Автокорреляция - презентация, доклад, проект скачать

Нажмите для полного просмотра!

Содержание ▲

Вы можете ознакомиться и скачать презентацию на тему Автокорреляция. Доклад-сообщение содержит 34 слайдов. Презентации для любого класса можно скачать бесплатно. Если материал и наш сайт презентаций Mypresentation Вам понравились – поделитесь им с друзьями с помощью социальных кнопок и добавьте в закладки в своем браузере.

Слайды и текст этой презентации

Слайд 1

Описание слайда:

АВТОКОРРЕЛЯЦИЯ

Слайд 2

Описание слайда:

Определение автокорреляции Автокорреляция (последовательная корреляция) – это корреляция между наблюдаемыми показателями во времени (временные ряды) или в пространстве (перекрестные данные). Автокорреляция остатков характеризуется тем, что не выполняется предпосылка 30 использования МНК:

Слайд 3

Описание слайда:

Виды автокорреляции

Слайд 4

Описание слайда:

Причины чистой автокорреляции 1. Инерция. Трансформация, изменение многих экономических показателей обладает инерционностью. 2. Эффект паутины. Многие экономические показатели реагируют на изменение экономических условий с запаздыванием (временным лагом) 3. Сглаживание данных. Усреднение данных по некоторому продолжительному интервалу времени.

Слайд 5

Описание слайда:

Классический случайный член  (автокорреляция отсутствует)

Слайд 6

Описание слайда:

Положительная автокорреляция

Слайд 7

Описание слайда:

Отрицательная автокорреляция

Слайд 8

Описание слайда:

Ложная автокорреляция (автокорреляция, вызванная ошибочной спецификацией) X2  сама является автокоррелированной переменной, Значение  мало по сравнению с величиной

Слайд 9

Описание слайда:

Ложная автокорреляция как результат неправильного выбора функциональной формы

Слайд 10

Описание слайда:

Последствия автокорреляции 1. Истинная автокорреляция не приводит к смещению оценок регрессии, но оценки перестают быть эффективными. 2. Автокорреляция (особенно положительная) часто приводит к уменьшению стандартных ошибок коэффициентов, что влечет за собой увеличение t-статистик. 3. Оценка дисперсии остатков Se2 является смещенной оценкой истинного значения e2 , во многих случаях занижая его. 4. В силу вышесказанного выводы по оценке качества коэффициентов и модели в целом, возможно, будут неверными. Это приводит к ухудшению прогнозных качеств модели.

Слайд 11

Описание слайда:

Обнаружение автокорреляции 1. Графический метод. 2. Метод рядов. 3. Специальные тесты.

Слайд 12

Описание слайда:

Проверяемая гипотеза: Проверяемая гипотеза: H0: автокорреляция отсутствует Последовательность проведения критерия Вычислить остатки Вычислить разницу между соседними остатками, t=et+1-et Приписать каждой разнице у знак (+/-) Построить ряд знаков При отсутствии автокорреляции ряд должен носить случайный характер Подсчитать общее количество серий (последовательностей постоянного знака) - (n) Подсчитать длину самой длинной серии - (n) Сравнить полученные значения с критическими

Слайд 13

Описание слайда:

Проверяемая гипотеза: Проверяемая гипотеза: H0: автокорреляция отсутствует Приблизительный критерий проверки гипотезы на уровне значимости  2,5%  5,0% : При истинности гипотезы должна выполняться система неравенств:

Слайд 14

Описание слайда:

Обнаружение автокорреляции. Тест Дарбина-Уотсона Критерий Дарбина-Уотсона предназначен для обнаружения автокорреляции первого порядка. Он основан на анализе остатков уравнения регрессии.

Слайд 15

Описание слайда:

Тест Дарбина-Уотсона. Ограничения Ограничения: 1. Тест не предназначен для обнаружения других видов автокорреляции (более чем первого) и не обнаруживает ее. 2. В модели должен присутствовать свободный член. 3. Данные должны иметь одинаковую периодичность (не должно быть пропусков в наблюдениях). 4. Тест не применим к авторегрессионным моделям, содержащих в качестве объясняющей переменной зависимую переменную с единичным лагом:

Слайд 16

Описание слайда:

Статистика Дарбина-Уотсона Статистика Дарбина-Уотсона имеет вид:

Слайд 17

Описание слайда:

Границы для статистики Дарбина-Уотсона Можно показать, что: Отсюда следует: При положительной корреляции: При отрицательной корреляции: При отсутствии корреляции:

Слайд 18

Описание слайда:

Критические точки распределения Дарбина-Уотсона Для более точного определения, какое значение DW свидетельствует об отсутствии автокорреляции, а какое – о ее наличии, построена таблица критических точек распределения Дарбина-Уотсона.

Слайд 19

Описание слайда:

Критические точки распределения Дарбина-Уотсона

Слайд 20

Описание слайда:

Расположение критических точек распределения Дарбина-Уотсона При положительной корреляции: При отрицательной корреляции: При отсутствии корреляции:

Слайд 21

Описание слайда:

Практическое использование теста Дарбина-Уотсона

Слайд 22

Описание слайда:

Интерпретация результата теста Дарбина-Уотсона при некотором уровне значимости

Слайд 23

Описание слайда:

Устранение автокорреляции первого порядка (при известном коэффициенте автокорреляции) Пусть имеем: (  известно) Процедура устранения автокорреляции остатков: Отсюда: Проблема потери первого наблюдения преодолевается с помощью поправки Прайса-Винстена:

Слайд 24

Описание слайда:

Устранение автокорреляции первого порядка. Обобщения Рассмотренное авторегрессионное преобразование может быть обобщено на: 1) Произвольное число объясняющих переменных 2) Преобразования более высоких порядков AR(2), AR(3) и т.д.:

Слайд 25

Описание слайда:

Способы оценивания коэффициента автокорреляции  1. На основе статистики Дарбина-Уотсона. 2. Процедура Кохрейна-Оркатта. 3. Процедура Хилдрета-Лу. 4. Процедура Дарбина 5. Метод первых разностей.

Слайд 26

Описание слайда:

Определение коэффициента  на основе статистики Дарбина-Уотсона Этот метод дает удовлетворительные результаты при большом числе наблюдений.

Слайд 27

Описание слайда:

Итеративная процедура Кохрейна-Оркатта (на примере парной регрессии) 1. Определение уравнения регрессии и вектора остатков: 2. В качестве приближенного значения  берется его МНК-оценка: 3. Для найденного * оцениваются коэффициенты 0 1: 4. Подставляем в (*) и вычисляем Возвращаемся к этапу 2.

Слайд 28

Описание слайда:

Итеративная процедура Хилдрета-Лу (поиск по сетке) 1. Определение уравнения регрессии и вектора остатков: 2. Оцениваем регрессию для каждого возможного значения [1,1] с некоторым достаточно малым шагом, например 0,001; 0,01 и т.д. 3. Величина *, обеспечивающая минимум стандартной ошибки регрессии принимается в качестве оценки автокорреляции остатков.

Слайд 29

Описание слайда:

Итеративные процедуры оценивания коэффициента . Выводы 1. Сходимость процедур достаточно хорошая. 2. Метод Кохрейна-Оркатта может «попасть» в локальный (а не глобальный) минимум. 3. Время работы процедуры Хилдрета-Лу значительно сокращается при наличии априорной информации об области возможных значений .

Слайд 30

Описание слайда:

Процедура Дарбина (на примере парной регрессии) Пусть имеет место автокорреляция остатков:

Слайд 31

Описание слайда:

Процедура Дарбина (на примере парной регрессии) Процедура Дарбина представляет собой традиционный МНК снелинейными ограничениями типа равенств:

Слайд 32

Описание слайда:

Итеративная процедура метода Дарбина 1. Считается регрессия и находятся остатки. 2. По остаткам находят оценку коэффициента автокорреляции остатков. 3. Оценка коэффициента автокорреляции используется для пересчета данных и цикл повторяется. Процесс останавливается, как только обеспечивается достаточная точность (результаты перестают существенно улучшаться).

Слайд 33

Описание слайда:

Обобщенный метод наименьших квадратов. Замечания 1. Значимый коэффициент DW может указывать просто на ошибочную спецификацию. 2. Последствия автокорреляции остатков иногда бывают незначительными. 3. Качество оценок может снизиться из-за уменьшения числа степеней свободы (нужно оценивать дополнительный параметр). 4. Значительно возрастает трудоемкость расчетов.