АВТОКОРРЕЛЯЦИЯ УРОВНЕЙ ВРЕМЕННОГО РЯДА И ВЫЯВЛЕНИЕ ЕГО СТРУКТУРЫ [c.227]
Что такое автокорреляция уровней временного ряда и как ее можно оценить количественно [c.262]
Моделирование одномерных временных рядов. Основные элементы временного ряда. Автокорреляция уровней временного ряда и выявление его структуры. Методы сглаживания временного ряда (выделение тренда). Моделирование циклической компоненты. Статистическая оценка взаимосвязи двух временных рядов. Методы исключения тенденции. [c.4]
Автокорреляция уровней ряда - это корреляционная зависимость между последовательными уровнями временного ряда [c.137]
При наличии во временном ряде тенденции и циклических колебаний значения каждого последующего уровня ряда зависят от предыдущих. Корреляционную зависимость между последовательными уровнями временного ряда называют автокорреляцией уровней ряда. [c.227]
Автокорреляция в остатках 157, 265, 272-278 уровней временного ряда 227 [c.338]
Пример 7.5. Выявить на уровне значимости 0,05 наличие автокорреляции возмущений для временного ряда yt по данным табл. 6.1. [c.173]
По табл. V приложений при и=15 критические значения =1,08 критических значений -статистики в таблице нет, но судя по тенденции их изменений с уменьшением п, можно предполагать, что найденное значение останется в интервале (rfB 4—временного ряда спроса на уровне значимости 0,05 гипотеза об отсутствии автокорреляции возмущений не отвергается (принимается). [c.173]
По данным за 30 месяцев некоторого временного ряда хг были получены значения коэффициентов автокорреляции уровней П = 0,63 г2 = 0,38 гг = 0,72 г4 = 0,97 г5 = О,55 г6 = 0,40 г7 = 0,65 г - коэффициенты автокорреляции t-го порядка. [c.147]
Отсутствие автокорреляции остаточных величин обеспечивает состоятельность и эффективность оценок коэффициентов регрессии. Особенно актуально соблюдение данной предпосылки МНК при построении регрессионных моделей по рядам динамики, где ввиду наличия тенденции последующие уровни динамического ряда, как правило, зависят от своих предыдущих уровней. О специфике исследования остаточных величин по регрессионным моделям по временным рядам (см. п. 6.4). [c.168]
Пример 5.1. Расчет коэффициентов автокорреляции уровней для временного ряда расходов на конечное потребление. [c.228]
Последовательность коэффициентов автокорреляции уровней первого, второго и т. д. порядков называют автокорреляционной функцией временного ряда. График зависимости ее значений от величины лага (порядка коэффициента автокорреляции) называется коррелограммой. [c.231]
Если наиболее высоким оказался коэффициент автокорреляции первого порядка, исследуемый ряд содержит только тенденцию. Если наиболее высоким оказался коэффициент автокорреляции порядка г, ряд содержит циклические колебания с периодичностью в г моментов времени. Если ни один из коэффициентов автокорреляции не является значимым, можно сделать одно из двух предположений относительно структуры этого ряда либо ряд не содержит тенденции и циклических колебаний и имеет структуру, сходную со структурой ряда, изображенного на рис. 5.1 в), либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ. Поэтому коэффициент автокорреляции уровней и автокорреляционную функцию целесообразно использовать для выявления во временном ряде наличия или отсутствия трендовой компоненты (7) и циклической (сезонной) компоненты (S). [c.231]
Временной ряд расходов на конечное потребление, рассмотренный нами в примере 5.1, содержит только тенденцию, так как коэффициенты автокорреляции его уровней высокие. [c.231]
Аналогично, если, например, при анализе временного ряда наиболее высоким оказался коэффициент автокорреляции уровней второго порядка, ряд содержит циклические колебания в два периода времени, т. е. имеет пилообразную структуру. [c.233]
Существует несколько способов определения типа тенденции. К числу наиболее распространенных способов относятся качественный анализ изучаемого процесса, построение и визуальный анализ графика зависимости уровней ряда от времени, расчет некоторых основных показателей динамики. В этих же целях можно использовать и коэффициенты автокорреляции уровней ряда. Тип тенденции можно определить путем сравнения коэффициентов автокорреляции первого порядка, рассчитанных по исходным и преобразованным уровням ряда. Если временной ряд имеет линейную тенденцию, то его соседние уровни yt и у, х тесно коррелируют. В этом случае коэффициент автокорреляции первого порядка уровней исходного ряда должен быть высоким. Если временной ряд содержит нелинейную тенденцию, например, в форме экспоненты, то коэффициент автокорреляции первого порядка по логарифмам уровней исходного ряда будет выше, чем соответствующий коэффициент, рассчитанный по уровням ряда. Чем сильнее выражена нелинейная тенденция в изучаемом временном ряде, тем в большей степени будут различаться значения указанных коэффициентов. [c.234]
Если полученные значения ошибок не содержат автокорреляции, ими можно заменить исходные уровни ряда и в дальнейшем использовать временной ряд ошибок "для анализа взаимосвязи исходного ряда и других временных рядов. [c.240]
Приблизительно этот же результат можно получить, если рассчитать коэффициент автокорреляции уровней первого порядка по временному ряду остатков (гр. 3 табл. 6.6) /, = 0,728. [c.288]
Автокорреляция - это корреляция между уровнями ряда или отклонениями от тренда, взятыми со сдвигом во времени на 1 период (год), на 2, на 3 и т. д., поэтому говорят о коэффициентах автокорреляции разных порядков первого, второго и т. д. Рассмотрим сначала коэффициент автокорреляции отклонений от тренда первого порядка. [c.343]
В значительной части рядов динамики экономических процессов между уровнями, особенно близко расположенными, существует взаимосвязь. Ее удобно представить в виде корреляционной зависимости между рядами у,, у2, y3v, У и этим же рядом, сдвинутым относительно первоначального положения на h моментов времени У1+Л, у2+/,, УЗ+AV, У +/,. Временное смещение называется сдвигом, а само явление взаимосвязи — автокорреляцией. [c.84]
Коэффициент корреляции, рассчитанный по уровням временных рядов, равен 0,997. Это говорит об очень тесной прямой связи между расходами на конечное потребление и среднедушевым доходом в США в период с 1960 по 1991 г. Однако при расчете параметров уравнения регрессии мы сталкиваемся с другой проблемой — автокорреляцией в остатках (фактическое значение критерия Дарбина — Уотсона составляет 0,521, что свидетельствует о наличии положительной автокорреляции в остатках). Поэтому найденные оценки параметров уравнения регрессии — 174,75 и 0,922 не являются эффективными ввиду нарушения предпосылок МНК в этом уравнении. [c.288]
В изучении корреляции признаков, не связанных согласованным изменением во времени, каждый признак изменяется под влиянием многих причин, принимаемых за случайные. В рядах динамики к ним прибавляется изменение во времпш каждого ряда. Это изменение приводит к так называемой автокорреляции — влиянию изменений уровней предыдущих рядов на последующие. Поэтому корреляция между уровнями динамических рядов правильно показывает тесноту связи между явлениями, отражаемыми в рядах динамики, лишь в том случае, если в каждом из них отсутствует автокорреляция. Кроме того, автокорреляция приводит к искажению величины среднеквадратических ошибок коэффициентов регрессии, что затрудняет построение доверительных интервалов для коэффициентов регрессии, а также проверки их значимости. [c.70]
Построение уравнения множественной регрессии уровня себестоимости добычи нефти и газа методом коррелирования уровня динамического ряда нельзя признать правильным. Это объясняется тем, что в динамическом ряду существует автокорреляция каждый последующий упорядоченный уровень динамического ряда зависит от предыдущего, т. е. они автокоррелируются во времени. [c.72]
Большое внимание в эконометрике уделяется проблеме данных — специальным методам работы при наличии данных с пропусками, влиянию агрегирования данных на эконометрические измерения. Информация может отсутствовать по единицам совокупности и быть только на уровне более крупных единиц (агрегатов) — например, не по отдельным организациям, а по организациям в пределах административного района, т.е. по районам, и т. д. При агрегировании данных во времени опасность искажения результатов измерений (скажем, корреляции между временными рядами), гораздо больше, чем при агрегировании пространственных данных. С одной стороны, добавляется эффект автокорреляции, а с другой — происходит погашение случайной компоненты. Результаты могут различаться весьма сильно. Например, при измерении связи между удельным расходом кокса и величиной суточного проплава по суточным данным коэффициент корреляции составил 0,582, а по четырехсуточным данным — 0,894. [c.22]
Bo-вщорых, по знаку коэффициента автокорреляции нельзя делать вывод о возрастающей или убывающей тенденции в уровнях ряда. Большинство временных рядов экономических данных содержит положительную автокорреляцию уровней, однако при этом могут иметь убывающую тенденцию. [c.231]
Для оценки качества множественной линейной регрессии и проверки наличия предполагавшихся свойств отклонений et нужна также статистика Дарбина-Уотсона DW. В рассматриваемом примере она равна 0,43. Невооруженным взглядом видна положительная автокорреляция е . DИ близка к нулю. Проверим статистику DWno таблице для л = 60 т = 2 при уровне значимости 5%. Критические значения dt = 1,44 da = 1,57. Поскольку DW = 0,43 < 1,44 = dp принимается гипотеза о наличии положительной автокорреляции остатков первого порядка. Таким образом, значение статистики Дарбина-Уотсона говорит о том, что оцениваемая зависимость имеет другой вид действовали какие-то неучтенные факторы либо сама формула связи была нелинейной. Заметим, что если оцениваются регрессионные связи макроэкономических показателей по временным рядам наблюдений за столь длительный период времени, то статистика DW чаще всего оказывается близкой к нулю. Практически всегда какие-то факторы действуют на протяжении некоторых периодов времени, "уводя" зависимую переменную вверх или вниз от линии (или поверхности) регрессии. Идентификация таких [c.337]