A következmények autokorrelációs
1. Igaz autokorrelációs nem vezet eltolódást a regressziós becslések, de a becslések már nem hatékony.
2. Autokorreláció (főleg pozitív) gyakran vezet a csökkenés a standard hibák az együtthatók, amelyek növekedését jelenti a t-statisztika.
3. értékelése diszperziós maradék Se 2 torzított becslést a valódi érték σe 2. Sok esetben megértése.
4. Tekintettel a fenti megállapításokra az értékelés a minőségi tényezők és a modell egészét, hibás lehet. Ez romlásához vezet az előrejelzés, mint egy modell.
16. A kritériumok a diagnózis autokorrelációs Durbin-Watson
A legtöbb ismert kritériumnak elsőrendű autokorrelációs kritérium Durbin-Watson. Statisztikák DWDarbina-Watson (vagy d-statisztika) biztosítja az összes alkalmazás-specifikus számítógépes programok, mint a legfontosabb jellemzője a minőség a regressziós modell. A lényege az, hogy a vizsgálat alapján számított statisztikai DWDarbina-Watson arra a következtetésre jut, hogy van autokorreláció.
Tekintsük az egyenlet formájában regresszió:
ahol k - a független változók száma a regressziós modell.
Minden egyes időpillanatban t = 1. n értéke alapján kerül meghatározásra képlet:
A tanuló a sorozat maradványok egy idősor „ökonometria” fegyelem, lehet építeni egy grafikont az idő függőséget. Összhangban a legkisebb négyzetek módszerével előfeltételeket kell véletlenszerű maradékok (a). Azonban, amikor modellezése idősorait néha előfordul olyan helyzet, ahol a maradékok tartalmaznak egy olyan tendencia, (és) vagy ciklikus oszcillációja (g). Ez azt sugallja, hogy minden további maradék érték függ a korábbiak. Ebben az esetben is van, autokorrelációjának maradványok.
Meghatározási módszerei a autokorrelációs
Az első módszer - korrekt reziduumai idő és vizuális meghatározása az autokorreláció jelenlétét.
A második módszer - kiszámítása a Durbin-Watson teszt.
Ie Durbin-Uotsonaopredelyaetsya kritériumot a összegéhez viszonyított aránya négyzetes különbségek az egymás mellett levő értékekkel négyzetösszegét maradványok. A probléma az ökonometria értéke a Durbin-Watson teszt jelzi, valamint a korrelációs együttható értéke Fisher és Student t-teszt.
17.Metody megszünteti autokorreláció. értékelési eljárások Cochrane-Orcutt és Hildreta-Loup
Tekintettel arra, hogy a jelenléte a regressziós modell önkorrelációs közötti maradékok vezethet negatív eredménye az egész folyamat becslési az ismeretlen együtthatók a modell, nevezetesen:
a) a növekedés diszperziók modell paramétereinek;
b) elmozdulása a kapott becsült OLS;
c) csökkentik a jelentősége a paraméter becslések
autokorrelációjának maradékok meg kell szüntetni.
Ennek fő oka a jelenlétét véletlenszerű tagja a modell nem tökéletes ismerete okairól és kapcsolatokat, amelyek meghatározzák egy bizonyos értéket a függő változó. Ezért, a tulajdonságait véletlenszerű eltérések, beleértve autokorrelációs, elsősorban függ a választott és összetétele a képlet szerinti magyarázó változók.
Mivel autokorreláció gyakran okoz hibás megadása a modell, szükséges mindenekelőtt, hogy javítsa ki a modell maga. Talán hiánya miatt autokorreláció a modellben néhány fontos magyarázó változó. Meg kell próbálni, hogy milyen tényezők és úgy vélik, a regressziós egyenletben. Az is lehetséges, hogy módosítsa a kapcsolat (például lineáris és hiperbolikus t. D.).
Az egyszerűség kedvéért, AR (1) megvizsgálja a pár a lineáris regressziós modell. Ezután megfigyelések t és (t - 1) általános képletnek felel meg, és.
Kivonása az arány a megfigyelési t megfigyelések (t - 1) megszorozzuk a ρ:
Alkalmazza a transzformációs modell:
Ezután az új változók, a modell formáját ölti, amelyben a sokkolt változó nem torzítanak autokorreláció.
Ez a konverzió (D) egy olyan osztályát a dekorreláció szereplők [7]. Ez vezet a veszteség az első nyomon követési (ha nincs előző megfigyelés). A több szabadsági fokkal eggyel csökken, hogy a nagy minták nem olyan fontos, de a kis elvesztéséhez vezethet a hatékonyságot. Ezt a problémát általában megoldható módosítás ár Winstom:
Lehet azt mutatják, hogy abban az esetben, autokorrelációs kovarianciamátrix vektor véletlenszerű eltérések a következő formában:
Az általánosított paraméterek OLS regressziós egyenlet által meghatározott képlettel Aitken:
A gyakorlatban azonban a koefficiens értéke ρ általában ismeretlen, és ki kell értékelni. Számos módszer létezik becslésére p.
1. alapján a Durbin-Watson statisztika. mert ez szorosan kapcsolódik a korrelációs együttható a szomszédos eltérései az arány
2.metod Cochrane-Orcutt. Ez magában foglalja a következő lépéseket:
1. Jelentkezés OLS az eredeti regressziós egyenlet így a kezdeti becslések a paraméterek a0 és a1; számítani maradékok
2. becsült paraméter ρ használni, hogy becslése OLS regresszió.
3. A generalizált OLS a transzformált egyenlet, szerezzen új becsléseket paraméterek a0 és a1.
4. Hozzunk létre egy új vektor a maradékok
Váltakozó szakaszában végzett, míg a kívánt pontosság érhető el, azaz a. E. Amíg a különbség az előző és az azt követő becslések ρ kisebb lesz, mint bármely előre kijelölt számot.
KO eljárás alkalmazása a legtöbb számítógépes programok ekv.
3. Eljárás Hildrata-Lu is alkalmazhatóság regressziós csomagokat. A módszer alapja az azonos elvek, hanem más algoritmust használ a számítástechnika:
1. A transzformált egyenlet kiértékelése minden egyes értékére ρ intervallumban (-1, 1) egy előre meghatározott pályán benne.
2. Pick értéke ρ amelyre a négyzetösszeg a maradékok a transzformált egyenlet minimális, és a regressziós együtthatók meghatározható, ha a transzformált egyenlet segítségével ezt az értéket.
3. A környéken ez az érték van elhelyezve finomabb háló és a kiválasztási folyamatban a legjobb ár-érték ρ végzett, míg a kívánt pontosság érhető el.