КАТЕГОРИЯ:


Астрономия- (809) Биология- (7483) Биотехнологии- (1457) Военное дело- (14632) Высокие технологии- (1363) География- (913) Геология- (1438) Государство- (451) Демография- (1065) Дом- (47672) Журналистика и СМИ- (912) Изобретательство- (14524) Иностранные языки- (4268) Информатика- (17799) Искусство- (1338) История- (13644) Компьютеры- (11121) Косметика- (55) Кулинария- (373) Культура- (8427) Лингвистика- (374) Литература- (1642) Маркетинг- (23702) Математика- (16968) Машиностроение- (1700) Медицина- (12668) Менеджмент- (24684) Механика- (15423) Науковедение- (506) Образование- (11852) Охрана труда- (3308) Педагогика- (5571) Полиграфия- (1312) Политика- (7869) Право- (5454) Приборостроение- (1369) Программирование- (2801) Производство- (97182) Промышленность- (8706) Психология- (18388) Религия- (3217) Связь- (10668) Сельское хозяйство- (299) Социология- (6455) Спорт- (42831) Строительство- (4793) Торговля- (5050) Транспорт- (2929) Туризм- (1568) Физика- (3942) Философия- (17015) Финансы- (26596) Химия- (22929) Экология- (12095) Экономика- (9961) Электроника- (8441) Электротехника- (4623) Энергетика- (12629) Юриспруденция- (1492) Ядерная техника- (1748) Arhitektura- (3434) Astronomiya- (809) Biologiya- (7483) Biotehnologii- (1457) Военни бизнесмен (14632) Висока technologies- (1363) Geografiya- (913) Geologiya- (1438) на държавата (451) Demografiya- ( 1065) Къща- (47672) журналистика и смирен (912) Izobretatelstvo- (14524) външен >(4268) Informatika- (17799) Iskusstvo- (1338) историята е (13644) Компютри- (11,121) Kosmetika- (55) Kulinariya- (373) културата е (8427) Lingvistika- (374) Literatura- (1642) маркетинг-(23702) математиците на (16968) Механична инженерно (1700) медицина-(12668) Management- (24684) Mehanika- (15423) Naukovedenie- (506) образователна (11852) truda- сигурност (3308) Pedagogika- (5571) Poligrafiya- (1312) Politika- (7869) Лево- (5454) Priborostroenie- (1369) Programmirovanie- (2801) производствено (97 182 ) индустрия- (8706) Psihologiya- (18388) Religiya- (3217) Svyaz (10668) Agriculture- (299) Sotsiologiya- (6455) на (42831) спортист строително (4793) Torgovlya- (5050) транспорт ( 2929) Turizm- (1568) физик (3942) Filosofiya- (17015) Finansy- (26596) химия (22929) Ekologiya- (12095) Ekonomika- (9961) Electronics- (8441) Elektrotehnika- (4623) Мощност инженерно ( 12629) Yurisprudentsiya- (1492) ядрена technics- (1748)

автокорелация

Важна предпоставка за изграждане на висококачествени регресионен модел OLS е независимостта на произволни стойности на отклонение отклонения от стойностите, във всички останали случаи. Не зависимостта дава основание на съответствието между всички отклонения, т.е. и по-специално между съседни отклонения ,

Автокорелация (сериен корелация) остатъци се определя като съотношение между съседните стойности на случайни изменения с течение на времето (времеви редове) или в пространството (данни на напречното сечение). Той обикновено се намира във времевия ред, и много рядко - в масива от пространствени данни. Икономическите проблеми много по-често положителна автокорелация Than отрицателна автокорелация ,

Най-често се причинява от положителна автокорелация насочено постоянното влияние на някои фактори, които не отчитат в регресията. Например, в проучването на търсенето от страна на безалкохолни напитки, в зависимост от тенденцията на приходите в х зависимостта на наложеното промени в търсенето в летните и зимните периоди. Подобен модел може да се появи в макро-икономически анализ, като се отчита бизнес цикъла.


Отрицателен автокорелация всъщност означава, че за положителното отклонение да бъде отрицателен, както и обратното. Тази ситуация може да възникне, ако същата връзка между търсенето на безалкохолни напитки и доходите не се смята на месечна база, и след един сезон (зима - лято).


Прилагане на OLS данни с автокорелация в остатъците води до такива последствия:

1. Оценките на параметрите, докато останалите линейна и непредубеден, престават да бъдат ефективни. Те престават да бъдат най-добрите линейни безпристрастни оценки.

2. изчисленията на промените са предубедени. Често дисперсия, изчислява чрез стандартните формули са твърде ниски, което води до повишаване на тон - статистика. Това може да доведе до признаването на статистически значими фактори, които в действителност не са.

3. Оценка на дисперсията на регресия е пристрастна оценка за действителната стойност на σ 2, в много случаи, това подценяване.

4. Заключения относно T - A >F - статистика да са неправилни, което намалява качеството на прогнозни модели.

За метода на автокорелация използване графичен или статистически тестове. Помислете за две от най-популярните тест.

метод Series. При този метод последователно дефиниран отклонения признаци В зависимост от регресия. Например, когато имаме 20 наблюдения

(-----) (+++++++) (---) (++++) (-)

Редица се определя като непрекъсната последователност от еднакви символи. Брой на героите от поредицата, наречена дължина номер. Ако серията е твърде малък в сравнение с броя на наблюденията п, тогава е вероятно положителна автокорелация. Ако серията е твърде много, тогава вероятността от отрицателно автокорелация.



Нека N - размер на пробата, N1 - общ брой на положителни отклонения; N 2 - общ брой на отрицателните отклонения; K - броя на редовете. В примера, п = 20, п = 1, 11, N 2 = 5.

Когато достатъчно голям брой на наблюденията (N 1> 10, N 2> 10) и липса на автокорелация CB К е асимптотично нормално разпределени, където

След това, ако

хипотезата за не автокорелация не се отхвърля. ако Това се посочва, положителна автокорелация; ако Тя признава наличието на отрицателна автокорелация.

За малък брой наблюдения (п 1 <20, п 2 <20) са разработили таблица на критичните стойности за N броя редове наблюдения. В една таблица, в зависимост от N 1 и N 2 се определя от долната граница на К 1 е броят на редовете в другата - горната граница на К 2. Ако к 1 <к <к 2, а след това говори за липса на автокорелация. ако , Тогава говорим за положителна автокорелация. ако Тогава говорим за отрицателна автокорелацията. Например, за горните данни 1 К = 6, к = 2 до 16, с ниво на значимост 0.05. Тъй к = 5 <к 1 = 6, определяне на положителен автокорелацията.

Критерий Дърбин - Уотсън. Това е най-добре известен критерий за откриване на първия автокорелацията ред. Статистика DW Дърбин - Watson е специален за всички компютърни програми като един от най-важните характеристики на качеството на модела на регресия.

Първо, построен от емпирични регресионно уравнение определя от стойностите на отклоненията , изчислени статистика

(65)

Освен това, в съответствие с таблицата на критичните точки на Дърбин - Уотсън, определени от две числа г л и г ф и изходи според правилото:

- Положителна автокорелация;

- Зоната на несигурност;

- Autocorrelation отсъства;

- Зоната на несигурност;

- Отрицателни автокорелация.

Може да се покаже, че статистиката DW тясно свързана с коефициента на първи ред автокорелация:

(66)

Съобщение изразена чрез формулата:

(67)

Следователно значението на статистически анализ на автокорелацията. Тъй като стойностите на R варират от -1 до +1, DW варира от 0 до 4. Когато няма автокорелация, коефициент на автокорелация е нула, и равна на 2. Статистика DW DW = 0 съответства на положителна автокорелация, когато изразът в скоби е равен на нула = 1 ). При отрицателен автокорелация (R = -1) DW = 4, и експресията в скоби е равно на две.

Ограничения критерий Дърбин - Уотсън:

1. критерий DW се отнася само за тези модели, които съдържат един свободен мандат.

2. Предполага се, че случайни изменения, се определят от един повтарящ схема

(68)

схема, наречена първия ред авторегресионна AR (1). Когато срещу т - случаен термин.

3. Статистическите данни трябва да имат една и съща честота (не трябва да са пропуските в наблюденията).

4. Критерий Дърбин - Уотсън не се отнася за модел авторегресия на формата:

(69)

които съдържат тези фактори, като зависима променлива с лаг във времето (закъснение) в един период.

За AR модели предложен ч - статистика Дърбин

(70)

където - Оценка на коефициента на автокорелация от първи ред (66), D (в) - разсейването на пробата на коефициента на изостана променлива у т -1, п - брой наблюдения.

За голяма п и справедливост нула - хипотеза H 0: ρ = 0 ч ~ N (0,1). Следователно, при дадено ниво на значимост се определя от състоянието на критичната точка

,

и з - е в сравнение със статистиката ф a / 2. Ако | з |> ф a / 2, а след това нула - липса на автокорелация хипотеза трябва да бъде отхвърлено. В противен случай, тя не се отхвърля.

Обикновено, стойността Тя се изчислява по формулата И D (в) е квадрата на стандартния коефициент оценка грешка м в р. Описания трябва да се отбележи, че при изчисляването на час - е невъзможно за статистиката-ри (в)> 1.

Autocorrelation е най-често причината е неправилно задаване на модела. Ето защо, трябва да се опитате да се регулира самия модел, по-специално, да се въведат някои - някои неотчетени фактор или промяна на формата на модела (например, линейна в полу-логаритмична или хиперболичен). Ако тези методи Не и това, което се причинява от автокорелацията - характерните свойства на редица т}, ние можем да използваме трансформира схема, наречена на първия ред авторегресионна AR (1).

Помислете АБ (1) по примера на пара регресия:

(71)

Тогава съседните наблюдения съответства на формулата:

(72)

(73)

Ако случайни изменения, се определят от израза (68), където е известен коефициент ρ, той може да получи

(74)

Нека да направим промяната на променливи

(75)

получите заедно с (68):

(76)

Тъй като случайните отклонения V тон отговаря на предположенията OLS изчисляват, а * и б ще има свойствата на най-добрите линейни безпристрастни оценители. В трансформираните стойностите на всички променливи използват оценки OLS на параметри се изчисляват и * и В, което след това може да се използва в регресия (71).

Въпреки това, методът за изчисляване на трансформирани променливи (75) води до загуба на първото наблюдение, ако няма информация за предишни наблюдения. Това намалява с един броят на степените на свобода, която за големи проби не е от съществено значение, но за малки проби води до загуба на ефективност. След това, първото наблюдение се възстановява чрез изменение Цена - Winsten:

(77)

Авторегресионни трансформация може да се генерализира и да е брой обяснителни променливи, т.е. използвани за множествена регресия уравнение.

За АБ (1) превръщане е важно да се оцени коефициентът автокорелация ρ на. Това се извършва по няколко начина. Най-простото нещо - да се оцени ρ основава на DW статистика:

(78)

където R се приема като оценка на ρ. Този метод работи добре с голям брой наблюдения.

Има и други методи за оценка на р, например, методът на Cochran - Метод Orcutt и Hildreth - Лу. Те са повтарящ се, и извън обхвата на бележките на лекция.

В случая, когато има основания да се предположи, че автокорелация отклонение е много голям, можете да използвате метода на първите разлики. По-специално, когато високо положителна автокорелация Смята ρ = 1, и уравнение (74) е под формата

или

(79)

където ,

От уравнение (79) от OLS изчислява коефициент б. параметър се определя не директно, но поради оли Известно е, че ,

В случай ρ = -1, сгъване (72) и (73) с (68), ние получаваме уравнението на регресия:

или

,

<== Предишна лекция | На следващата лекция ==>
| автокорелация

; Дата: 11.12.2013; ; Прегледи: 664; Нарушаването на авторските права? ;


Ние ценим Вашето мнение! Беше ли полезна публикуван материал? Да | не



ТЪРСЕНЕ:


Вижте също:



ailback.ru - Edu Doc (2013 - 2017) на година. Тя не е автор на материали, и дава на студентите с безплатно образование и използва! Най-новото допълнение , Al IP: 66.249.93.157
Page генерирана за: 0.019 сек.