Prezentacija - Ekonometrija
Download
Report
Transcript Prezentacija - Ekonometrija
Ekonometrija 1D
Ekonometrija, Doktorske studije
Predavač: Aleksandra Nojković
Beograd, školska 2014/15
Napomena: U izradi prezentacija korišćena je literatura predviđena
IP predmeta i materijali prof. Zorice Mladenović.
Struktura predavanja
• Klasični višestruki linearni regresioni model
- metod ONK
- matrična notacija
- pretpostavke višestrukog KLRM
• Pokazatelji kvaliteta ocenjenog modela. Korelacija u
višestrukom KLRM. Običan i korigovani R2
• Testovi linearnih ograničenja na parametre
• Testiranje stabilnosti parametara
Dvostruki linearni regresioni model
Ako pretpostavimo model sa dve objašnjavajuće
promenljive: Y=β0+β1X1+β2X2+ε
Populaciona regresiona jednačina (za E(ε)=0) je:
E(Y)=β0+β1X1+β2X2
Parametri β0, β1 i β2 su populacioni parametri ili
regresioni koeficijenti.
Populaciona reg. jednačina ne opisuje pravu, nego
ravan.
Parametar β0 je odsečak (presek ravni sa y-osom), a
parametri β1 i β2 su parcijalni koeficijenti nagiba.
Dvostruki linearni regresioni model
(nastavak)
Uključivanjem konkretnih podataka model postaje:
Yi 0 1X1i 2X2i i ,
za i 1,2,...,n.
Uzoračka regresiona funkcija je:
Yi b0 b1X1i b 2 X 2i ,
gde su b0, b1 i b2 ocene parametara.
Ocene nepoznatih parametara primenom metoda
ONK, koji se sastoji u minimiziranju sume kvadrata
reziduala.
Dvostruki linearni regresioni model
(nastavak)
Uključivanjem konkretnih podataka model postaje:
Yi 0 1X1i 2X2i i ,
za i 1,2,...,n.
Uzoračka regresiona funkcija je:
Yi b0 b1X1i b 2 X 2i ,
gde su b0, b1 i b2 ocene parametara.
Ocene nepoznatih parametara primenom metoda
ONK, koji se sastoji u minimiziranju sume kvadrata
reziduala.
Ocene metodom ONK
Eksplicitni izrazi_ za ocene
metodom ONK:
_
_
b0 Y b1 X1 b 2 X 2 ,
x1i yi i 1 x i 1 x1i x 2i i 1 x 2i yi
n
b1
n
i 1
2
2
x
x
11 1i 11 2i
n
n
b2
2
2i
n
n
n
i 1
2
x1i x 2i
x 2i yi i 1 x i 1 x1i x 2i i 1 x1i yi
n
i 1
n
2
1i
2
2
x
x
11 1i 11 2i
n
n
n
,
n
n
i 1
2
x1i x 2i
.
Pokazati...
Važe relacije:
n
n
n
i1 ei 0; n i1 X1iei 0; i1 X 2iei 0.
Pretpostavke KLRM (višestrukog)
1.
2.
3.
4.
5.
6.
E(εi)=0, za svako i.
Var (εi)=E(εi2)=σ2, za svako i.
Cov(εi,εj)=E(εiεj)=0, za svako i,j, tako da i≠j.
E(εiXi)=0, za svako i.
εi ~ N(0, σ2).
Ne postoji tačna linearna zavisnost izmedu
objašnjavajućih promenljivih ( rxy≠1, tj. jedna
objašnjavajuća promenljiva nije linearna
funkcija druge).
Klasicni višestruki linearni
regresioni model
Analiticki oblik višestrukog linearnog regresionog
modela:
Yi 0 1X1i 2X2i ... k 1Xk 1i i ,
za i 1,2,...,n.
Parametri β1, β2,..., βk-1 su parcijalni koeficijenti
nagiba.
Npr: ako se X1i poveća za jednu jedinicu, očekivana
promena Yi je β1 jedinica, pod pretpostavkom da se ne
menja uticaj ostalih objašnjavajućih promenljivih X2,X3,...,Xk-1.
Višestruki linearni regresioni model
(matrična notacija)
U matričnoj notaciji (k=3):
y=XB + e,
gde je: y (nx1) vektor kolona; X (nxk) matrica; B
(kx1) vektor kolona; e (nx1) vektor kolona.
Matrica X: svaki red predstavlja vrednost svih
eksplanatornih prom. koje odgovaraju jednoj
opservaciji, a svaka kolona predstavlja sve
vrednosti jedne eksplanatorne prom. u uzorku.
Pretpostavke višestrukog KLRM
1)
E(e)=0, podrazumeva da je očekivana vrednost svake
od komponenti slučajne greške jednaka nuli, tj.
E(εi)=0, za i=1,2,..., n.
2)
E(ee’)=σ2In, gde je In jedinična matrica dimenzija
(nxn). U pitanju je simetrična kovarijaciona matrica:
E 12
E1 2 E1 n 2
2
E E 2
E 2 n 0
Eee' 1 2
2
E1 n E 2 n E n 0
0
2
0
0
0
2In .
2
Pretpostavke višestrukog KLRM
(nastavak)
Prema pretpostavci 2) sve komponente slučajne greške
modela poseduju istu varijansu (σ2), dok je kovarijansa
Između svake dve slučajne komponente jednaka nuli,
E(εiεj)=0, za i≠j.
- Ovim su definisane homoskedastične i
neautokorelisane greške (sferične greške).
3) e: N(0, σ2In), vektor slučajnih greški poseduje
višedimenzionu normalnu raspodelu sa vektorom srednje
vrednosti nula (prva pretpostavka) i kovarijacionom
matricom σ2In (druga pretpostavka).
- Kako su komponente u slučajnom vektoru nekorelisane i
svaka od njih normalno raspodeljena, sledi da je i Y slučajna
prom. sa višedimenzionom N raspodelom (veza Y i e je linearna).
Pretpostavke višestrukog KLRM
(nastavak)
4) Elementi matrice X su nestohastički sa fiksim
vrednostima u ponovljenim uzorcima.
- Objašnjavajuće promenljive sadžane u matrici X nisu
slučajne promenljive.
5) Matrica X, dimenzija (n x k), k<n, je ranga k.
- Isključuje se mogućnost da postoji tačna linearna
kombinacija između objašnjavajućih promenljivih.
- U tom slučaju bi se proizvoljna od k kolona mogla
izraziti kao tačna linearna kombinacija preostalih kolona,
odnosno rang matrice X bi bio manji od k.
- Tada matrica (X’X) postaje singularna, tako da nije
moguće odrediti njenu inverznu matricu, a time ni
vektor ocena B.
Primena metoda ONK
Primenom metoda ONK dobijaju se najbolje linearne
nepristrasne ocene.
Vektor originalnih vrednosti y se može zapisati kao zbir
objašnjenih i neobjašnjenih vrednosti modelom:
y Xˆ e ,
Da bismo dobili ocene parametara β1, β2,..., βk potrebno je
da odredimo minimum rezidualne sume kvadrata:
'
ˆ
ˆ yý 2 ˆ ' X ' y ˆ ' X' Xˆ ,
e
e
'
e
y
X
y
X
i1
n
2
i
u odnosu na ocene parametara β1, β2,..., βk.
Primena metoda ONK (nastavak)
Izvođenje ocena....
Vektor ocena je:
b1
b
b 2 ( x' x) 1 ( x' y ).
bk
Određivanje standardnih grešaka
ocena u višestrukom modelu
U višestrukom modelu ocene varijanse σ2 je:
ˆ 2 s 2
e' e
nk
U višestrukom modelu ocene varijansi
vektora ocena je:
var(b) sb2 s 2 x' x
1
Specifičan tip t-testa: t-odnos
Kao i u slucaju jednostavnog modela, i u višestrukoj
regresiji se koristi test-statistika oblika:
test statistika
bi i *
: t (n k ).
sbi
Pretpostavimo da je hipoteza od interesa:
H0: βi = 0, H1:βi ≠ 0 i=1,2,...,k.
U uslovima validnosti nulte hipoteze test-statistika je:
test statistika
bi
: t (n k ).
sbi
Buduci da je u pitanju kolicnik ocene i odgovarajuce
standardne greške te ocene, ova statistika se naziva todnos. Na ovaj način se proverava značajnost pojedinačnog
uticaja svake od objašnjavajucih promenljivih na zavisnu
promenljivu.
Korelacija u jednostavnom i višestrukom
(dvostrukom) modelu
Za jednostavni model važi:
sx
sx
ˆ
rxy b .
sy
sy
U višestrukom modelu sa npr. dve objašnjavajuće
promeljive X1 i X2, važi da koeficijent parcijalne
korelacije između Y i X1 (koeficijent prvog reda ili
koef. korelacija po odbitku uticaja X2) odgovara
znaku ocenjenog regresionog koeficijenta b1:
r
Objasniti...
YX 1 X 2
r
YX 1
r YX
1 r YX
2
2
r
X1X 2
1 rX X
.
2
2
1
2
Koeficijent determinacije dvostrukom
modelu
Ukupne varijacije se i u dvostrukom modelu mogu
zapisati kao:
2
2
n
_
_
Yi Y Y Y
i 1
i 1
n
ukupne var ijacije
e
2
i
i 1
neobjaš. var ijacije
Koeficijent determinacije R2 deo ukupnih varijacija
zavisne promenljive objašnjen kretanjem svih
nezavisnih promenljivih, odnosno za dve
objapnjavajuće promenljive definiše se kao:
R2
2
i1 y i
n
n
i 1
objaš. var ijacije
n
Pokazati...
2
i
y
b1 i 1 x1 iy i b2 i 1 x2 iy i
n
n
n
i 1
2
i
y
.
Korelacija u jednostavnom i višestrukom
(dvostrukom) modelu
Za jednostavni model važi:
sx
sx
ˆ
rxy b .
sy
sy
U višestrukom modelu sa npr. dve objašnjavajuće
promeljive X1 i X2, važi da koeficijent parcijalne
korelacije između Y i X1 (koeficijent prvog reda ili
koef. korelacija po odbitku uticaja X2) odgovara
znaku ocenjenog regresionog koeficijenta b1:
r
Objasniti...
YX 1 X 2
r
YX 1
r YX
1 r YX
2
2
r
X1X 2
1 rX X
.
2
2
1
2
Koeficijent determinacije dvostrukom
modelu
Ukupne varijacije se i u dvostrukom modelu mogu
zapisati kao:
2
2
n
_
_
Yi Y Y Y
i 1
i 1
n
ukupne var ijacije
e
2
i
i 1
neobjaš. var ijacije
Koeficijent determinacije R2 deo ukupnih varijacija
zavisne promenljive objašnjen kretanjem svih
nezavisnih promenljivih, odnosno za dve
objapnjavajuće promenljive definiše se kao:
R2
2
i1 y i
n
n
i 1
objaš. var ijacije
n
Pokazati...
2
i
y
b1 i 1 x1 iy i b2 i 1 x2 iy i
n
n
n
i 1
2
i
y
.
Ograničenja u primeni R2 kao pokazatelja
kvaliteta regresije
1.
R2
se uvek povećava sa dodavanjem
objašnjavajućih promenljivih:
Regresija 1: yi = β0 + β1x1i + β2x2i + εi
Regresija 2: yi = b0 + β1x1i + β2x2i + β3x3i + εi
novih
R2 će uvek biti veći u regresiji 2, bez obzira na to kakva je
eksplanatorna snaga nove objašnjavajuće promenljive.
To je sasvim jasno iz sledećeg izraza za R2 preko tri
jednostavna koeficijenta korleacije:
R2
r
2
YX 1
rYX 2 rYX
2
2
1 rX X
1
2
1
2
r r
YX 2
X1 X 2
ry2x1 .
Ograničenja u primeni R2 kao pokazatelja
kvaliteta regresije (nastavak)
-
Odnosno, izraženo preko parcijalnih koeficijenata
korelacije:
R 2 r YX 1 r YX
2
1
2
1
r
2
YX 2 X1
,
2. R2 je krajnje nepouzdan pokazatelj u regresionoj
analizi vremenskih serija kada vrednost, na
primer 0.999, ne mora nužno pokazivati ništa.
Ograničenja u primeni R2 kao pokazatelja
kvaliteta regresije (nastavak)
-
Odnosno, izraženo preko parcijalnih koeficijenata
korelacije:
R 2 r YX 1 r YX
2
1
2
1
r
2
YX 2 X1
,
2. R2 je krajnje nepouzdan pokazatelj u regresionoj
analizi vremenskih serija kada vrednost, na
primer 0.999, ne mora nužno pokazivati ništa.
Korelacija u višestukom KLRM
Uopštenjem za polazni model sa ukupno k parametara
(k-1 parametrom parcijalnih nagiba i sl. članom),
koeficijent determinacije R2 se izračunava kao:
n
R
2
i 1
n
i 1
2
yi
y
2
i
b1 i 1 x1i yi b 2 i 1 x 2i yi ... b k 1 i 1 x k 1i yi
n
n
n
n
i 1
y
2
i
.
Korigovani koeficijent determinacije R2
Koriguje se koeficijent determinacije sa ciljem dobijanja
pokazatelja koji se neće neopravdano povećavati sa
rastom broja objašnjavajućih promenljivih.
Novi pokazatelj: korigovani koeficijent determinacije R 2
R2 1
R 2 1
e
2
i
i
2
Y
Y
i i
ei2 /(n k )
i
2
_
i Yi Y /(n 1)
1
n 1
1 R2
nk
Korigovani koeficijent determinacije je uvek manji od
običnog koeficijenta determinacije. Koeficijenti su
jednaki samo za jednostavni model bez slobodnog
člana.
Korigovani koeficijent determinacije R2
Koriguje se koeficijent determinacije sa ciljem dobijanja
pokazatelja koji se neće neopravdano povećavati sa
rastom broja objašnjavajućih promenljivih.
Novi pokazatelj: korigovani koeficijent determinacije R 2
R2 1
R 2 1
e
2
i
i
2
Y
Y
i i
ei2 /(n k )
i
2
_
i Yi Y /(n 1)
1
n 1
1 R2
nk
Korigovani koeficijent determinacije je uvek manji od
običnog koeficijenta determinacije. Koeficijenti su
jednaki samo za jednostavni model bez slobodnog
člana.
Kriterijumi za izbor optimalnog skupa
objašnjavajućih promenljivih
Skup promenljivih koji maksimizira vrednost
korigovanog koef. determinacije, u isto vreme
minimizira s2.
Navedeno je posledica relacije:
2
_ 2
y
i
2
s 1 R
.
n 1
Kriterijumi za izbor optimalnog skupa
objašnjavajućih promenljivih (nastavak)
Informacioni kriterijum je zbir dve komponente koje
različito reaguju na promenu broja parametara modela (K):
IC(K) = ln(s2) + g(K/n).
Model sa najmanjom vrednošću IC je optimalan uz
uslov da su valjane sve pretpostavke KLRM
AIC – Akaikeov informacioni kriterijum (g=2)
SC – Švarcov informacioni kriterijum (g=ln(n))
HQC – Hana-Kvinov kriterijum (g=2lnln(n)).
Testiranje opštih linearnih
ograničenja na parametre
1)
2)
Ekonomski kriterijumi često zahtevaju da koeficijenti u
ocenjenom modelu zadovoljavaju izvesna ograničenja (npr.
konstantni prinosi u Cobb-Douglasovoj funkciji; odsustvo
iluzije novca (zbir elastičnosti tražnje s obzirom na nominalni
dohodak i cene je jednak nuli i sl.)).
Dva alternativna postupka:
Oceniti f-ju ne vodeći računa o ograničenjima, a
zatim testirati da li ocenjeni koeficijenti zadovoljavaju
zahtevane restrikcije.
Oceniti model sa inkorporiranim ograničenjima, a
zatim testirati značajnost razlike između ocena takvog
modela (pod ograničenjem) i modelom bez
ograničanje.
Testovi linearnih ograničenja na parametre
Pri testiranju jednog ograničenja
(jednostavna nulta hipoteza) koristi
se t-test.
U slučaju testa više ograničenja
(kad je nulta hipoteza složena) Fstatistika.
Prvi postupak testiranja: jedno
ograničenje
Jedno postavljeno ograničenje:
H0: RB=q ; H1: RB≠q,
gde je R’ vektor konstanti specifikovanih da
odgovaraju ograničenju, a q poznata konstanta.
Npr. Hipoteza o konstantnim prinosima
(β1+β2=1) u Cobb-Douglasovoj f-ji Q=β0Kβ1Lβ2
se definiše:
R=[1 1], B’=[β1 β2], q =1.
Prvi postupak testiranja: t-test
Testiranje jednog linearnog ograničenja
Ukoliko je potrebno testirati samo jedno
ograničenje na parametre modela (g=1), kao
alternativa t-testu, može se koristiti F1n-k raspodela.
Posmatramo nultu hipotezu kojom se tvrdi da je
istinito linearno ograničenje oblika:
H0 : r0 0 r11 rk 1k 1 RB q.
Alternativna hipoteza je:
H1 : r0 0 r11 rk 1k 1 RB q,
pri čemu su parametri r0, r1, ..., rk-1 poznati.
Primenom metoda ONK dobijajnu se ocene b0,
b1,..., bk-1 i obrazuje se ocena linearne kombinacije
prema nultoj hipotezi:
r0b0 r1b1 rk 1bk 1 q .
Testiranje jednog linearnog ograničenja
(nastavak)
Standardna greška linearne kombinacije dobija se
kao:
s q R' s 2 X ' X
2
1
R.
Skalarni oblik ove ocene varijanse je:
2 2
2 2
2
2
s q r0 sb0 r1 sb1 rk 1sk 1 2r0 r1 covbo , b1 2rk 2 rk 1 covbk 2 , bk 1 .
2
Nulta hipoteza se testira na osnovu tn-k raspodele:
tn k
q q
.
s q
Testiranje g ograničenja
F test statistika za proveru tačnosti H0: RB=q
(test Wald-ovog tipa):
RB q RX
'
g
nk
F
'
1
X R
e'e / g
'
1
RB q) / g .
Nije uvek jednostavno da se izračuna, te se u
praksi koristi (tj. drugi postupak testiranja):
g
nk
F
ee
e' e / g n k R 2 Ro2
.
2
e e / n k
g
1 R
'
o o
'
Drugi postupak testiranja: složenija
ograničenja
Za višestruki linearni model: Y=XB+e, može se govoriti
o opštim lineranim ograničenjima.
Nulta i alternativna hipoteza se definišu na sledeći
način:
H0: RB=q ; H1: RB≠q,
gde je R poznata matrica tipa (g x k) i ranga g (g je
broj ograničenja), a q je vektor poznatih vrednosti
dimenzije g x 1.
Npr. ukoliko u je modelu sa tri objašnjavajuće promenljive
g=2, odnosno testiramo dva ograničenja(β1=β2 i β3=0), tada
su u nultoj hipotezi:
1 1 0
R
;
0 0 1
B 1
'
2
3 ;
0
q .
0
Drugi postupak testiranja: F-test
Distinkcija između nulte i alternativne hipoteze:
H0: RB=q ; H1: RB≠q,
vrši se pomoću sledeće F statistike:
g
n k
F
ee
e' e / g n k R 2 R o2
,
2
e e / n k
g
1 R
'
o o
'
gde se oznaka (O) odnosi na model sa ograničenjem, dok
se za model bez ograničenja ponekad koristi oznaka (B),
g je broj ograničenja.
Na ovaj način se testira važenje većeg broj ograničenja
(značajnost podskupa parametara modela predstavlja
specijalan slučaj ovog testa).
Ocene dobijene metodom ONK
modela pod ograničenjem
Metod ONK pod ograničenjem dobijaju se
NLNO (bez dokaza)!
E(b*)=β, odnosno ocena je nepristrasna
ukoliko važi nulta hipoteza.
Pri tome:
varb * varb
Ocene dobijene metodom ONK modela pod
ograničenjem daje manje varijanse
ocenjenih parametara nego ocena bez
ograničenja.
Primer
Ako je Cobb-Douglasova proizvodna funkcija oblika
Y=β0Kβ1Lβ2 eu, gde je Y proizvodnja, K kapital i L rad,
ocenjena na bazi podataka za SAD za period 1Q19601Q1991 (primer: Asteriou and Hall, 2011):
log Yˆ 4.514 0.383 log K 0.624 log L
(0.008)
T=125
(0.088)
R 2 0.968;
e e
2
2
B
0.3315.
Primer (nastavak)
a)
b)
c)
d)
e)
Testirati statističku značajnost pojedinačnog uticaja
rada i kapitala na proizvodnju, na nivou značajnosti
α = 0,05.
Testirati statističku značajnost istovremenog uticaja
objašnjavajućih promenljivih na zavisnu, na nivou
značajnosti α = 0,05.
Testirati hipotezu da rad i kapital ostvaruju jednak
efekat na kretanje proizvodnje.
Testirati hipotezu da rad ostvaruje dvostruko manji
efekat na kretanje proizvodnje u odnosu na kapital.
Testirati hipotezu da su u datoj grani industrije
prinosi konstantni (β1+β2=1). Predložiti
pojednostavljenje funkcije ako se ocenjuje pod datim
ograničenjem.
Primer: CD funkcija (nastavak)
Model bez ograničenja:
logYˆ 4.514 0.383log K 0.624log L
(0.008)
(0.088)
R 2 0.968;
2
2
e
e
B 0.3315.
Model ocenjen pod ograničenjem (pod e)H0: β1+β2=1):
(log Yˆ log L) 4.533 0.3834(log K log L)
R 2 0.9593; e02 0.331516.
(0.007116)
Rezultat Wald-ovog testa:
t-statistic
F-statistic
0.082798
122
0.006855 (1, 122)
0.9341
0.9341
Testiranje stabilnosti ocena
Implicitna pretpostavka regresione analize
odnosi se na stabilnost parametara
(nepromenjivost za sve opservacije u uzorku).
Analiza stabilnosti parametara potrebna je kao
provera pouzdanosti modela u predviđanju.
Za ispitivanje stabilnosti ocena koristi se Fstatistika testa (složena hipoteza) - dve verzije
Chow testa.
Chow test (prva verzija)
Testira se prisustvo strukturnog loma (preloma) u tački
X*, koja deli uzorak veličine n na dva poduzorka, veličine
n1 i n2 (engl. Chow Breakpoint Test).
Porede se sume kvadrata reziduala dobijene ocenjivanjem
dve odvojene regresije na bazi skupa opservacija n1 i n2,
sa onom dobijenom iz polazne regresije na osnovu svih n
opservacija:
e' e (e1 ' e1 e2 ' e2 ) / g
F
~ F g , n2 n1 2 g ,
(e1 ' e1 e2 ' e2 ) / n1 n2 2 g
pri čemu količnik meri prirast do kojeg dolazi usled
odvojenog ocenjivanja (ako je ovaj prirast značajan, zbir dve
odvojene sume reziduala je manji od ukupne).
Zaključak: opravdano je oceniti dve odvojene regresije, tj.
parametri su nestabilni.
Chow test (druga verzija)
Pretpostavimo da je prvobitni uzorak n1, a za period
predviđanja imamo još dodanih n2 opservacija (ukupno
n=n1+n2), engl. Chow Forecast Test.
Nulta hipoteza da su reg. parametri ostali nepromenjeni i u
proširenom modelu:
H0: B1=B,
testira se ispitujući značajnost rezidualne sume kvadrata iz
proširenog (e’e) i prvobitnog uzorka (e1’e1).
F
e' e e1 ' e1 / n2
e1 ' e1 / n1 k
~ F n2 , n1 k .
Rekurzivna regresija
Postupak se sastoji iz sledećih koraka:
-
Regresiona jednačina sa k parametara za ocenjivanje se
ocenjuje počevši od prvih k opservacija.
-
Svaki put se dodaje po još jedna opservacija i postupak
ponavlja dok nisu iskorišćene sve opservacije (n-k koraka).
-
U svakom koraku se ocenjuje sledeća očekivana vrednost
zavisne promenljive i računa rekurzivni rezidual (razlika
stvarne i ocenjene vrednosti zavisne promenljive).
Rekurzivna regresija
1)
2)
3)
Analiza stabilnosti koja se zasniva na primeni NK:
Rekurzivni reziduali – ucrtavaju se oko nulte linije za
svaku iteraciju , plus i minus dve st. greške. Reziduali izvan
ovih granica sugerišu nestabilnost modela.
CUSUM test (obe verzije) – zasniva se na kumulativnoj
sumi svih prethodnih rekurzivnih reziduala, deljenih
njihovom dotadašnjom standardnom greškom. Ako vektor
parametara ne ostaje konstantan u celom uzorku (istupa
izvan granica), parametri su nestabilni.
Rekurzivni koeficijenti -polazi se od regresije sa min.
brojem k-opservacija, pa se sve više opservacija uključuje u
uzorak. Pojedinačni koeficijenti su dati uz pojas od plus i
minus dve st. greške. Značajne varijacije ocenjenih
koeficijenata pri dodavanju novih varijacija ukazuju na
nestabilnost.