Az autokorreláció megszüntetésének módszerei
Ami azt a tényt illeti, hogy az autokorreláció jelenléte a regressziós modellben a modell maradványai között negatív eredménnyel járhat a modell ismeretlen koefficienseinek becsléséhez,
a) a modellváltozók becsléseiben mutatkozó eltérések növekedése;
b) MNC-k által elért becslések torzítása;
c) a paraméterbecslések fontosságának csökkentése,
A maradékanyagok autokorrelációját el kell távolítani.
A véletlen kifejezés jelenlétének fő oka a modellben a hiányzó változó sajátos értékét meghatározó okok és kapcsolatok tökéletlen ismerete. Ezért a véletlenszerű eltérések tulajdonságai - beleértve az autokorrelációt is - elsősorban a függőségi képletek és a magyarázó változók összetételétől függenek.
Mivel az autokorrelációt leggyakrabban a modell hibás specifikációja okozza, elsősorban a modell helyesbítéséhez szükséges. Talán az autokorrelációt az okozza, hogy néhány fontos magyarázó változó hiányzik a modellben. Meg kell próbálnod meghatározni ezt a tényezőt, és figyelembe venni a regressziós egyenletben. Megpróbálhatja megváltoztatni a függőségi képletet (például lineáris, hiperbolikus stb.).
Az AR (1) egyszerűségéhez vegye figyelembe a páros lineáris regressziós modellt. Ezután a (t) és (t - 1) képletek megfelelnek az alábbi képleteknek:.
A megfigyelési aránytól (t - 1) vett megfigyeléstől, megszorozva a # 961;:
Alkalmazza a modell transzformációját:
Ezután az új változókban a modell az alábbi alakú: ahol a sokkváltozót az autokorreláció már nem torzítja.
Ez a transzformáció (D) az operátorok dekódoló kapcsolatainak osztályába tartozik [7]. Az első megfigyelés elvesztéséhez vezet (ha nincs korábbi megfigyelésünk). A szabadságfokok száma egyszeresére csökken, ami a nagy minták esetében nem annyira fontos, de a kisméretűek esetében a hatékonyság csökkenéséhez vezethet. Ezt a problémát általában a Price-Winsten módosításával legyőzni lehet.
Megmutatható, hogy a maradékanyagok autokorrelációja esetén a random deviációs vektor kovariancia mátrixának formája: