Miért rossz az autokorreláció?
Miért rossz az autokorreláció?

Videó: Miért rossz az autokorreláció?

Videó: Miért rossz az autokorreláció?
Videó: Multicollinearity | Heteroscedasticity | Autocorrelation | Problem in Regression Analysis Explained 2024, Lehet
Anonim

Ebben az összefüggésben, autokorreláció a maradékon ez van rossz ', mert ez azt jelenti, hogy nem modellezed elég jól az adatpontok közötti korrelációt. A fő ok, amiért az emberek nem különböztetik meg a sorozatot, az az, hogy valójában a mögöttes folyamatot úgy akarják modellezni, ahogy van.

Következésképpen miért van szükségünk autokorrelációra?

Autokorreláció , más néven soros korreláció, van egy jel korrelációja önmaga késleltetett másolatával a késleltetés függvényében. Azt van gyakran használják a jelfeldolgozásban funkciók vagy értéksorok, például időtartomány jeleinek elemzésére.

És mit mond nekünk Durbin Watson? A statisztikákban a Durbin – Watson A statisztika egy tesztstatisztika, amelyet az autokorreláció jelenlétének kimutatására használnak 1. késleltetésnél a regressziós elemzés maradékaiban (előrejelzési hibák).

Hasonlóan feltehetjük a kérdést, hogy milyen következményei vannak az autokorrelációnak a lineáris regresszióban?

Az autokorreláció hatásai az OLS becslés konzisztencia tulajdonságának hibái között. Az a lineáris regresszió akkor is alkalmazza a modellt, ha a hibák autokorreláltak és nem normálisak, a közönséges legkisebb négyzetek (OLS) becslése regresszió együtthatók () valószínűségében β-hoz konvergálnak.

Mi történik, ha a hibakifejezések korrelálnak?

Hibakifejezések előfordul amikor egy modell nem teljesen pontos, és a valós alkalmazások során eltérő eredményeket ad. Amikor hiba szempontjából különböző (általában szomszédos) időszakokból (vagy keresztmetszeti megfigyelésekből) vannak korrelált , az hiba kifejezés sorozatban van korrelált.

Ajánlott: