Автокорреляция: причины, последствия
Предпосылки: отсутствие тесной взаимосвязи. H0: нету автокорреляции. Cov( t ; частный случай: Cov( . Автокорреляция или или последовательная корреляция определяется как корреляция между наблюдаемыми показателями, упорядоченными по времени. (Чаще при временных рядах) Постоянная направленность воздействия не включаемых в уравнение переменных является наиболее частой причиной положительной автокорреляции.
Cov( .
Отрицательная автокорреляция означает, что за положительным отклонением следует отрицательное и наоборот. Основные причины, вызывающие появление автокорреляции: 1. Ошибки стратификации (в модели не учтена важная объясняющая переменная или выбрана не верная форма зависимости). 2. Инерция (связана с цикличностью экономических показателей). 3. Эффект паутины. 4. Сглаживание данных (использование усреднённых показателей). Последствия автокорреляции: 1. Оценки остаются линейными и несмещёнными, но перестают быть эффективными. 2. Дисперсии оценок являются смещёнными, часто заниженными => t-статистика завышена. 3. Оценка дисперсии ошибок является смещённой и часто заниженной. 4. Неверные выводы по t- и f-статистикам.
Методы обнаружения автокорреляции Рассмотрим возможные методы определения автокорреляции. 1. Графический метод Существует несколько вариантов графического определения автокорреляции. Один из них, увязывающий отклонения et с моментами t их получения (их порядковыми номерами i), приведен на рис. Это так называемые последовательно-временные графики. В этом случае по оси абсцисс обычно откладываются либо момент получения статистических данных, либо порядковый номер наблюдения, а по оси ординат отклонения εt (либо оценки отклонений et). Естественно предположить, что на рис. а — г имеются определенные связи между отклонениями, т.е. автокорреляция имеет место. Отсутствие зависимости на рисунке д, скорее всего, свидетельствует об отсутствии автокорреляции. Метод рядов Последовательно определяются знаки отклонений еt. Например, (-----)(+++++++)(---)(++++)(-), т. е. 5 “-“, 7 "+", 3 “-“, 4 "+", 1 "-" при 20 наблюдениях. Ряд определяется как непрерывная последовательность одинаковых знаков. Количество знаков в ряду называется длиной ряда. Визуальное распределение знаков свидетельствует о неслучайном характере связей между отклонениями. Если рядов слишком мало по сравнению с количеством наблюдений n, то вполне вероятна положительная автокорреляция. Если же рядов слишком много, то вероятна отрицательная автокорреляция. Для более детального анализа предлагается следующая процедура. Пусть n - объем выборки; n1 - общее количество знаков при n наблюдениях (количество положительных отклонений et); n2 - общее количество знаков "—" при n наблюдениях (количество отрицательных отклонений et); к - количество рядов. При достаточно большом количестве наблюдений (n1 > 10, n2 > 10) и отсутствии автокорреляции случайная величина k имеет асимптотически нормальное распределение с Тогда, если M(k) - uα\2*D(k) < k < M(k) + uα/2*D(k), то гипотеза об отсутствии автокорреляции не отклоняется. Тест Дарбина-Уотсона Предполагаем, что случайная последовательность образует авторегрессионный процесс 1-го порядка, т.е. удовлетворяет рекуррентному соотношению: (2-го порядка: ), где -последовательность независимых нормально распределенных случайных величин с - некоторый параметр, называемый коэффициентом авторегрессии; - положительная автокорреляция; иначе – отрицательная. H0: H1:
На практике вместо коэффициента корреляции используется статистика Дарбина-Уотсона: Очевидно, что эта статистика связана с коэффициентом корреляции R: Критическое значение DW зависит от n, k и (уровень значимости) и всей матрицы X. Выводы по тесту Д-У: На практике применение критерия Дарбина — Уотсона основано на сравнении величины с теоретическими значениями и для заданных числа наблюдений , числа независимых переменных модели и уровня значимости . 1. Если , то гипотеза о независимости случайных отклонений отвергается (следовательно, присутствует положительная автокорреляция); 2. Если , то гипотеза не отвергается; 3. Если , то нет достаточных оснований для принятия решений. Когда расчетное значение превышает 2, то с и сравнивается не сам коэффициент , а выражение . Также с помощью данного критерия выявляют наличие коинтеграции между двумя временными рядами. В этом случае проверяют гипотезу о том, что фактическое значение критерия равно нулю. С помощью метода Монте-Карло были получены критические значения для заданных уровней значимости. В случае, если фактическое значение критерия Дарбина — Уотсона превышает критическое, то нулевую гипотезу об отсутствии коинтеграции отвергают. Ограничения при использовании: 1) только для тех моделей, которые содержат свободный член; 2) случайные отклонения определяются авторегрессионной схемой первого порядка; 3) статистические данные должны иметь одинаковую периодичность; 4) не применяется для моделей, содержащих в составе объясняющих переменных зависимую переменную с временным лагом 1.
Популярное: Почему человек чувствует себя несчастным?: Для начала определим, что такое несчастье. Несчастьем мы будем считать психологическое состояние... Почему стероиды повышают давление?: Основных причин три... Организация как механизм и форма жизни коллектива: Организация не сможет достичь поставленных целей без соответствующей внутренней... Как распознать напряжение: Говоря о мышечном напряжении, мы в первую очередь имеем в виду мускулы, прикрепленные к костям ... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (3150)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |