Коли ви робите регресію OLS та намічаєте отримані залишки, як ви можете визначити, чи є залишки автокорельовані? Я знаю, що для цього є тести (Дурбін, Бреш-Годфрі), але мені було цікаво, чи можна просто подивитися на сюжет, щоб оцінити, чи може бути автокореляція проблемою (адже для гетерокедастичності це зробити досить просто).
Як сказати, чи є залишки автокорельовані з графікою
Відповіді:
Ви не тільки можете подивитися на сюжет, я думаю, що це взагалі кращий варіант. Тестування гіпотез у цій ситуації дає відповідь на неправильне запитання.
Звичайним сюжетом, який слід розглядати, буде функція автокореляції (ACF) залишків.
Функція автокореляції - це співвідношення залишків (як часового ряду) з власними відставаннями.
Ось, наприклад, перелічено ACF із залишків із невеликого прикладу від Montgomery et al
Деякі співвідношення вибірки (наприклад, відставання 1,2 та 8) не особливо малі (і це може суттєво впливати на речі), але їх також неможливо визначити від впливу шуму (вибірка дуже мала).
Редагувати: Ось сюжет для ілюстрації різниці між некоррельованим та сильно корельованим рядом (насправді, нестаціонарним)
Верхня ділянка - білий шум (незалежний). Нижня - випадкова хода (відмінності якої є оригінальною серією) - вона має дуже сильну автокореляцію.
1
Дякую за відповідь. Якщо ви подивитеся на графіки на wiki ( en.wikipedia.org/wiki/File:Acf_new.svg ), чи можете ви сказати з верхнього сюжету (не сюжет ACF), що залишки автокорельовані?
—
Джон Дої
Я б сказав, "хм, виглядає розпливчасто циклічним ... може бути автокореляція, може ні. Як виглядає ACF?"
—
Glen_b -Встановити Моніку
Гаразд, але ви могли б детальніше зупинитися на цьому: Наприклад, я знайшов це питання: stats.stackexchange.com/questions/14914/… Мабуть, існує автокореляція. Що конкретно я шукаю, щоб прийти до цього висновку?
—
Джон Дой
Зрозуміло, що це показує щось, що призведе до позитивної автокореляції (хоча, мабуть, я б припустив це в тренді, а також залежність від тенденції). Поміркуйте - якщо спостереження незалежні, тоді подумайте про шанс того, що тривалий пробіг буде на тій чи іншій стороні, а протилежної - жодної. Я думаю, що найкращий перший варіант - це моделювання даних, які автокорельовані на різних рівнях, і перегляд їх.
—
Glen_b -Встановити Моніку
Я розумію, що у вас немає автокореляції, коли дані розподіляються лише випадковим чином. Але як показник для автокореляції, чи достатньо, коли дані не розподіляються випадковим чином або ви маєте певний зразок (наприклад, за точкою даних з високим значенням слідують кілька точок даних з високим значенням)?
—
Джон Дой