Метод рядов
Обнаружение автокорреляции
Суть автокорреляции
Одна из предпосылок МНК – это независимость значений случайных отклонений от значений отклонений во всех других наблюдениях. Автокорреляция (последовательная корреляция) – это корреляция между наблюдаемыми показателями, упорядоченными во времени (временные ряды) или в пространстве (перекрестные ряды). Автокорреляция остатков (отклонений) обычно встречается при использовании данных временных рядов. Последствия автокорреляции в определенной степени сходны с последствиями гетероскедастичности.
Нам неизвестны истинные значения отклонений εi = 1,..., п. Поэтому выводы об их независимости делаются на основе оценок εi = 1,..., п. При этом обычно проверяется их некоррелированность, являющаяся необходимым, но недостаточным условием независимости. Проверяется некоррелированность только соседних величин ei. При наличии автокорреляции остатков полученное уравнение регрессии считается неудовлетворительным.
|
|
Рассмотрим возможные методы определения автокорреляции и способы ее устранения.
Определяются знаки отклонений ei. Ряд – это непрерывная последовательность одинаковых знаков. Длина ряда – это количество знаков в ряду, п – число наблюдений, п1 – общее количество знаков «+», п2 – общее количество знаков «–», k – количество рядов. Доверительная вероятность р = 0,95, уровень значимости α = 1 – р = 1 – 0,95 = 0,05.
Для небольшого числа наблюдений (п1 < 20, п2 < 20) из специальных таблиц Сведа-Эйзенхарта по п1, п2 и α = 0,05 находят числа k1 и k2. Если k1 < k < k2, то автокорреляция отсутствует. Если k ≤ k1, то говорят о положительной автокорреляции остатков. Если k ≥ k2, то говорят об отрицательной автокорреляции остатков(за положительным отклонением следует отрицательное и наоборот).
Пример. Определим наличие автокорреляции методом рядов.
еi | 8,3 | 4,26 | -12,46 | -1,86 | -7,38 | 5,26 | -9,66 | -2,26 | 8,34 | 7,46 |
знак | + | + | - | - | - | + | - | - | + | + |
Последовательность знаков указана во второй строке. У нас п1 = 5 (5 плюсов), п2 = 5 (5 минусов), k = 5 (5 рядов). Из специальных таблиц Сведа-Эйзенхарта по п1, п2 и α = 0,05 находим числа k1 = 2 и k2 = 10. Так как k1 < k < k2 (2 < 5 < 10), то автокорреляция отсутствует.
Это наиболее известный способ обнаружения автокорреляции первого порядка. Пусть п – число наблюдений, т – число факторов модели, уровень значимости α – 0,05. Для п, т, αпо таблицам распределения Дарбина-Уотсона находим числа dl и du.
Статистика Дарбина-Уотсона.
Если DW < dl, то это свидетельствует о положительной автокорреляции остатков. Если DW > 4 – dl, то это свидетельствует об отрицательной автокорреляции остатков. При du <DW < 4 – du гипотеза об отсутствии автокорреляции остатков принимается. Если dl < DW < du или 4 – du < DW < 4 – dl, то гипотеза об отсутствии автокорреляции остатков не может быть ни принята, ни отвергнута.
|
|
Ограничения при использовании критерия Дарбина-Уотсона:
1) β0 ≠ 0;
2)случайные отклонения определяются по авторегрессионной схеме первого порядка AR(1), то есть, где υi – случайный член;
3)статистические данные должны иметь одинаковую периодичность (не должно быть пропусков в наблюдениях);
4) среди факторов не должно быть лаговых переменных (то есть переменных, влияние которых характеризуется определенным запаздыванием).
Пример. Определим наличие автокорреляции с помощью критерия Дарбина-Уотсона (таблица 5).
Таблица 5 – Расчетные данные по критерию Дарбина-Уотсона_
Номер | ei | ei – еi-1 | (ei – еi-1)2 |
8,3 | |||
4,26 | -4,04 | 16,32 | |
-12,46 | -16,72 | 279,56 | |
-1,86 | 10,6 | 112,36 | |
-7,38 | -5,52 | 30,47 | |
5,26 | 12,64 | 159,77 | |
-9,66 | -14,92 | 222,61 | |
-2,26 | 7,4 | 54,76 | |
8,34 | 10,6 | 112,36 | |
7,46 | -0,88 | 0,77 | |
Сумма | 988,98 |
Заполняем таблицу. Из каждого числа 2-го столбца вычитаем предыдущее число. 2-го столбца и результат пишем в 3-м столбце. В 4-м столбце числа округляем до двух знаков после запятой. Статистика Дарбина-Уотсона:
По таблице распределения Дарбина-Уотсона находим dl = 0,697 и du = 1,641. Тогда 4 – du = 4 – 1,641 = 2,359.
Так как du < DW < 4 – du (1,641 < 1,793 < 2,359), то гипотеза об отсутствии автокорреляции остатков не отклоняется на уровне значимости 0,05. Это является одним из подтверждений высокого качества модели.