- •Рівняння (1.3) приймає вигляд:
- •Практичне завдання
- •Варіанти практичного завдання
- •Лабораторна робота № 2 оцінка параметрів лінійної регресії. Оцінка якості та статистичної значущості моделі.
- •Практичне завдання
- •Варіанти практичного завдання
- •Лабораторна робота № 3 Автокореляція похибок. Метод ейткена
- •Практичне завдання
- •Варіанти практичного завдання
- •Лабораторна робота № 4 визначення наявності мультиколінеарності незалежних змінних. Алгоритм ферара-глобера
- •Практичне завдання
- •Варіанти практичного завдання
- •Практичне завдання
- •Варіанти практичного завдання
- •Лабораторна робота № 6
- •Практичне завдання
- •Варіанти практичного завдання
- •Декомпозиційний аналіз часового ряду
- •Практичне завдання
- •Варіанти практичного завдання
- •Практичне завдання
- •Варіанти практичного завдання
- •Література
- •Навчальне видання
Лабораторна робота № 3 Автокореляція похибок. Метод ейткена
Класична модель множинної регресії припускає, що похибки - це незалежні випадкові величини з нульовим середнім і постійною дисперсією. Проте при застосуванні регресійних моделей на практиці часто зустрічається порушення класичної моделі: похибки виявляються автокорельованими (тобто пізніші значення залежать від попередніх). У разі присутності автокореляції оцінки параметрів класичної моделі множинної регресії втрачають свої статистичні властивості, коваріаційна матриця є зміщеною відносно істинної коваріаційної матриці, оцінка дисперсії похибок теж є зміщеною. Позбавитися автокореляції можна декількома способами:
-
можна спробувати змінити специфікацію моделі так, щоб усунути автокореляцію (наприклад, ввести додатковий регресор).
-
вибрати такий метод оцінювання, які враховує автокореляцію і дає найточніші оцінки параметрів для цього випадку (метод Ейткена).
Використовувати перший підхід важко, тому найчастіше застосовують другий підхід. Значення можуть складним чином залежати від, і т.д., але ми будемо розглядати тільки найпростіший випадок – автокореляцію першого порядку - , де - авторегресійний параметр (коефіцієнт кореляції), а - незалежні випадкові величини.
Перш ніж знаходити цей параметр, необхідно переконатися, що похибки схильні до автокореляції. Для цього використовується тест Дарбіна-Уотсона (d-тест). Нульова гіпотеза припускає відсутність автокореляції (). d-статистика Дарбіна-Уотсона обчислюється таким чином: спочатку методом найменших квадратів оцінюємо значення параметрів регресії, потім знаходимо оцінки похибок, які називаються помилками: . (у матричній формі ) і обчислюємо значення статистики по формулі:
(3.1)
Критичні значення d-статистики Дарбіна-Уотсона приведені в таблицях, у випадку з К=2 і Т=8:
при ,
при .
У випадку коли К=2 і Т=10:
при,
при,
Правила прийняття і відхилення гіпотези:
Якщо розрахункове значення - критерію попадає в область від 0 до, чи від , то можна зробити висновок, що автокореляція похибок в моделі присутня. Якщо розрахункове значення - критерію попадає в область до , чи від до , то не можна зробити висновок про наявність в моделі автокореляції. Якщо розрахункове значення - критерію попадає в середню область, то автокореляції в моделі немає.
Нульова гіпотеза припускає, що автокореляції немає, тобто, щоб зробити висновок про наявність автокореляції, потрібно, щоб значення статистики потрапило в критичну область, в нашому випадку (К=2 і Т=8) значення повинне бути або від 0 до 0.76, або від 3.33 до 4. При попаданні значення статистики в область від 0.76 до 1.33 (від 2.67 до 3.33) ми не можемо зробити висновок щодо автокореляції, і нарешті при значеннях від 1.33 до 2.67 можна стверджувати, що автокореляції немає.
Якщо проведений тест показав, що авторегресія є, то оцінюємо коефіціент кореляції по формулі:
(3.2)
Метод Ейткена можна виконати шляхом побудови допоміжної матриці , яка входить як множник у формули узагальненого МНК ().
По методу Ейткена оцінити параметри моделі можн за формулою:
(3.3)
Якщо відхилення є авторегресійним процесом першого порядку, то матриця має наступний вигляд:
(3.4)
де - авторегресійний параметр (коефіцієнт кореляції).