерий Чоу основан на сравнении сумм квадратов остатков (RSS — Residual Sum of Squares) трёх регрессионных моделей:

1. Объединённая модель (restricted model): регрессия строится по всем наблюдениям выборки (объём \( N \)) без учёта разбиения на подгруппы. Предполагается, что коэффициенты регрессии одинаковы для всех наблюдений.
2. Модели для каждой подвыборки (unrestricted models): регрессия строится отдельно для каждой из двух (или более) подвыборок (например, для первой подвыборки объёмом \( N_1 \) и второй — \( N_2 \), где \( N_1 + N_2 = N \)). В этих моделях коэффициенты могут различаться.

Нулевая гипотеза (\( H_0 \)) критерия заключается в том, что коэффициенты регрессии для всех подвыборок равны (структурная стабильность). Альтернативная гипотеза (\( H_1 \)) — что хотя бы один коэффициент различается между подвыборками (структурный разрыв).

Формула и вычисление

Статистика критерия Чоу (\( F \)) для случая двух подвыборок вычисляется по формуле:

\[ F = \frac{(RSS_{pooled} - (RSS_1 + RSS_2)) / k}{(RSS_1 + RSS_2) / (N - 2k)} \]

где:

• \( RSS_{pooled} \) — сумма квадратов остатков объединённой модели;
• \( RSS_1 \) и \( RSS_2 \) — суммы квадратов остатков моделей для первой и второй подвыборок соответственно;
• \( k \) — количество оцениваемых параметров (включая свободный член) в каждой из моделей;
• \( N \) — общее количество наблюдений.

Полученная статистика имеет \( F \)-распределение с \( k \) и \( N - 2k \) степенями свободы при условии справедливости нулевой гипотезы.

Если рассчитанное значение \( F \) превышает критическое значение из таблицы \( F \)-распределения для заданного уровня значимости (например, 0.05), нулевая гипотеза отвергается. Это означает, что различия между регрессиями для подвыборок статистически значимы, и модель с раздельными коэффициентами описывает данные лучше, чем единая модель.

Условия применения

Для корректного использования критерия Чоу необходимо выполнение следующих предпосылок:

• Линейность модели: зависимость между зависимой и независимыми переменными должна быть линейной.
• Независимость наблюдений: ошибки регрессии не должны быть автокоррелированы (особенно важно для временных рядов).
• Гомоскедастичность: дисперсия ошибок должна быть постоянной для всех наблюдений (как внутри подвыборок, так и между ними). Нарушение этого условия может привести к искажению результатов теста.
• Нормальность ошибок: хотя критерий Чоу относительно устойчив к отклонениям от нормальности, для малых выборок это условие желательно.
• Достаточный объём подвыборок: каждая подвыборка должна содержать больше наблюдений, чем количество оцениваемых параметров (\( N_i > k \)), иначе модель для подвыборки не может быть оценена.

Разновидности и модификации

Критерий Чоу для прогнозирования (Predictive Chow test)

Используется, когда одна из подвыборок слишком мала для оценки отдельной регрессии (например, \( N_2 < k \)). В этом случае модель строится только по первой подвыборке, а затем проверяется, насколько хорошо она прогнозирует наблюдения из второй подвыборки. Статистика теста в этом случае имеет \( F \)-распределение с \( N_2 \) и \( N_1 - k \) степенями свободы.

Критерий Чоу для нескольких точек разрыва

Обобщение теста на случай, когда предполагается более одного структурного сдвига. В этом случае выборка разбивается на \( m+1 \) подвыборок, и сравнивается сумма квадратов остатков объединённой модели с суммой квадратов остатков всех моделей для подвыборок.

Тест Чоу с коррекцией на гетероскедастичность

Стандартный критерий Чоу чувствителен к гетероскедастичности. Для устранения этого недостатка используются модификации, основанные на робастных оценках ковариационной матрицы (например, тест Вальда с робастными стандартными ошибками).

Применение

Критерий Чоу широко используется в различных областях:

• Эконометрика и макроэкономика: выявление структурных сдвигов в экономических временных рядах (например, изменение ВВП после кризиса, влияние изменения налогового законодательства на инвестиции).
• Финансы: анализ стабильности финансовых моделей (например, модели CAPM) в разные периоды времени (до и после финансового кризиса).
• Маркетинг: оценка эффективности рекламной кампании (сравнение поведения потребителей до и после её запуска).
• Социология и политология: анализ различий в регрессионных зависимостях между разными группами населения (например, по полу, возрасту, региону проживания).
• Биология и медицина: изучение различий в дозозависимых эффектах лекарственных препаратов для разных подгрупп пациентов.

Ограничения и критика

• Необходимость априорного знания точки разрыва: критерий Чоу требует, чтобы исследователь заранее указал момент или признак, по которому выборка делится на подвыборки. Если точка разрыва неизвестна, тест может быть неэффективным. В таких случаях используются процедуры, позволяющие оценить точку разрыва эндогенно (например, тест Бай-Перрона).
• Чувствительность к гетероскедастичности: как уже отмечалось, стандартный тест может давать неверные результаты при непостоянстве дисперсии ошибок.
• Неприменимость для нелинейных моделей: критерий разработан для линейной регрессии; его прямое применение к нелинейным моделям (например, логистической регрессии) некорректно.
• Проблема множественного тестирования: при проверке нескольких возможных точек разрыва на одном наборе данных возрастает вероятность ошибки первого рода (ложного обнаружения структурного сдвига).

Пример

Предположим, экономист изучает зависимость потребления (\( C \)) от дохода (\( Y \)) на основе данных за 20 лет. Он подозревает, что в 2008 году (начало финансового кризиса) структура потребления изменилась. Для проверки он делит выборку на две подвыборки: 1998–2007 гг. (\( N_1 = 10 \)) и 2008–2017 гг. (\( N_2 = 10 \)). Он оценивает три регрессии: объединённую (по всем 20 наблюдениям) и две отдельные. Пусть \( k = 2 \) (свободный член и коэффициент при доходе), \( RSS_{pooled} = 150 \), \( RSS_1 = 40 \), \( RSS_2 = 50 \). Тогда:

\[ F = \frac{(150 - (40+50)) / 2}{(40+50) / (20 - 4)} = \frac{60 / 2}{90 / 16} = \frac{30}{5.625} \approx 5.33 \]

Критическое значение \( F \)-распределения с (2, 16) степенями свободы на уровне 0.05 составляет примерно 3.63. Так как 5.33 > 3.63, нулевая гипотеза о равенстве коэффициентов отвергается. Экономист делает вывод, что структурный сдвиг в модели потребления в 2008 году действительно имел место.

Источники

• Chow, G. C. (1960). Tests of Equality Between Sets of Coefficients in Two Linear Regressions. Econometrica, 28(3), 591–605.
• Greene, W. H. (2018). Econometric Analysis (8th ed.). Pearson.
• Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). McGraw-Hill.
• Магнус, Я. Р., Катышев, П. К., & Пересецкий, А. А. (2007). Эконометрика. Начальный курс (8-е изд.). Дело.