Суть и причины автокорреляции.
Автокорреляция определяется как корреляция между наблюдаемыми показателями, упорядоченными во времени или в пространстве. Автокорреляция остатков (отклонений) обычно встречается в регрессионном анализе при использовании перекрестных данных.
В экономических задачах значительно чаще встречается положительная автокорреляция, нежели отрицательная. В большинстве случаев положительная автокорреляция вызывается направленным постоянным воздействием некоторых неучтенных в модели факторов.
Отрицательная автокорреляция фактически означает, что за положительным отклонением следует отрицательное и наоборот.
Среди основных причин, вызывающих автокорреляцию, можно выделить следующие:
1. Ошибки спецификации. Неучет в модели какой-либо важной объясняющей переменной либо неправильный выбор формы зависимости обычно приводят к системным отклонениям точек наблюдения от линии регрессии, что может обусловить автокорреляцию.
2. Инерция. Многие экономические показатели (инфляция, безработица, ВНП и т.д.) обладают определенной цикличностью, связанной с волнообразностью деловой активности. Поэтому изменение показателей происходит не мгновенно, а обладает определенной инертностью.
3. Эффект паутины. Во многих производственных и других сферах экономические показатели реагируют на изменение экономических условий с запаздыванием (временным лагом). Например, предложение сельскохозяйственной продукции реагирует на изменение цены с запаздыванием, равным периоду созревания урожая. Большая цена сельскохозяйственной продукции в прошедшем году вызовет скорее всего ее перепроизводство в текущем году, а следовательно, цена на нее снизится.
4. Сглаживание данных. Зачастую данные по некоторому продолжительному временному периоду получают усреднением данных по составляющим интервалам. Это может привести к определенному сглаживанию колебаний, которые имелись внутри рассматриваемого периода, что в свою очередь может служить причиной автокорреляции.
Последствия автокорреляции.
Последствия автокорреляции в определенной степени сходны с последствиями гетероскедастичности. Среди них при применении МНК обычно выделяют следующие.
1. МНК-оценки параметров, оставаясь несмещенными и линейными, перестают быть эффективными. Следовательно, они перестают обладать свойствами наилучших линейных несмещенных оценок.
2.
Стандартные ошибки коэффициентов
регрессии будут рассчитываться со
смещением. Часто они являются заниженными,
что влечет за собой увеличение t-статистик.
Это может привести к признанию
статистически значимыми объясняющих
переменных, которые в действительности
таковыми не являются. Смещенность
возникает вследствие того, что выборочная
остаточная дисперсия
(m – число объясняющих переменных
модели), которая используется при
вычислении указанных величин (см. формулы
(2.18) и (2.19)), является смещенной. Во многих
случаях она занижает истинное значение
дисперсии возмущений s2.
Вследствие вышесказанного все выводы, получаемые на основе соответствующих t- и F- статистик, а также интервальные оценки будут ненадежными. Следовательно, статистические выводы, получаемые при проверке качества оценок (параметров модели и самой модели в целом), могут быть ошибочными и приводить к неверным заключениям по построенной модели