Тест Уайта

Тест Уайта — это статистическая процедура, используемая в регрессионном анализе для проверки наличия гетероскедастичности случайных ошибок в линейной регрессионной модели. Тест был предложен американским экономистом Хэлом Уайтом в 1980 году. Он является одним из наиболее распространённых и универсальных тестов, так как не требует априорного знания о структуре гетероскедастичности и позволяет обнаружить широкий класс её форм, включая зависимость дисперсии ошибок от регрессоров, их квадратов и перекрёстных произведений.

История и предпосылки

Проблема гетероскедастичности — непостоянства дисперсии случайных ошибок — является одной из ключевых в регрессионном анализе. Её наличие приводит к неэффективности оценок метода наименьших квадратов (МНК) и некорректности стандартных ошибок, что, в свою очередь, искажает выводы о значимости регрессоров. До появления теста Уайта использовались более простые методы, такие как тест Голдфелда — Куандта и тест Бреуша — Пагана, которые, однако, имели ограничения: первый требовал упорядочивания наблюдений и предполагал конкретную форму гетероскедастичности, а второй — знание её источника.

В 1980 году Хэл Уайт опубликовал статью «A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity», в которой предложил не только тест, но и метод оценки ковариационной матрицы, устойчивый к гетероскедастичности (так называемые «устойчивые» или «робастные» стандартные ошибки Уайта). Тест Уайта стал логическим продолжением этих идей и получил широкое распространение благодаря своей универсальности.

Математическая формулировка

Рассмотрим классическую линейную регрессионную модель:

\[ y_i = \beta_0 + \beta_1 x_{1i} + \beta_2 x_{2i} + \dots + \beta_k x_{ki} + \varepsilon_i \]

где \(y_i\) — зависимая переменная, \(x_{ji}\) — регрессоры, \(\beta_j\) — коэффициенты, \(\varepsilon_i\) — случайная ошибка. Нулевая гипотеза теста Уайта заключается в том, что дисперсия ошибок постоянна (гомоскедастичность):

\[ H_0: \text{Var}(\varepsilon_i) = \sigma^2 \text{ для всех } i \]

Альтернативная гипотеза — гетероскедастичность любой формы, при которой дисперсия может зависеть от регрессоров, их квадратов и перекрёстных произведений.

Процедура теста

1. Оценка исходной модели. С помощью метода наименьших квадратов оцениваются коэффициенты \(\hat{\beta}_j\) и вычисляются остатки \(e_i = y_i - \hat{y}_i\).
2. Построение вспомогательной регрессии. Квадраты остатков \(e_i^2\) регрессируются на все регрессоры, их квадраты и перекрёстные произведения. Для модели с \(k\) регрессорами вспомогательная регрессия имеет вид:

\[ e_i^2 = \alpha_0 + \sum_{j=1}^k \alpha_j x_{ji} + \sum_{j=1}^k \alpha_{jj} x_{ji}^2 + \sum_{j < l} \alpha_{jl} x_{ji} x_{li} + \nu_i \]

где \(\nu_i\) — ошибка вспомогательной регрессии. Число регрессоров во вспомогательной модели (исключая константу) равно \(p = 2k + \frac{k(k-1)}{2} = \frac{k(k+3)}{2}\).

1. Вычисление тестовой статистики. Тестовая статистика \(LM\) (или \(nR^2\)) вычисляется как произведение числа наблюдений \(n\) на коэффициент детерминации \(R^2\) вспомогательной регрессии:

\[ LM = n \cdot R^2_{\text{вспомогательной}} \]

1. Принятие решения. При нулевой гипотезе статистика \(LM\) асимптотически распределена как \(\chi^2\) с \(p\) степенями свободы. Если \(LM\) превышает критическое значение \(\chi^2_{\alpha}(p)\) при заданном уровне значимости \(\alpha\), нулевая гипотеза отвергается, что свидетельствует о наличии гетероскедастичности.

Интерпретация результатов

• Если \(H_0\) не отвергается (p-значение > \(\alpha\)): нет достаточных статистических оснований считать, что гетероскедастичность присутствует. Можно продолжать использовать стандартные МНК-оценки.
• Если \(H_0\) отвергается (p-значение ≤ \(\alpha\)): гетероскедастичность обнаружена. В этом случае рекомендуется использовать устойчивые к гетероскедастичности стандартные ошибки (например, оценку Уайта) или применить методы взвешенного наименьших квадратов.

Особенности и ограничения

Тест Уайта обладает рядом достоинств и недостатков.

Достоинства

• Универсальность. Не требует указания конкретной формы гетероскедастичности, что делает его применимым в большинстве практических ситуаций.
• Простота реализации. Тест легко выполняется в большинстве статистических пакетов (R, Stata, Python, EViews и др.) с помощью встроенных функций.
• Асимптотическая обоснованность. При больших выборках тест имеет хорошие статистические свойства.

Недостатки

• Чувствительность к объёму выборки. При малых выборках тест может иметь низкую мощность (не обнаруживать гетероскедастичность, когда она есть) или, наоборот, давать ложные срабатывания.
• Потеря степеней свободы. Вспомогательная регрессия включает много регрессоров, особенно при большом \(k\). Это может привести к переобучению и снижению надёжности теста.
• Неспецифичность. Тест не указывает на конкретную причину гетероскедастичности, а лишь констатирует её наличие. Для диагностики формы может потребоваться дополнительный анализ.
• Требование к данным. Тест предполагает, что модель специфицирована корректно (например, отсутствует пропуск важных переменных или нелинейность). Иначе тест может ошибочно указывать на гетероскедастичность.

Применение в эконометрике

Тест Уайта широко используется в эконометрических исследованиях, особенно в тех областях, где гетероскедастичность является распространённым явлением: в макроэкономике (анализ временных рядов с изменяющейся волатильностью), финансах (моделирование доходности активов), микроэкономике (анализ данных опросов с неоднородными респондентами) и других.

В современной практике тест Уайта часто применяется в сочетании с робастными стандартными ошибками. Если тест обнаруживает гетероскедастичность, исследователь может использовать оценку Уайта для ковариационной матрицы, что позволяет сохранить состоятельность оценок МНК без их модификации.

Критика и альтернативы

Несмотря на популярность, тест Уайта подвергается критике за склонность к ложным срабатываниям при неправильной спецификации модели. Эконометрист Дэвид Хендри и его коллеги отмечали, что тест может быть чувствителен к пропущенным переменным и нелинейностям, что приводит к ошибочному отвержению гомоскедастичности.

В качестве альтернатив используются:

• Тест Бреуша — Пагана — более простой, но требующий указания предполагаемой формы гетероскедастичности.
• Тест Голдфелда — Куандта — для случая, когда гетероскедастичность связана с одной переменной.
• Тест Парка — основанный на регрессии логарифма квадратов остатков на логарифмы регрессоров.
• Модифицированный тест Уайта — с использованием только квадратов регрессоров (без перекрёстных произведений) для уменьшения числа параметров.

Пример реализации

В статистическом пакете R тест Уайта реализован в функции bptest() из пакета lmtest с опцией studentize = FALSE. В Python (библиотека statsmodels) используется функция het_white() из модуля statsmodels.stats.diagnostic. В Stata команда estat imtest, white выполняет тест после оценки регрессии.

Интересные факты

• Хэл Уайт (1950–2012) был американским эконометриком, профессором Калифорнийского университета в Сан-Диего. Его работы по устойчивым стандартным ошибкам стали основой современной эмпирической экономики.
• Тест Уайта иногда называют «тестом на гетероскедастичность общего вида» (general test for heteroskedasticity).
• В 2011 году Уайт был удостоен премии Клейна за вклад в эконометрику.

Источники

1. White H. A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity // Econometrica. — 1980. — Vol. 48, No. 4. — P. 817–838.
2. Greene W. H. Econometric Analysis. — 8th ed. — Pearson, 2018. — Chapter 9.
3. Wooldridge J. M. Introductory Econometrics: A Modern Approach. — 7th ed. — Cengage Learning, 2019. — Chapter 8.
4. Gujarati D. N., Porter D. C. Basic Econometrics. — 5th ed. — McGraw-Hill, 2009. — Chapter 11.
5. Hendry D. F., Nielsen B. Econometric Modeling: A Likelihood Approach. — Princeton University Press, 2007.