Автокорреляция в остатках. Критерий Дарбина-Уотсона

  • Просмотров 1999
  • Скачиваний 73
  • Размер файла 34
    Кб

Министерство образования и науки Республики Казахстан Костанайский государственный университет им. А. Байтурсынова Факультет экономический Кафедра информационных систем Доклад Дисциплина: Эконометрика На тему: Автокорреляция в остатках. Критерий Дарбина-Уотсона Выполнила: студентка 2 курса 050509-Финансы,08-501-45 группы Бимурзина Бахытгуль Проверил: Жуаспаев Т.А. Костанай,2010 год СОДЕРЖАНИЕ: 1.Критерий Дарбина-Уотсона.

2.Уравнение автокорреляции в остатках путем расчета критерия Дарбина-Уотсона. 1. Критерий Дарбина-Уотсона (или DW-критерий) — статистический критерий, используемый для нахождения автокорреляции остатков первого порядка регрессионной модели. Критерий назван в честь Джеймса Дарбина и Джеффри Уотсона. Критерий Дарбина-Уотсона рассчитывается по следующей формуле: где ρ1 — коэффициент автокорреляции первого порядка. В случае

отсутствия автокорреляции ошибок d = 2, при положительной автокорреляции d стремится к нулю, а при отрицательной стремится к 4: На практике применение критерия Дарбина—Уотсона основано на сравнении величины d с теоретическими значениями dL и dU для заданного числа наблюдений n, числа независимых переменных модели k и уровня значимости α. Если d < dL, то гипотеза о независимости случайных отклонений отвергается (следовательно

присутствует положительная автокорреляция); Если d > dU, то гипотеза не отвергается; Если dL < d < dU, то нет достаточных оснований для принятия решений. Когда расчетное значение d превышает 2, то с dL и dU сравнивается не сам коэффициент d, а выражение (4 − d). Также с помощью данного критерия выявляют наличие коинтеграции между двумя временными рядами. В этом случае проверяют гипотезу о том, что фактическое значение критерия равно

нулю. С помощью метода Монте-Карло были получены критические значения для заданных уровней значимости. В случае, если фактическое значение критерия Дарбина—Уотсона превышает критическое, то нулевую гипотезу об отсутствии коинтеграции отвергают. Недостатки: Неприменим к моделям авторегрессии. Не способен выявлять автокорреляцию второго и более высоких порядков. Даёт достоверные результаты только для больших выборок].