Какая статистика используется для обнаружения автокорреляции в авторегрессионных моделях [c.240]
Девятая глава затрагивает проблему автокорреляции остатков -невыполнимости еще одной предпосылки классической линейной регрессионной модели (отсутствия зависимости между случайными отклонениями). Описываются основные причины автокорреляции, способы ее обнаружения и устранения. [c.8]
Можно показать, что в этом случае значение статистики Дарбина—Уотсона будет часто попадать в область принятия гипотезы об отсутствии автокорреляции и в том случае, если на самом деле эта гипотеза неверна. Это обстоятельство и делает тест Дарбина—Уотсона неприменимым и обусловливает необходимость других инструментов для обнаружения автокорреляции ошибок регрессии в моделях со стохастическими регрессорами. [c.213]
Наиболее известным критерием обнаружения автокорреляции первого порядка является критерий Дарбина— Уотсона. Статистика DW Дарбина-Уотсона приводится во всех эконометрических пакетах как важнейшая характеристика качества регрессионной модели. Метод определения автокорреляции на основе статистики DW подробно рассмотрен в параграфе 6.7. Суть его состоит в вычислении статистики [c.233]
Для авторегрессионных моделей разработаны специальные тесты обнаружения автокорреляции, в частности h-статистика Дарбина, которая определяется по формуле [c.235]
Для обнаружения автокорреляции в авторегрессионных моделях Дарбин предложил использовать h-статистику, имеющую вид [c.290]
С целью повышения методической корректности представления результатов корреляционного анализа регрессионные модели необходимо оценивать также по критерию Дарбина— Уотсона (DW), который используется для обнаружения автокорреляции между исследуемыми показателями. По специальным таблицам определяются его минимально и максимально допустимые границы исходя из количества наблюдений и числа факторов и полученный результат сравнивается с расчетным его уровнем. Если расчетный уровень данного критерия вписывается в эти границы (da < DW< 4 - du), то можно сделать заключение об отсутствии автокорреляции между исследуемыми факторами регрессионной модели. При наличии ав- [c.143]
На рис. 6.5 (а) изображен ряд сезонно колеблющегося показателя с подъемами, приходящимися на лето и осень и спадами, приходящи мися на зиму и весну. Напомним, что двухлетний период наблюде-. ния — это наименьший отрезок времени наблюдения за сезонно-ко-леблющимся рядом показателя для обнаружения в нем сезонного тренда. Поэтому лаг автокорреляции может быть равен либо 12, либо 24 январское наблюдение необходимо сравнить с январским же, но предыдущего года и т. д. Только для сезонных рядов можно ожидать сильной корреляционной зависимости между спросом или продажей некоторого товара, соответствующего данному, месяцу в том же месяце, но уже другого года, что хорошо видно на рис. 6.5 (б). Максимальные значения коэффициента автокорреляции, наблюдаемые при лаге 12 и 24 месяца, равны соответственно 0,54027 и 0,34421, причем оба эти коэффициента значимы (т. е. лежат за границами 95%-ной доверительной полосы, в данном случае равной 0,3). Это обстоятельство указывает на сильную зависимость между наблюдениями за один и тот же месяц, но разных лет. Наоборот, если лаг равен 6 или 18 месяцам, т. е. наблюдение, соответствующее подъему, сравнивается с наблюдением, соответствующим спаду, коэффициент автокорреляции должен быть отрицательным, Это полностью подтверждается автокоррелограммой, где минимальные значения коэффициентов автокорреляций соответствуют лагу в 6 и 18 месяцев и равны —0,67416 и —0,42020 соответственно. Таким образом, показателем чисто сезонного ряда без линейного тренда служит автокоррелограмма с большим числом значимых максимальных и минимальных значении коэффициентов автокорреляций (типа изображенных на рис. 6,5 (б)). (Замечание. Поскольку на рис. 6.5 (б) не обнаруживается линейная зависимость величины коэффициента автокорреляции от величины лага, то исходный ряд не имеет линейного тренда, и переход к первым разностям здесь вряд ли целесообразен.) [c.71]