Графический метод

Есть ряд вариантов графического определения автокорреляции. Один из них увязывает отклонения ε_i с моментами их получения i. При этом по оси абсцисс откладывают либо время получения статистических данных, либо порядковый номер наблюдения, а по оси ординат – отклонения ε_i (либо оценки отклонений).

Естественно предположить, что если имеется определенная связь между отклонениями, то автокорреляция имеет место. Отсутствие зависимости скорее всего будет свидетельствовать об отсутствии автокорреляции.

Автокорреляция становится более наглядной, если построить график зависимости ε_i от ε_i-1

2. Коэффициент автокорреляции.

Если коэффициент автокорреляции r_ei < 0.5, то есть основания утверждать, что автокорреляция отсутствует.

Для определения степени автокорреляции вычислим коэффициент автокорреляции и проверим его значимость при помощи критерия стандартной ошибки. Стандартная ошибка коэффициента корреляции рассчитывается по формуле:

Коэффициенты автокорреляции случайных данных должны обладать выборочным распределением, приближающимся к нормальному с нулевым математическим ожиданием и средним квадратическим отклонением, равным

Если коэффициент автокорреляции первого порядка r₁ находится в интервале:

-2.101 • 0.224 < r₁ < 2.101 • 0.224

то можно считать, что данные не показывают наличие автокорреляции первого порядка.

Используя расчетную таблицу, получаем:

Так как -0.47 < r₁ = -0.0242 < 0.47, то свойство независимости остатков выполняется. Автокорреляции отсутствует.

3. Критерий Дарбина-Уотсона.

Этот критерий является наиболее известным для обнаружения автокорреляции.

При статистическом анализе уравнения регрессии на начальном этапе часто проверяют выполнимость одной предпосылки: условия статистической независимости отклонений между собой. При этом проверяется некоррелированность соседних величин e_i.

Для анализа коррелированности отклонений используют статистику Дарбина-Уотсона:

Критические значения d₁ и d₂ определяются на основе специальных таблиц для требуемого уровня значимости α, числа наблюдений n = 20 и количества объясняющих переменных m=1.

Автокорреляция отсутствует, если выполняется следующее условие:

d₁ < DW и d₂ < DW < 4 - d₂.

Не обращаясь к таблицам, можно пользоваться приблизительным правилом и считать, что автокорреляция остатков отсутствует, если 1.5 < DW < 2.5. Поскольку 1.5 < 1.93 < 2.5, то автокорреляция остатков отсутствует.

Для более надежного вывода целесообразно обращаться к табличным значениям.

По таблице Дарбина-Уотсона для n=20 и k=1 (уровень значимости 5%) находим: d₁ = 1.20; d₂ = 1.41.

Поскольку 1.20 < 1.93 и 1.41 < 1.93 < 4 - 1.41, то автокорреляция остатков отсутствует.

Проверка нормальности распределения остаточной компоненты.

Расчетное значение RS-критерия равно:

где ε_max = 5,14 – максимальное значение остатков, ε_min = -5,36 – минимальный уровень ряда остатков.

S_ε – среднеквадратическое отклонение

Расчетное значение RS-критерия не попадает в интервал (2,7-3,7), следовательно, свойство нормального распределения не выполняется. Таким образом, модель не адекватна по нормальности распределения остаточной компоненты.

Проверка наличия гетероскедастичности.

1) Методом графического анализа остатков.

В этом случае по оси абсцисс откладываются значения объясняющей переменной X, а по оси ординат либо отклонения e_i, либо их квадраты e²_i.

Если имеется определенная связь между отклонениями, то гетероскедастичность имеет место. Отсутствие зависимости скорее всего будет свидетельствовать об отсутствии гетероскедастичности.

2) При помощи теста ранговой корреляции Спирмена.

Коэффициент ранговой корреляции Спирмена.

Присвоим ранги признаку e_i и фактору X.

Матрица рангов.

Проверка правильности составления матрицы на основе исчисления контрольной суммы:

Сумма по столбцам матрицы равны между собой и контрольной суммы, значит, матрица составлена правильно.

По формуле вычислим коэффициент ранговой корреляции Спирмена.

Связь между признаком e_i и фактором X слабая и прямая