У меня есть матрица с двумя столбцами, которые имеют много цен (750). На изображении ниже я построил остатки следующей линейной регрессии:
lm(prices[,1] ~ prices[,2])
Глядя на изображение, кажется, очень сильная автокорреляция остатков.
Однако как я могу проверить, сильна ли автокорреляция этих остатков? Какой метод я должен использовать?
Спасибо!
r
regression
correlation
autocorrelation
нижняя палата парламента Ирландии
источник
источник
acf()
), но это просто подтвердит то, что можно увидеть простым глазом: корреляции между отставшими остатками очень высоки.qt(0.75, numberofobs)/sqrt(numberofobs)
Ответы:
Вероятно, есть много способов сделать это, но первый, который приходит на ум, основан на линейной регрессии. Вы можете регрессировать последовательные остатки друг против друга и проверить на значительный уклон. Если есть автокорреляция, то между последовательными остатками должна быть линейная зависимость. Чтобы закончить код, который вы написали, вы можете сделать:
mod2 - это линейная регрессия ошибки времени против ошибки времени . Если коэффициент для Res [-1] является значительным, у вас есть доказательства автокорреляции в остатках.ε t t - 1 ε t - 1T εT т - 1 εт - 1
Примечание. Это подразумевает, что невязки являются авторегрессионными в том смысле, что при прогнозировании важен только . В действительности могут существовать более дальние зависимости. В этом случае описанный мною метод следует интерпретировать как авторегрессионное приближение с одной задержкой к истинной автокорреляционной структуре в . ε t εεт - 1 εT ε
источник
Используйте тест Дурбина-Ватсона , реализованный в пакете lmtest .
источник
Тест DW или тест линейной регрессии не устойчивы к аномалиям в данных. Если у вас есть импульсы, сезонные импульсы, сдвиги уровней или тренды местного времени, эти тесты бесполезны, так как эти необработанные компоненты раздувают дисперсию ошибок и, таким образом, смещают тесты вниз, заставляя вас (как вы выяснили) неправильно принять нулевую гипотезу отсутствия автокорреляции. Перед тем, как использовать эти два теста или любой другой параметрический тест, о котором я знаю, нужно «доказать», что среднее значение остатков статистически не отличается от 0,0 ВЕЗДЕ, в противном случае лежащие в основе предположения неверны. Хорошо известно, что одним из ограничений теста DW является предположение о том, что ошибки регрессии обычно распределяются. Обратите внимание на нормально распределенные средства среди прочего: нет аномалий (см.http://homepage.newschool.edu/~canjels/permdw12.pdf ). Кроме того, DW-тест проверяет только автокорреляцию задержки 1. Ваши данные могут иметь недельный / сезонный эффект, и это может быть недиагностировано и, кроме того, без обработки приведет к смещению теста DW вниз.
источник