Az autokorreláció megszüntetésének módszerei, ingyenes kurzusdokumentumok, absztraktok és tézisek
A maradványok autokorrelációjának oka lehet a modell hibás specifikációja vagy a nem elszámolt tényezők jelenléte. Ezen okok kiküszöbölése nem mindig eredményezi a kívánt eredményeket. A maradványok autokorrelációjának saját belső okai vannak az autokorrelációs függőséggel kapcsolatban.
Hagyja, hogy az eredeti regressziós egyenlet tartalmazza a véletlenszerű kifejezések autokorrelációját.
Tegyük fel, hogy az autokorreláció az első rend autokorrelációs sémáját követi: ahol az autokorreláció együtthatója, és véletlenszerű kifejezés, amely megfelel a legkisebb négyzetek előfeltételeinek.
Az érték a két szomszédos hiba közötti korrelációs együttható. ...
Ismerd meg. A kiindulási regressziós egyenletet a következőképpen alakítjuk át:
Ezután a transzformált egyenletet, ahol nem tartalmaz autokorrelációt és szokásos paramétereit használjuk a hagyományos OLS-hez.
A számítási módszer az első megfigyelés elvesztéséhez vezet. Ez a probléma a kis mintákkal általában felülkerekedik a Price-Winsten módosításával:
Az e függésből származó együttható értékelését közvetlenül a kiindulási egyenlethez alkalmazzuk, és az együtthatót a következő képlet segítségével számítjuk ki:.
A gyakorlatban az érték ismeretlen, becslése a becslésekkel párhuzamosan következik a következő iteratív eljárások következtében.
A Cochrane-Orcutta eljárás. Az eljárás a következő lépéseket tartalmazza:
1. Az OLS-t a kezdeti regressziós egyenletre alkalmazva megkapjuk az u paraméterek kezdeti becsléseit;
2. A maradékértékeket kiszámítjuk, és az elsőrendű maradékok autokorrelációs koefficiensét becslésként használjuk, i. polugayut;
3. Alkalmazza az OLS-t a transzformált egyenletre, a paraméterek új becsléseit.
A folyamat általában akkor fejeződik be, amikor a következő becslés kis mértékben eltér az előzőtől. A Cochrane-Orcutta eljárás a legtöbb ökonometriai számítógépes programban valósul meg.
Hildrath-Lou eljárás. Ez a folyamat, amelyet széles körben használnak a regressziós csomagokban, ugyanazon elveken alapul, de más számítási algoritmust használ:
1. A transzformált egyenletet az adott intervallum (-1; 1) minden értékével értékeljük egy adott lépésben belül;
2. Válasszon olyan értéket, amelyre a maradék négyzetek összege a transzformált egyenletben minimális, és a regressziós együtthatókat a transzformált egyenlet értékével határozzuk meg.
3. példa. Az 1. példa szerinti adatokat használjuk.
Hagyja, hogy az eredeti modell nézzen ki :.
Az OLS-t használó kezdeti adatok alapján a következő becsült regressziós egyenletet kaptuk:
Az elsőrendű maradékok autokorrelációjának együtthatója tehát a DW 2 (1-r) = 0,986. 5% -os szignifikancia szinten a táblázat értéke = 1,106 és = 1,371. Mivel ezután a maradékok pozitív autokorrelációi vannak.
Az OLS alkalmazását a transzformált adatokra :, (), kapunk egy becslést az átalakított egyenletről:
Az elsőrendű maradékok autokorrelációjának együtthatója ezért DW 2 (1-r) = 1,71. Mivel a maradékanyagok nincsenek autokorrelációban.
A becslés újraértékelésével az eredeti modell következő becslését kapjuk:. Ez az egyenlet különbözik a korábban kapott egyenlettől, amelyet a szokásos legkisebb négyzetek becsülnek.