Методи усунення автокореляції - раздел Образование, Основні припущення класичного кореляційно-регресійного аналізу та висновки з них Серед Основних Методів Усунення Автокореляції Можна Виділити:
...
Серед основних методів усунення автокореляції можна виділити:
1. Правильну специфікацію моделі (залучення значущих факторів або зміна форми залежності). Основною причиною наявності випадкової величини в узагальненій кореляційно-регресійній моделі є неможливість урахувати всі значущі фактори і взаємозв’язки,що зумовлюють певне значення результуючої змінної. Потрібно спробувати ідентифікувати факторну ознаку, яку не враховано в КРМ і врахувати її. Також можна спробувати змінити форму залежності( наприклад, лінійну на нелінійну).
2. Використання AR(1)-моделі (авторегресійної моделі Маркова 1-го порядку). Якщо віс доступні процедури зміни специфікації моделі вичерпані,а автокореляція наявна,то можна припустити, що вона обумовлена внутрішніми властивостями певних значень випадкових відхилень . У цьому разі можна скористатися авто регресійним перетворенням. У лінійній кореляційно-регресійній моделі або в моделях, що зводяться до лінійної, найдоцільнішим і простим перетворенням є авто регресійна модель Маркова першого порядку AR(1).
Щоби спростити виклад цього методу, розглянемо ПЛКРМ
Для спостереження в момент часу t маємо: (1)
а для спостереження в момент часу t-1 отримаємо залежність
(2)
Нехай випадкові величини схильні до дії автокореляції першого порядку:
Віднімемо від (1) співвідношення (2), помножене на :
Зробимо заміну змінних , та введемо позначення . Тоді цю залежність можна представити наступним чином:
Оскільки, згіднозприпущенням, коефіцієнт відомий,авипадковівідхилення задовольняютьусіприпущеннякласичногокореляційно-регресійногоаналізу, тооцінкипараметрів і матимутьвластивостінайкращихлінійнихоцінок.
Під час обчислення та втрачають їхні значення для першого спостереження (якщо невідомі значення та ). У цьому разі кількість ступенів вільності зменшиться на одиницю, що при великих вибірках не має істотного значення, але при малих вибірках може призвести до втрати ефективності. Цю проблему вирішують за допомогою Прайса-Вінстена:
Зауваження 1. Метод, який ми описали, може бути узагальнений на довільну кількість факторних ознак, тобто його можна використовувати для МЛКРМ.
Зауваження 2. Авторегресійне перетворення Маркова 1-го порядку AR(1) також може бути узагальнене на авто регресійні перетворення вищих порядків AR(2) , AR(3).
Для тестування автокореляції 1-го порядку між сусідніми значеннями відхилень використовують критерій Дарбіна - Уотсона, який обчислюють за допомогою формули:
При заданому рівні значущості α , кількості спостережень Т та факторів k визначають критичні значення , за таблицями розподілу Д-У.
Після цього будують так звані зони кореляційного зв’язку:
0 4
- автокореляція відсутня;
- від’ємна автокореляція;
- додатня автокореляція;
\\ - невизначеність.
Якщо емпіричне значення статистики попадає в дану невизначеність, то для тестування наявності чи відсутності автокореляції необхідно змінити рівень значущості α.
В деяких випадках для тестування автокореляції використовують коефіцієнт кореляції між сусідніми значеннями випадкових відхилень , , який називається коефіцієнт 1-го порядку:
(1)
При достатньо великих значеннях T, величини , тоді формулу (1) можна записати у вигляді:
Покажемо наявність залежності чи зв’язку між коефіцієнтами Д-У і коефіцієнта автокореляції 1-го порядку:
,
Тоді коефіцієнт Д-У можна представити :
; (2)
Р-ня (2) можна виразити
– додатня автокореляція
- відємна автокореляція
Тестування наявності автокореляції за допомогою критерію Д-У можливе в таких випадках:
1) Кр. Д-У використовується тільки для тих моделей, які містять вільний член ;
2) Припускають, що випадкові величини визначають за такою ітераційною схемою , (3)
- коефіцієнт автокореляції;
- вип. вел. для якої виконуються всі припущення класичного кор.-рег. аналізу.
Модель (3) наз. Авто регресійною моделю Маркова 1-го порядку
3) статистичні дані повинні мати однакову періодичність;
4) Кр. Д-У не застосовують для визначення автокореляції у авто регресійних моделях.
Поняття симультативно модел Скорочена форма симульт моделі та способи запису... Поняття застосування симультативних моделей Модель попиту на товар... Поняття застосування симультативних моделей Модель грошової пропозиції...
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ:
Методи усунення автокореляції
Что будем делать с полученным материалом:
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Рекурсивні симультативні моделі та методи їх оцінювання.
Рекурсивною називають модель, в якій структурні рівняння можна упорядкувати так,щоб перше містило у правій стороні лише екзогенні змінні, друге – екзогенні змінні та першу ендогенну змінну, третє –
Поняття дистрибутивно-лагової моделі . Причини і види лагів.
Дистрибутивно-лаговою моделлю називають кор-регресійну модель, яка містить не лише поточні, а й попередні (лагові, затримані) значення незалежних змінних.
Наприклад, модель є дистрибутивн
Суть, причини та наслідки автокореляції
Автокореляція – це кореляція між значеннями результуючої змінної, яка виникає у наслідок залежності значень випадкової величини в різних спостереженнях.
Додатна авт.- Спри
Тестування автокореляції. Графічний метод.
Використовують декілька варіантів графічного визначення автокореляції. Одна із них передбачає побудову так званих послідовно-часових графіків, які на площині представляють відхилення еt в мо
Метод Хілдрета-Лу
За цим методом КРМ (1) оцінюють для кожного можливого значення r з інтервалу [-1;1] з деяким заданим кроком (напр.,0,001; 0,01 тощо). Величину , котра дає найменшу стандартну помилку моделі (найбіл
Суть та наслідки гетероскедастичності
Гетероскедастичність – це випадок, коли при побудові кореляційно-регресійної моделі умовна дисперсія випадкових відхилень не є сталою. Тобто .
Гетероскедастичність на практиці є поширеним
Наслідки мультиколінеарності
1. Якщо наявна висока мультиколінеарність, оцінки параметрів множинної лінійної кореляційно-регресійної моделі, знайдені за допомогою методу найменших квадратів, залишаються незміщеними.
Тестування наявності мультиколінеарності
Єдиного методу визначення мультиколінеарності немає. На практиці використовують такі методи тестування наявності мультиколінеарності:
1) Оцінювання значення коефіцієнта множинної детерм
Визначення рівня мультиколінеарності
Розглянемо множинну лінійну кореляційно-регресійну модель
Оцінимо параметри k кореляційно-регресійних моделей, в яких результуючими змінними будуть почергово виступати факт
Збільшення кількості спостережень або побудова нової вибірки
Оскільки мультиколінеарність безпосередньо залежить від вибірки, то, можливо, при іншій вибірці мультиколінеарність буде відсутньою, або нижчого рівня.
Інколи, щоби зменшити мультиколінеар
Перетворення змінних
Інколи мінімізувати або взагалі усунути проблему мультиколінеарності можна за допомогою перетворення змінних.
Однією із причин мультиколінеарності факторних ознак є їхня схильність змінюва
Метод непрямих найменших квадратів
Непрямий метод найменших квадратів (НМНК) використовують для знаходження оцінок точно ототожнених моделей. Процедуру знаходження структурних параметрів симультативної моделі НМНК можна умовно поділ
Двокроковий метод найменших квадратів
Застосування для знаходження оцінок невизначених параметрів та пере ототожнених моделей. Ідея полягає у записані стохастичних ендогенних змінних деякими допоміжними інструментальними змінними, які
Модель Койка
Роблять 2 припущення: 1) Коефіцієнти мають одинаковий знак; 2) Коефіцієнти змінюються в геометричній прогресії.
Параметр наз. темп зростання ДЛ, а швидкість прискорювання
Враховую
Тестування автокореляції. Метод рядів
Метод рядів достатньо простий для застосування. Під рядом розуміють неперервну послідовність однакових знаків значень випадкових відхилень. Кількість знаків у ряді називають довжиною ряду.
Тестування автокореляції. h-критерій Дарбіна-Уотсона
h-критерій Дарбіна-Уотсона використовують, щоби виявити автокореляцію в авто регресійних моделях. Аби протестувати автокореляцію, сформуємо нульову гіпотезу : коефіцієнт автокореляції першого поряд
Метод Кохрана-Оркатта
Одним з можливих методів оцінювання коефіцієнта автокореляції ρ є ітеративний процес, який називають методом Кохрана-Оркатта. Його можна описати на прикладі ПЛКРМ:
Мет
Аналітичні методи тестування гетероскедастичності. Тест Парка
Припустимо, що досліджується ПЛКРМ: . Припускається, що дисперсія є функцією і-го значення факторної ознаки x. Парк запропонував таку функціональну залежність: , де - деякі невідомі параметри, -вип
Аналітичні методи тестування гетероскедастичності. Тест Глейзера
Він є розширенням тесту Парка і доповнює його аналізом інших видів залежності між дисперсіями випадкових відхилень і значеннями факторної ознаки . Згідно з цим методом оцінюють кореляційно-регресій
Аналітичні методи тестування гетероскедастичності. Тест Годфрея
Тест Годфрея передбачає побудову допоміжних кореляційно-регресійних моделей використовуючи квадрати відхилень , тобто кореляційно-регресійних залежностей виду При цьому в загальному прикладі таку з
Алгоритм Феррара — Глобера.
В алгоритмі Феррара — Глобера використовують три види статистичних критеріїв, на їхній підставі перевіряють мультиколінеарність:— критерій , за допомогою якого перевіряють мультиколінеарність усьог
Хотите получать на электронную почту самые свежие новости?
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
Новости и инфо для студентов