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 грешка. Дърбин-Уотсън статистика

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.

В следните случаи:

· Дело положителна автокорелация регресия грешка, когато съседни маркировки отклонения са склонни да съвпадне с друг ( ). · В случай на отрицателен автокорелация, когато съседните отклоненията, които обикновено имат противоположни знаци ( ).

Тези случаи могат да показват възможността за подобряване на уравнението чрез оценяване на новия нелинеен формула, или включването на нова обяснителна променлива.

Икономическите проблеми много по-често автокорелация положителни, отколкото отрицателна автокорелация.

Ако естеството на случай на отклонение, може да се предположи, че половината от признаците на съседни отклонения съвпадат и наполовина - е различен.

Автокорелация в остатъците могат да бъдат причинени от няколко фактора, които имат различно естество.

1. Тя може да бъде свързана с първоначалните данни, както и грешки при измерването, причинени от наличието на ефективни стойности на характеристиката.

2. В някои случаи, автокорелацията може да се дължи на неправилно спецификация модел. Моделът не може да включва фактор, който оказва значително влияние върху резултатите и въздействието на които се отразяват в салдата, така че той да може да бъде autocorrelated. Много често този фактор е факторът време ,

От истинската автокорелацията трябва да бъдат разграничени ситуации, при които причината за автокорелацията е неправилно задаване на функционалната форма на модела. В този случай, промяна на формата на модела, а не с помощта на специални методи за изчисляване на параметрите на уравнението на регресия в присъствието на автокорелация в остатъците.

За откриване на автокорелация с помощта на графичен метод. Или статистически тестове.

Графичният метод е да се конструира крива на грешка спрямо времето (в случай на времевия ред) или от обяснителни променливи и визуално определяне на присъствието или отсъствието на автокорелация.

Най-известният откриването на първия критерий, за автокорелация - критерия на Дърбин-Уотсън. Статистика DW Дърбин-Уотсън 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 , И след това изчислява на Дърбин-Уотсън статистика се използва формулата:

,

Статистика DW варира от 0 до 4. DW = 0 съответства на положителна автокорелация, с отрицателна автокорелация DW = 4. Когато няма автокорелация, коефициент на автокорелация е нула, и статистиката DW = 2.

алгоритъм за откриване на базата на автокорелация Дърбин-Уотсън тест следващата.

хипотетично се предполага, липса на автокорелация. Алтернативни хипотези и Състои се, съответно, в присъствието на положително или отрицателно автокорелация в остатъците. По-нататък специални таблици за определяне на критичната стойност на теста на Дърбин-Уотсън (- Долната граница на признаването на положителна автокорелация) и (Горна граница на липсата на признаване на положителен автокорелацията) за даден брой наблюдения Броят на независимите променливи в модела и ниво на значимост , От тези стойности, цифровата пропаст се разделя на пет сегмента. Приемане или отхвърляне на всяка хипотеза с вероятност Е както следва:

- Положителна автокорелация се взема ;

- Зоната на несигурност;

- Autocorrelation отсъства;

- Зоната на несигурност;

- Отрицателни автокорелация е взето ,


Ако действителната стойност на критерия Дърбин-Уотсън влиза в зоната на несигурност, на практика предполагат наличието на автокорелация и отхвърли хипотезата ,

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

Съобщение изразена чрез формулата: ,

R стойности варират от -1 (в случай на отрицателна автокорелация) до 1 (в случай на положителна автокорелация). R близост до нулата показва липса на автокорелация.

При липса на маси на критичните стойности на DW, можете да използвате следната "груб" Правилото на палеца: достатъчен брой наблюдения (12-15) при 1-3 обяснителни променливи, ако , Отклонението от линията на регресия може да се приема, че е взаимно независими.

Или използвайте преобразуването на данни (например превръщането на метод автокорелация или пълзяща средна) намалява автокорелацията.

Има няколко ограничения за използването на критерия на 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

,

наречен авторегресивен poryadkaAR първа верига (1). е - Random срок.

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

4. Критерий Дърбин - Уотсън не приложимо за дадена авторегресия модели, които съдържат тези фактори, като зависима променлива с лаг във времето (закъснение) в един период.

За AR модели предложен ч - статистика Дърбин

,

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

Обикновено, стойността Тя се изчислява по формулата И D (в) е квадрата на стандартната оценка грешка коефициент S в р.

Методи за премахване на автокорелация. авторегресионни трансформация

В случай на автокорелация регресия формула получени обикновено счита за незадоволителен. Автокорелацията на първата грешка ред показва неправилна спецификация на модела. Ето защо, трябва да се опитате да се регулира самия модел. С поглед към графиката на грешка, можете да търсите за други (нелинейна) формула на зависимостта, да се включат по-рано неотчетени фактори за изясняване на периода на уреждане или тя се е разпаднала на парчета.

Ако всички тези методи не помогнат, и автокорелацията се причинява от някои вътрешни свойства на серия аз}, можете да използвате преобразуването, което се нарича авторегресия схема на първия АБ поръчка (1). (Авторегресия е preobazovanie нарича, защото стойността на грешка определя от стойността на същата величина, но zapazdyvaniem.T.k. максимално забавяне е равно на 1, е авторегресивен първи ред).

AR (1) Формулата е :. ,

където първи ред коефициент автокорелация на грешката на регресия.

Помислете АБ (1) по примера на пара регресия:

,

Тогава съседните наблюдения съответства на формулата:

(1)

(2).

Мултиплициране (2), за да и се изважда от (1):

,

Нека да направим промяната на променливи

Ние получаваме отчитането :

(6).

Тази трансформация се нарича авторегресия (трансформация Box-Jenkins).

Тъй като случайни отклонения отговаря на предположенията OLS изчисляват, а * и б ще имат 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.

по този начин ако балансира първоначалния регресионно уравнение autocorrelated следната превръщането се използва за оценка на параметрите на уравнение:

1) Преобразуване на входните променливи х и у в (3), (4).

2) Обичайните оли до уравнение (6) за определяне на оценката на * а и б.

3) Изчислява параметъра с първото уравнение от (4) ,

4) Запишете оригиналното уравнение (1) с параметри а и б (където - от претенция 3, и б е взет директно от уравнението (6)).

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:

,

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

В случая, когато има основания да се предположи, че положителен вариацията на автокорелация е много висока ( ), Можете да използвате метода на първите разлики (метод елиминиране тенденция), уравнението е под формата

,

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

В случай на пълни отрицателни автокорелационни отклонения ( )

, Ние се получи уравнението на регресия:

или ,

Изчислява средната стойност за периода 2, а след това се изчислява като и б. Този модел се нарича модел на регресия за средното движещия.

<== Предишна лекция | На следващата лекция ==>
| Грешка автокорелация. Дърбин-Уотсън статистика

; Дата: 01.07.2014; ; Прегледи: 758; 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: 11.45.9.26
Page генерирана за: 0.051 сек.