Условия Гаусса — Маркова

Условия Гаусса — Маркова — это набор из пяти предположений (условий) относительно свойств случайных ошибок (возмущений) и регрессоров в линейной регрессионной модели. При выполнении этих условий оценка параметров модели, полученная методом наименьших квадратов (МНК), является наилучшей линейной несмещённой оценкой (BLUE — Best Linear Unbiased Estimator). Теорема Гаусса — Маркова, доказывающая это свойство, является фундаментальной в эконометрике и математической статистике, лежит в основе обоснования применения классического МНК.

Формулировка теоремы Гаусса — Маркова

Теорема Гаусса — Маркова утверждает, что в линейной регрессионной модели \[ y_i = \beta_1 x_{i1} + \beta_2 x_{i2} + \dots + \beta_k x_{ik} + \varepsilon_i, \quad i = 1, \dots, n, \] где \(y_i\) — зависимая переменная, \(x_{ij}\) — объясняющие переменные (регрессоры), \(\beta_j\) — неизвестные параметры, \(\varepsilon_i\) — случайные ошибки, при выполнении определённых условий оценка МНК \(\hat{\beta}\) является несмещённой и имеет наименьшую дисперсию среди всех линейных несмещённых оценок.

Пять условий Гаусса — Маркова

Для классической линейной регрессионной модели обычно формулируются следующие пять условий (предположений).

1. Линейность модели

Модель линейна по параметрам. Это означает, что зависимая переменная \(y\) является линейной комбинацией регрессоров и случайной ошибки. Сами регрессоры могут быть нелинейными функциями исходных данных (например, \(x^2\), \(\log x\)), но параметры \(\beta\) входят в уравнение линейно. Это условие является исходным для применения МНК.

2. Случайность и нулевое условное математическое ожидание ошибок

Математическое ожидание случайной ошибки \(\varepsilon_i\) при заданных значениях всех регрессоров равно нулю: \[ E(\varepsilon_i | X) = 0 \quad \text{для всех } i, \] где \(X\) — матрица всех наблюдений регрессоров. Это условие гарантирует несмещённость МНК-оценок. Оно означает, что систематическая составляющая ошибки отсутствует, и регрессоры не коррелируют с ошибкой в среднем. Нарушение этого условия (например, эндогенность регрессоров) приводит к смещению оценок.

3. Гомоскедастичность (постоянная дисперсия ошибок)

Дисперсия случайной ошибки одинакова для всех наблюдений и не зависит от значений регрессоров: \[ \text{Var}(\varepsilon_i | X) = \sigma^2 = \text{const} \quad \text{для всех } i. \] Это условие обеспечивает эффективность МНК-оценок (минимальную дисперсию среди всех линейных несмещённых оценок). Если дисперсия ошибок меняется (гетероскедастичность), оценки МНК остаются несмещёнными, но перестают быть эффективными, и стандартные ошибки оцениваются некорректно.

4. Отсутствие автокорреляции (некоррелированность ошибок)

Случайные ошибки для разных наблюдений не коррелируют между собой: \[ \text{Cov}(\varepsilon_i, \varepsilon_j | X) = 0 \quad \text{для всех } i \neq j. \] Это условие также необходимо для эффективности оценок. При наличии автокорреляции (например, во временных рядах) оценки МНК остаются несмещёнными, но теряют свойство наименьшей дисперсии, а стандартные ошибки становятся смещёнными.

5. Детерминированность или экзогенность регрессоров

Регрессоры \(x_{ij}\) являются неслучайными (детерминированными) величинами или, если они случайны, то не зависят от случайной ошибки \(\varepsilon_i\). В современной эконометрике это условие часто формулируется как отсутствие корреляции между регрессорами и ошибкой, что эквивалентно условию \(E(\varepsilon_i | X) = 0\) (второе условие). В классической формулировке предполагается, что значения регрессоров фиксированы при повторных выборках.

Дополнительные условия и допущения

Помимо пяти условий Гаусса — Маркова, для корректного применения МНК и статистического вывода часто требуются дополнительные предположения:

• Нормальность ошибок: \(\varepsilon_i \sim N(0, \sigma^2)\). Это условие не требуется для доказательства BLUE-свойств, но необходимо для точного проведения t- и F-тестов в малых выборках. При больших выборках в силу центральной предельной теоремы распределение оценок приближается к нормальному.
• Отсутствие мультиколлинеарности: регрессоры не должны быть линейно зависимыми. Если между регрессорами существует точная линейная связь, матрица \(X^T X\) становится вырожденной, и МНК-оценки не могут быть вычислены. При сильной, но не полной мультиколлинеарности оценки остаются несмещёнными, но их дисперсии сильно возрастают.

Нарушение условий и последствия

Нарушение условия 2 (эндогенность)

Если \(E(\varepsilon_i | X) \neq 0\), оценки МНК становятся смещёнными и несостоятельными. Причины: пропуск значимой переменной, ошибки измерения в регрессорах, одновременная причинность (обратная связь). Для устранения применяются инструментальные переменные (IV) или метод двухшагового МНК (2SLS).

Нарушение условия 3 (гетероскедастичность)

Оценки МНК остаются несмещёнными и состоятельными, но перестают быть эффективными. Стандартные ошибки, вычисленные по стандартным формулам, становятся неверными, что приводит к некорректным выводам о значимости коэффициентов. Для коррекции используются робастные стандартные ошибки (например, по Уайту) или взвешенный метод наименьших квадратов (ВМНК).

Нарушение условия 4 (автокорреляция)

Аналогично гетероскедастичности: оценки несмещённы, но неэффективны, стандартные ошибки смещены. Для временных рядов применяются автокорреляционные модели (AR, MA, ARIMA) или обобщённый метод наименьших квадратов (ОМНК).

Нарушение условия 5 (стохастические регрессоры)

Если регрессоры случайны, но независимы от ошибки, условия Гаусса — Маркова могут быть ослаблены. В современной эконометрике часто используется подход, основанный на условном математическом ожидании, который не требует строгой детерминированности регрессоров.

Значение в эконометрике

Условия Гаусса — Маркова являются краеугольным камнем классической регрессионной теории. Они позволяют:

• Обосновать применение МНК как оптимального метода оценивания в широком классе линейных моделей.
• Разработать процедуры проверки гипотез (t-тесты, F-тесты) на основе распределений Стьюдента и Фишера.
• Построить доверительные интервалы для параметров модели.
• Диагностировать качество модели и выявлять нарушения (тесты на гетероскедастичность — Бреуша — Пагана, Уайта; тесты на автокорреляцию — Дарбина — Уотсона, Бреуша — Годфри).

На практике полное выполнение всех условий встречается редко. Однако знание условий Гаусса — Маркова позволяет исследователю корректно диагностировать проблему, выбирать адекватные методы оценки (робастные, обобщённые, непараметрические) и интерпретировать результаты регрессионного анализа.

Источники

• Грин, У. (2016). Эконометрика. — М.: Дело.
• Магнус, Я. Р., Катышев, П. К., Пересецкий, А. А. (2007). Эконометрика. Начальный курс. — М.: Дело.
• Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach. — Cengage Learning.
• Davidson, R., MacKinnon, J. G. (2004). Econometric Theory and Methods. — Oxford University Press.