|
|||||||
АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Последствия автокорреляции. При применении МНК обычно выделяются следующие последствия автокорреляции:При применении МНК обычно выделяются следующие последствия автокорреляции: 1. Оценки параметров, оставаясь линейными и несмещенными, перестают быть эффективными. Следовательно, они перестают обладать свойствами наилучших линейных несмещенных оценок. 2. Дисперсии оценок являются смещенными. Часто дисперсии, вычисляемые по стандартным формулам, являются заниженными, что влечет за собой увеличение t-статистик. Это может привести к признанию статистически значимыми объясняющие переменные, которые в действительности таковыми могут и не являться. 3. Оценка дисперсии регрессии S2e является смещенной оценкой истинного значения σ2, во многих случаях занижая его. 4. В силу вышесказанного выводы по t- и F-статистикам, определяющим значимость коэффициентов регрессии и коэффициента детерминации, возможно, будут неверными. Вследствие этого ухудшаются прогнозные качества модели.
Вектор остатков e=Mε при наличии автокорреляции возмущений имеет следующие основные количественные характеристики: E(e)=0,. В этом случае, что приводит к нарушению свойства несмещенности оценки дисперсии возмущения.
35. Алгоритм теста Дарбина-Уотсона на наличие (отсутствие) автокорреляции случайных возмущений. Формальной причиной автокорреляции в регрессионных моделях является нарушение третьего условия теоремы Гаусса-Маркова, действительной же причиной может быть: неправильная спецификация переменных (пропуск важной объясняющей переменной); использование ошибочной функциональной зависимости, а иногда и характер наблюдений (например, временные ряды), ошибка измерений. Для проверки на автокорреляцию используется ряд критериев, из которых наиболее широкое применение получил тест Дарбина-Уотсона, основанный на вычислении статистики DW: 1.оценка модели и вычисление остатков; 2. вычисление статистики DW: 3.выбор табличных значений границ критического значения статистики(по параметрам n, k, α): du – верхняя граница критического значения статистика Дарбина-Уотсона , dL - нижняя граница критического значения статистика Дарбина-Уотсона 4.определение интервала, в который попадает вычисленное значение статистики DW. · Наличие положительной автокорреляции: DW<dL. · Наличие отрицательной автокорреляции: DW >4-dL. · Автокорреляция отсутствует(равна нулю): dU≤ DW≤ 4-dU. · Зоны неопределенности: dL<dw<dUили 4- dU<dw<4-dL. Поскольку коэффициент корреляции принимает значения -1<=r<=1 то для значений статистики DW выполняется неравенство 0<=DW<=4. При отрицательной автокорреляции можно видеть, что положительные значения имеют тенденцию следовать за отрицательными и наоборот. При положительной автокорреляции положительные значения чаще следуют за положительными, а отрицательные за отрицательными. При больших ρ процесс становится нестационарным, приближаясь к случайному блужданию. С ρ = 0.9 последовательность значений с одним знаком становится длинной, а тенденция возврата к 0 слабой. Устранение автокорреляции.
, . Пусть случайные отклонения подвержены воздействию авторегссии первого порядка Автокорреляция AR(1) может быть устранена в лаговых моделях. Для этого нужно умножить уравнение для yt-1наρ и вычесть из yt. Случайный член (инновация) не является автокоррелированным. Проблема автокорреляции устранена. Однако данный способ приводит к потере первого наблюдения (если мы не обладаем предшествующим ему наблюдением). Число степеней свободы уменьшится на единицу, что при больших выборках не так существенно, но при малых выборках может привести к потере эффективности. Эта проблема обычно преодолевается с помощью поправки Прайса-Уинстона: , . Аналогично устраняется влияние автокорреляции в множественной регрессионной модели. Поиск по сайту: |
Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Студалл.Орг (0.003 сек.) |