WWW.REFERATCENTRAL.ORG.UA - Я ТУТ НАВЧАЮСЬ

... відкритий, безкоштовний архів рефератів, курсових, дипломних робіт

ГоловнаЕкономіка (різне) → Автокореляція - Реферат

Автокореляція - Реферат

Реферат на тему:

Автокореляція

Причини виникнення автокореляції в економетричних моделях

Поняття автокореляції

Означення 8.1. Автокореляція — це взаємозв'язок послідовних елементів часового чи просторового ряду даних.

В економетричних моделях особливе значення має автокореляція залишків. Звернемось знову до другої необхідної умови лінійної моделі:

Це означає, що коваріації між залишками економетричної моделі відсутні, а дисперсія є сталою для всіх спостережень. Ці умови були названі в розд. 7 явищем гомоскедастичності. У цьому самому розділі було показано, що за відсутності коваріації залишків дисперсія може змінюватися для груп спостережень чи для кожного спостереження. Ці умови були названі явищем гетероскедастичності.

В економетричних дослідженнях часто виникають і такі ситуації, коли дисперсія залишків стала, але спостерігається їх коваріація. Це явище називають автокореляцією залишків.

Автокореляція залишків найчастіше спостерігається тоді, коли економетрична модель будується на основі часових рядів. Якщо існує кореляція між послідовними значеннями деякої незалежної змінної, то спостерігатиметься і кореляція послідовних значень залишків.

Автокореляція може бути також наслідком помилкової специфікації економетричної моделі. Крім того, наявність автокореляції залишків може означати, що необхідно ввести до моделі нову незалежну змінну.

У загальному випадку ми вводимо до моделі лише деякі з істотних змінних, а вплив змінних, які виключені з моделі, має позначитися на зміні залишків. Існування кореляції між послідовними значеннями виключеної з розгляду змінної не обов'язково має тягти за собою відповідну кореляцію залишків, бо вплив різних змінних може взаємно погашатися. Якщо кореляція послідовних значень виключених з моделі змінних спостерігається, то загроза виникнення автокореляції залишків стає реальністю.

Проілюструємо проблему автокореляції залишків на прикладі економетричної моделі з двома змінними. Нехай

, (8.1)

де ми припускаємо, що залишки задовольняють схему авторегресії першого порядку, тобто залежать тільки від залишків попереднього періоду:

(8.2)

для якої , а мають такі властивості:

Величина  характеризує рівень взаємозв'язку кожного наступного значення з попереднім, тобто коваріацію залишків.

Специфікація моделі (8.1) на відміну від моделей, які розглядались у розд. 7, має індекс t, що свідчить про її динамічний характер, тобто t — період часу, для якого будується така модель на основі динамічних (часових) рядів вихідних даних.

Розглянемо залишки моделі ut, враховуючи (8.2):

Звідси

(8.3)

Оскільки , то .

.

Ураховуючи, що послідовні значення незалежні, запишемо

Тоді

(8.4)

Коваріація послідовних значень залишків запишеться у вигляді

і в загальному випадку

(8.5)

тобто для моделі (8.1) не задовольняється гіпотеза про незалежність послідовних значень залишків.

Вираз (8.5) можна записати так:

. (8.6)

Це означає, що за наявності автокореляції залишків друга необхідна умова подається у вигляді:

де S — матриця коефіцієнтів автокореляції s-го порядку для ряду , або

тобто

. (8.7)

Порівнявши матрицю, яку маємо в даному разі, з матрицею за наявності гетероскедастичності, побачимо, що вони істотно відрізняються одна від одної. Це пов'язано з тим, як порушується друга умова для застосування методу 1МНК при явищі гетероскедастичності та автокореляції.

Отже, для гетероскедастичних залишків, розглянутих у розд. 7, існує одна форма порушення стандартної гіпотези, згідно з якою для автокореляційних залишків ми стикаємося з другою формою порушення цієї гіпотези.

Наслідки автокореляції залишків

Якщо знехтувати автокореляцією залишків і оцінити параметри моделі 1МНК, то дійдемо таких трьох наслідків.

1. Оцінки параметрів моделі можуть бути незміщеними, але неефективними, тобто вибіркові дисперсії вектора оцінок можуть бути невиправдано великими.

2. Оскільки вибіркові дисперсії обчислюються не за уточненими формулами, то статистичні критерії t- і F-cтатистики, які знайдено для лінійної моделі, практично не можуть бути використані в дисперсійному аналізі.

3. Неефективність оцінок параметрів економетричної моделі призводить, як правило, до неефективних прогнозів, тобто прогнозів з дуже великою вибірковою дисперсією.

За відсутності автокореляції залишків матриця коваріацій для вектора оцінок така:

(8.8)

Припустимо, що незалежні змінні і залишки можна подати у вигляді стаціонарних марковських процесів першого порядку, тобто:

(8.9)

Якщо коефіцієнти  і  додатні, то говорять про додатну автокореляцію. Від'ємна автокореляція в економетричних моделях спостерігається дуже рідко.

Помилки і взаємно незалежні і їх автокореляційні матриці діагональні. Тоді можна показати, що звичайний метод найменших квадратів дає нам при достатньо великому n таку оцінку дисперсії параметрів :

. (8.10)

Із (8.10) бачимо, що зміщення дисперсії параметрів тим більше, чим більші значення  і  (більша автокореляція). Нехай =  = 0,5, тоді величина зміщення . Цей множник і буде загубленим при використанні 1МНК, що призводить до заниження дисперсії порівняно з її справжнім значенням приблизно на 40%. При збільшенні  і , наприклад,  = = 0,8, зміщення буде , тобто істинне значення дисперсії у чотири з половиною рази перевищуватиме те, яке дістали при застосуванні 1МНК.

Якщо додатна автокореляція спостерігається і в залишках, і в незалежній змінній, то 1МНК дає зміщення і для залишкової дисперсії. Припустивши, як і раніше, що і підлягають однаковій схемі авторегресії, знайдемо:

(8.11)

Якщо  = = 0,5 і n = 20, то , тобто недооцінка дисперсії залишків становить близько 4 %, а при  = = 0,8; n = 20 ця недооцінка дорівнюватиме приблизно 20 %.

Отже, при застосуванні 1МНК вибіркові дисперсії будуть заниженими. Навіть після коригування оцінок вибіркових дисперсій на величину зміщення не можна бути впевненим у коректності рівнів значущості для t- і F-cтатистик, оскільки наявність автокореляції залишків означає, що величина може не розподілятися за законом 2 і не буде незалежною від .

Перевірка наявності автокореляції

Критерій Дарбіна — Уотсона

Для перевірки наявності автокореляції залишків найчастіше застосовується критерій Дарбіна — Уотсона (DW):

(8.12)

Він може набувати значеннь з проміжку [0, 4]: .

Якщо залишки є випадковими величинами, нормально розподіленими, а не автокорельованими, то значення DW містяться поблизу 2. При додатній автокореляції DW < 2, при від'ємній — DW > 2. Фактичні значення критерію порівнюються з критичними (табличними) при різному числі спостережень n і числі незалежних змінних m для вибраного рівня значущості . Табличні значення мають нижню межу DW1 і верхню — DW2.

Коли DWфакт < DW1, то залишки мають автокореляцію. Якщо Dwфакт > DW2, то приймається гіпотеза про відсутність автокореляції. Коли DW1 2, то конкретних висновків зробити не можна: необхідно далі провадити дослідження, беручи більшу сукупність спостережень. Зауважимо, що цей критерій призначений для малих вибіркових сукупностей.

Вибірковий розподіл значень критерію Дарбіна — Уотсона залежить від емпіричних спостережень пояснювальних змінних і навіть якщо взяти до уваги цю обставину, можна стверджувати: параметр  для генеральної сукупності має тісний зв'язок з критерієм DW. Якщо  = 1, то значення DW = 0, при  = 0 DW = 2 і при  = –1 значення критерію DW = 4. Наведені співвідношення показують, що існують області, в яких застосування критерію Дарбіна — Уотсона не може дати певних результатів, про що вже було сказано. Верхні та нижні межі критерію DW визначають межі цієї області для різних розмірів вибірки, заданого числа пояснювальних змінних та певного рівня значущості.

Приклад 8.1. Нехай обсяг вибірки складається з 20 спостережень. На основі цієї вибірки побудовано модель, яка включає три пояснювальні змінні. Наведено табличні значення критерію Дарбіна — Уотсона DW1 і DW2 для 1 %- і 5 %-го рівня значущості:

DW1 DW2

1 = 1 % 0,77 1,41

2 = 5 % 1,00 1,68

Для додатної автокореляції залишків ці значення є межами п'яти інтервалів, на основі яких можна прийти до таких висновків:

Loading...

 
 

Цікаве