Ինչու է ավտոկոռելացիան վատ:

2024 Հեղինակ: Miles Stephen | [email protected]. Վերջին փոփոխված: 2023-12-15 23:37

Այս համատեքստում, ավտոկոռելացիա մնացորդների վրա է վատ ', քանի որ դա նշանակում է, որ դուք բավականաչափ լավ չեք մոդելավորում տվյալների կետերի միջև հարաբերակցությունը: Հիմնական պատճառը, թե ինչու մարդիկ չեն տարբերում շարքը, այն է, որ նրանք իրականում ցանկանում են մոդելավորել հիմքում ընկած գործընթացը այնպես, ինչպես կա:

Հետևաբար, ինչո՞ւ է մեզ անհրաժեշտ ավտոկոռելացիա։

Ավտոկոռելացիա , որը նաև հայտնի է որպես սերիական հարաբերակցություն, է ազդանշանի հարաբերակցությունը իր հետաձգված պատճենի հետ՝ որպես ուշացման ֆունկցիա։ Այն է հաճախ օգտագործվում է ազդանշանի մշակման մեջ ֆունկցիաների կամ արժեքների շարքերի վերլուծության համար, ինչպիսիք են ժամանակի տիրույթի ազդանշանները:

Բացի այդ, ի՞նչ է մեզ ասում Դուրբին Ուոթսոնը: Վիճակագրության մեջ Դուրբին – Ուոթսոնը վիճակագրությունը թեստային վիճակագրություն է, որն օգտագործվում է ռեգրեսիոն վերլուծության արդյունքում մնացորդների (կանխատեսման սխալներ) 1-ին ուշացումով ավտոկոռելյացիայի առկայությունը հայտնաբերելու համար:

Նմանապես կարելի է հարցնել, թե որո՞նք են ավտոկոռելյացիայի հետևանքները գծային ռեգրեսիայում:

Այն ավտոկոռելյացիայի հետևանքները OLS գնահատողի հետևողականության հատկության սխալների շարքում: Մեջ գծային ռեգրեսիա մոդել, նույնիսկ այն դեպքում, երբ սխալները ավտոմատ կերպով փոխկապակցված են և ոչ նորմալ են սովորական նվազագույն քառակուսիների (OLS) գնահատիչը հետընթաց գործակիցները () հակված են β-ին:

Ի՞նչ է պատահում, եթե սխալի տերմինները փոխկապակցված են:

Սխալ պայմաններ առաջանալ երբ մոդելը լիովին ճշգրիտ չէ և իրական աշխարհի կիրառման ընթացքում հանգեցնում է տարբեր արդյունքների: Երբ սխալ պայմանները տարբեր (սովորաբար հարակից) ժամանակաշրջաններից (կամ խաչմերուկի դիտարկումներ) են փոխկապակցված , է սխալի ժամկետը սերիական է փոխկապակցված.