Dlaczego autokorelacja jest zła?
Dlaczego autokorelacja jest zła?

Wideo: Dlaczego autokorelacja jest zła?

Wideo: Dlaczego autokorelacja jest zła?
Wideo: Multicollinearity | Heteroscedasticity | Autocorrelation | Problem in Regression Analysis Explained 2024, Listopad
Anonim

W tym kontekście, autokorelacja na resztkach jest ' zły ', ponieważ oznacza to, że nie modelujesz wystarczająco dobrze korelacji między punktami danych. Głównym powodem, dla którego ludzie nie różnicują serii, jest to, że faktycznie chcą modelować podstawowy proces takim, jaki jest.

Dlaczego więc potrzebujemy autokorelacji?

Autokorelacja , znany również jako korelacja szeregowa, jest korelacja sygnału z opóźnioną kopią samego siebie w funkcji opóźnienia. Ono jest często używany w przetwarzaniu sygnałów do analizy funkcji lub serii wartości, takich jak sygnały w dziedzinie czasu.

A co mówi nam Durbin Watson? W statystykach Durbin – Watson statystyka jest statystyką testową używaną do wykrywania obecności autokorelacji przy opóźnieniu 1 w resztach (błędach przewidywania) z analizy regresji.

Podobnie można zapytać, jakie są konsekwencje autokorelacji w regresji liniowej?

ten efekty autokorelacji wśród błędów we właściwości spójności estymatora OLS. W regresja liniowa modelu, nawet jeśli błędy są autoskorelowane i nienormalne, estymator zwykłych najmniejszych kwadratów (OLS) regresja współczynniki () zbiegają się w prawdopodobieństwie do β.

Co się stanie, jeśli terminy błędów są skorelowane?

Terminy błędów zdarzać się gdy model nie jest całkowicie dokładny i daje różne wyniki w rzeczywistych zastosowaniach. Kiedy warunki błędu z różnych (zazwyczaj sąsiadujących) okresów (lub obserwacji przekrojowych) są współzależny , ten termin błędu jest seryjnie współzależny.

Zalecana: