应用回归分析(知识点整理)(四)——SPSS处理自相关(序列相关)
文章目录
- 自相关
- 自相关产生的原因
- 自相关产生的后果
- 自相关的检验方法
- 图示检验法
- 自相关系数法
- DW(杜宾沃森)检验
- 自相关的消除
- 迭代法
- 差分法
- SPSS处理自相关示例
自相关
自相关产生的原因
(1)忽略遗漏了关键变量
(2)经济变量的滞后性
(3)回归函数模型使用错误
(4)蛛网现象
(5)对数据加工整理而导致误差项之间产生自相关性
自相关产生的后果
(1)参数估计值不是最小方差线性无偏估计
(2)MSE可能会严重低估误差项方差
(3)显著性检验失效
(4)最小二乘估计量对波动敏感
(5)模型应用错误
自相关的检验方法
图示检验法
对已有的回归模型用最小二乘法估计参数,并求出残差e,以e值做散点图
(1)以e(t)为纵坐标,e(t-1)为横坐标绘制散点图
一般当散点大部分落在一三象限的时候,存在正的序列相关;
当散点大部分落在二四象限的时候,存在负的序列相关。
(2)蛛网现象则是误差项随着t的的增大而不停的变换正负符号,此时也说明存在序列相关
(3)误差项随着t的增大先有几个正的而后又有几个负的
自相关系数法
DW(杜宾沃森)检验
DW检验是常用的检验序列相关的一种检验方法,但是它仅限于小样本的检验并且只能适用于随机扰动具有一阶自回归的情况。
首先记自相关系数为p
则DW值可以近似等于**DW = 2(1-p)***
由于自相关系数的取值范围一般是在-1 到 1之间,所以DW值的取值范围在 0 到 4之间
根据样本量n和解释变量的数目可以查DW的分布表,记临界值上界为dU,临界值下界为dL
(1)当 0 <= DW <= dL,存在正自相关;当 4-dL <= DW <= 4,存在负自相关
(2)当 dL < DW <= dU 或 4 - dU <= DW < 4-dL,不能判定是否存在相关
(3)dU < DW < 4-dU ,误差项无自相关
即在DW = 2左右 时,一般模型不存在自相关。
通过上述范围可以看到,DW检验是存在一定的局限性的:
首先,他有两个不能判定是否存在自相关的区域,这时的解决办法只能是增大样本量,或者改用其他方法;
其次,DW的临界表中要求样本量n > 15
自相关的消除
迭代法
假如我们有两个函数表达式,
y2 = a + bx2 +c2 (1)
y1 = a + bx1 +c1 (2)
记自相关系数为 p ,再用(1)-(2)p
得到结果 y2 - py1 = (a - ap) + b(x2 - px1) + c2-pc1
即得到转换方程:
y2’ = y2 - py1
x2’ = x2 - px1
此处指列举两个方程的计算形势,更多方程时可以用下标 t 和下标 t-1表示
在得到转换方程后,利用DW和自相关系数 p 的关系,可以得到 p = 1 - 0.5DW
将p代入到转换方程中,利用新的变量y和变量x即可得到回归方程,此时是没有自相关问题存在的(一阶自相关,多阶需要迭代多次)
差分法
与上述迭代法类似,都是上下互减的形式,只不过以各自变量的增量替代原有变量y和变量x,进行回归模拟。
一阶差分法一般适用于一阶高度自相关的情况,即自相关系数 p 接近1的情况
SPSS处理自相关示例
存在以下数据(部分)
【分析】【回归】【线性】,勾选【德宾沃森】和【残差】
得到残差图和DW值如下图:
可以看到残差图是表现出来回归模型存在正的序列相关的,且DW值为0.745,通过查询DW临界值表可知,DW上界du=1.63,下界dl=1.46,则也表明回归模型存在正的序列相关。
迭代法处理数据
首先可以得到自相关系数 p = 1 - 0.5DW = 0.6275
然后通过【转换】【计算变量】,输入公式:x1’ = x1 - 0.6275lag(x1) ; y和x2也是同理替换
【分析】【回归】【线性】,利用得到的新变量做回归方程模拟,得到新的德宾沃森值为
可以看到,经过迭代法之后,DW处于无自相关区域,即消除了自相关性。
差分法处理数据
前提步骤和迭代法一样
【转换】【计算变量】,输入公式 x’ = x - LAG(x) ;同样保存三个变量
利用得到的三个变量,继续进行回归模拟,得到的DW值如下图:
可以看到,经过差分法的数据的DW值也在无自相关区间内,同样消除了自相关性
但是通过二者之间的方差来看,迭代法明显要优于差分法。
应用回归分析(知识点整理)(四)——SPSS处理自相关(序列相关)相关推荐
- 简练软考知识点整理-四控三管一协调
信息系统工程监理是指依法设立且具备相应资质的信息系统工程监理单位,受业主单位(建设单位)委托,依据国家有关法律法规.技术标准和信息系统工程监理合同,对信息系统工程项目实施的监督管理. 信息系 ...
- javascript知识点整理(四) 正则表达式
正则表达式 用于定义一些字符串的规则,计算机可以根据正则表达式,来检查字符串是否符合规则,获取字符串中符合规则的内容提取出来. 创建正则表达式对象 语法: var reg=new RegExp(&qu ...
- 四年级上册计算机知识点总结,四年级信息技术册主要知识点整理.doc
四年级信息技术册主要知识点整理 四年级信息技术上册主要知识点整理 四年级信息技术上册主要知识点整理 1.用电脑自带的画图工具画 标准圆 时,要先按下Shift 键,再拖动鼠标画圆. 2.使用画图工具时 ...
- 测试开发知识点整理(四)
Web自动化,接口测试和app测试 Web自动化 Web性能自动化 193. LoadRunner工具 194. 服务器性能监控工具(了解) 单元测试框架 195. JUnit框架 196. hamc ...
- 山东大学软件学院数据可视化知识点整理
数据可视化知识点整理 数据可视化主要工具: Google Refine Echarts Pyecharts Tableau R Rrocessing D3(JS) 主要编程工具: Python Lec ...
- 【Android 面试基础知识点整理】
针对Android面试中常见的一些知识点整理,Max 仅仅是个搬运工.感谢本文中引用文章的各位作者,给大家分享了这么多优秀文章.对于当中的解析,是原作者个人见解,有错误和不准确的地方,也请大家积极指正 ...
- 04741计算机网络原理知识点,04741计算机网络原理知识点整理.doc
04741计算机网络原理知识点整理 1.计算机网络大发展 计算机网络从20世纪70年代开始发展,他的演变可以概括为 面向终端的计算机网络.计算机-计算机网络.开放式标准化网络以及因特网广泛应用和高速网 ...
- python基础知识整理-python爬虫基础知识点整理
首先爬虫是什么? 网络爬虫(又被称为网页蜘蛛,网络机器人,在FOAF社区中间,更经常的称为网页追逐者),是一种按照一定的规则,自动的抓取万维网信息的程序或者脚本. 根据我的经验,要学习Python爬虫 ...
- 一天1个机器学习知识点(四)
陆陆续续整理的机器学习的知识点,资料大多数来自网上,不做盈利目的,如果侵权请告知即删!如果文章中有错误的地方还请各位同学指正,,一起学习,一起进步! 每天都在更新中,记得收藏,每天进步一点点!! 一天 ...
最新文章
- java swing调用H5_atitit.js javascript 调用c# java php后台语言api html5交互的原理与总结p97...
- 编程基本功:有了范例代码,怎么办?
- 树莓派安装CentOS
- git 命令之 如何将本地新建分支推到服务器上
- JS中new的实现原理及重写
- 【转】Linux设备驱动之I/O端口与I/O内存
- Java基础篇:什么是递归?如何用递归?
- js ajax mysql_Ajax与mysql数据交互实现留言板功能
- u盘pe启动盘怎么制作?
- GPS信息中提取经纬度坐标信息
- 社会学转计算机博士,科学网—记我国社会计算学科第一位博士 - 王帅的博文
- dwt:动态时间规整
- 【毕业设计_课程设计】手写数字识别系统的设计实现(源码+论文)
- 80老翁谈人生(156):老翁为何笃爱互联网?
- IDEA中如何打包为jar包
- Nokia5233手机和我装的几个symbian V5手机软件
- Win10出现0x8000000b错误如何解决?
- CE下中文输入法编辑器(转)
- 2022张宇考研基础30讲 第十二讲 二重积分
- 安卓(android)使用GPS,获取经纬度