Оглавление:
Автокорреляция как следствие неправильной спецификации модели
- Автокорреляция как неточный результат Технические характеристики модели Автокорреляция модели регрессии формально обусловлена зависимостями Между значениями выборки случайных членов. Но этот вопрос можно рассмотреть Для того, чтобы расслабиться.
- Причина случайных терминов Или неточные характеристики модели. Например, Использование объясняющих переменных или неуместной математики Функция (см. Раздел 2.1). Поэтому автокорреляция часто Спецификация модели неверна. Видимо в этом случае лучше, чем использование мю, механическая процедура «исправить» Попробуйте устранить ошибки спецификации напрямую.
Конечно обычный Тем не менее, лучше устранить причину, чем симптомы. Людмила Фирмаль
Автокорреляция, вызванная мошенничеством Указание переменных Явная автокорреляция может быть вызвана отсутствием важных объяснений. Переменный. Как только эта переменная определена, ситуация может быть исправлена. Включено отдельно. (Пример приведен в упражнении 10.4.) Другая причина С учетом того, что структура модели не учитывается, я включаю.
Общая задержка Кокрейн — метод Оркатта является эффективным методом. Отражает структуру отставания ранее статической модели. Могут быть рекомендованы более общие характеристики. мы Мы обнаружили, что если модель (7.21) имеет автокорреляцию, ее можно удалить 229 Парная регрессия для преобразования модели в форму (7.27).
Возможно Перепишите это так: y, = <x (1-p) + p} ^, + Px, -Ppx, ! + е. (7,34) Фактически мы оцениваем регрессионную зависимость yt от yt {, xt, xt_v. Возбудить судебное преследование, состоящее из требований равенства для коэффициента произведение коэффициентов двух других переменных справа от xt_x Уравнение. Уравнение нелинейно по параметрам, поэтому Оцените, используя OLS.
Вместо этого примените метод Cochrane — Orcatta или другой аналогичный метод оценки, Сущность, нелинейная регрессия. В общем, нет права требовать это ограничение заранее Это было оправдано. Кроме того, вы должны проверить все ограничения в максимально возможной степени. Это возможно, и в этом случае это не сложно выполнить.
Мы представим другой Модель ограничения: Y, = * o + V / -i + * A + \ A-1 + yy O7-35) Проверьте, если ^ 3 равно -‘k ^. Если это ограничение не отрицается, Принимает предположение, что модель хорошо представлена в формуле В (7.20) и (7.21) продолжают оценивать его параметры, используя методы Кокран — Оркатта или другой аналогичный метод.
Когда ограничение отказано Однако регрессия (7.35) оценивается напрямую с использованием нормальных методов. МНБ. Если оптимальная спецификация модели (7.35) Тогда откажитесь от гипотезы случайных членов Определяется по авторегрессионному процессу (7.21) и критерию Дарбина-Ватсона Не может применяться к регрессионной оценке (7.20).
Еще он Полезно для диагностических целей, часто первые признаки Существование проблем в исходной регрессии не является статистикой, Очень близко к двум. Теоретическое положение, оправдывающее данную процедуру Чеки здесь не отображаются (суммировано в работе Д. Хендри) И Г. Мисон [Hendri, Mison, 1978]). В этом случае тест Tisutika TloglRSSt / RSSu), (7.36) Где RSSR и RSSy — это суммы квадратов необъяснимых отклонений.
- Ограниченные и неограниченные варианты. логарифм Количество наблюдений в базе e и T-образце. С большим образцом Базовая статистика — это числовое распределение y} Степень свободы равна числу наложенных ограничений. Могут возникнуть вопросы о количестве наложенных ограничений.
В этом случае Было только одно ограничение: X3 -X {\ 2. При наличии описания Количество переменных пределов также равно k. Формат модели следующий: *, = A + RL, + «. + RL, +»,. <7-37) 230 Где ut — модель, сформированная и преобразованная на основе соотношения (7.20) Это выражается следующей формулой. y, = a (1-p) + p, _ {+ p, (xi-p * „,) + … + p * (xkt-pxkt {) + r„ (7.38) Следовательно, существует предел для каждой объясняющей переменной.
Одна объясняющая переменная была использована для анализа исходной модели. Людмила Фирмаль
Коэффициент запаздывания перехода равен Должен быть равен продуктам со знаком минус коэффициента Текущее значение этой переменной и коэффициент при yt_v случай Конвертировано Кокрановским методом — логарифмическая регрессия по методу Орката Расходы на жилье, располагаемый личный доход и родственников.
Формат цены следующий (стандартная ошибка показана в скобках): log >>, = 4.47+ 0,40 log *, -0,26 log /> ,; (7.39) (1,05) (0,11) (0,14) R2 = 0,9994; RSS = 0,0014; р = 0,98; d = 1,93. Результат оценки регрессии с использованием метода наименьших квадратов без учета ограничений (7.34) Представлено язь: logyt = 0,73 + 0,87 log j, , + 0,22 logx, — (Ко.) (0,48) (0,06) (0,09) -0.1 1 logx, , -0.19log />, +0.01 log />, _ ,; (7.40) (0,11) (0,14) (0,17) R2 = 0,9997; RSS = 0,0008; d = 2,27; h = -0,67.
Рассмотрите это уравнение перед применением общего факторного теста. мы Получите оценочное значение p из коэффициентов log >> и . Является ли коэффициент реальным Равно примерно в 0,87 раз коэффициент log xt { Коэффициенты log xt и log px_ приблизительно равны { -0,87 log /? ,? Понятно, хотя бы изначально Посмотрите. Статистика, на которой основаны критерии, рассчитывается следующим образом: 241og (0,0014 / 0,0008), 13,4. 2 градуса y} критическое значение.
Штраф при уровне значимости 1% составляет 9,2 (см. Таблицу А.4). К следующему Конечно, ограничения допускают разумные отклонения (но в то же время Не забудьте использовать этот тест только для больших масштабов Образец). Дополнительные доказательства в поддержку формулы (7.40) Тест показывает, что нет статистически значимой автокорреляции Вы.
Запуск / -теста по коэффициентам уравнения без В ограничении вы можете видеть, что только одна переменная запаздывания (log yt_ {) имеет значительный коэффициент. Это означает, что две другие задержки могут быть опущены. Наш участник. Если вы делаете это и переоцениваете регрессию (используйте ее снова Обычный МЖС), тогда получим: Yy = 0,49 + 0,85 ogy, x + 0,151ogx, -0,161ogx, (7,41) (Соединение) (0,38) (0,04) (0,05) (0,07) R2 = 0,9996, RSS = 0,0008, d = 1,94, h = 0,16.
Там нет статистически значимой автокорреляции. Вывод: произношение Автокорреляция в первоначальной регрессии между стоимостью жилья и доходом Дом и цена на самом деле пропустить изменения, зависящие от лагов Ной. резюме В связи с анализом вам следует знать о следующих случаях:
Регрессия дает ВЧ статистику, которая четко показывает автокор Прежде всего, вам нужно выполнить общий факторный тест. Cochrane — используйте как преобразование Orcatt, так и версию без огней Ограничить. Если пределы не отклоняются, результаты должны соблюдаться Кокран — тата, полученная методом Оркатта. Если вы отклоняетесь, Сосредоточьтесь на вариантах без ограничений и попробуйте создать новые Идеально подходит.
Например, не нужно сохранять все лаги ремень Автокорреляция из-за ошибок Функциональные характеристики Автокорреляция остатков регрессии может произойти, если неправильно Функциональная спецификация уравнения регрессии. Например, раздел 4.1 Если истинная модель имеет вид: )> = Cx + — + и (7,42) Затем оцените линейную регрессию, чтобы получить результат. Рисунок 4.1 и таблица.
4.2: отрицательный остаток при первом наблюдении, Следующие 6 псевдо и последние 6 отрицательных остатков 3. Другими словами, очень сильный положительный автокорд Реляционная. Однако, если регрессия принимает форму $ = a + bx \ (7,43) Где х определяется как 1 / х, и достигается не только гораздо лучшее качество Оценить, но без автокорреляции.
Самый прямой способ обнаружения автокорреляции из-за ошибок 232 Функциональная спецификация, прямой обзор Рений остаток. Это может дать вам конкретное представление о правильном пути. Quote, ^ / -Durbin — статистика Уотсона также может быть сигнализирована Неверная функциональная спецификация Исходя из этого, проверка будет необоснованной, поскольку случайные члены не соответствуют.
Используйте методы типа в соответствии с процессом, описанным в выражении (7.21) Кокрейн — Оркатта неуместна. В приведенном выше примере ^ / -Дурбин-Уотсон статистика показывает ошибку в 0,86 Я забочусь упражнения 7,11. В упражнении 6.9 ^ / — статистика для шести уравнений была: ми: Город L (1) 1,18; (2) 1,42; (3) 1,98; Город B (1) 2,28; (2) 0,76; (3) 2,13.
Рассмотрим поведение статистики РФ с учетом ответов на поставленные задачи. Твитнул в упражнении 6.9. 7,12. Функция преобразования спроса Формат Cochrane-Orcatta выглядит следующим образом (стандартная ошибка показана в скобках) ки): log >>, = 3.11 +0.69 logx, -0.61 log /? ,; (0,55) (0,04) (0,14) R2 = 0,9930; RSS = 0,0033; d = 1,93.
Неограниченные варианты: log yt = 0,94 + 0,54 log yt_x + 0,56 log x, — (Ко) (0,59) (0,15) (0,17) -0,28 log x, , -0,68 log /? , + 0,55 log />, _ ,; (0,20) (0,13) (0,13) R2 = 0,9949, RSS = 0,0024, d = 2,20. Анализируя значения коэффициентов, полученные из двух уравнений, Заполните общий фактор теста. 7,13. Предположим, что модель подвержена автокорреляции Поскольку это первый порядок, его можно выразить уравнением (7.34). Почему бы не использовать уравнения регрессии MNC?
Смотрите также:
Если вам потребуется помощь по эконометрике вы всегда можете написать мне в whatsapp.
