UA MATH571A 多元线性回归V 自相关与非线性模型简介
UA MATH571A 多元线性回归V 自相关与非线性模型简介
- 一阶误差自相关模型
- Durbin-Watson检验
- 一阶自相关的消去
- Cochrane-Orcutt方法
- Hildreth-Lu方法
- 非线性回归及其最小二乘估计
- 神经网络简介
- Penalized Least Square
一阶误差自相关模型
时间序列数据误差项可能存在自相关,比较简单的处理方法是假设误差项服从一阶自相关模型(First-order Auto-correlation Error Model)。假设Yt,t=1,2...,TY_t,t=1,2...,TYt,t=1,2...,T表示被解释变量的时间序列数据,XtX_tXt表示常数项以及p−1p-1p−1个被解释变量的时间序列数据
Yt=Xtβ+ϵtϵt=ρϵt−1+utY_t = X_t \beta + \epsilon_t \\ \epsilon_t = \rho \epsilon_{t-1} + u_t Yt=Xtβ+ϵtϵt=ρϵt−1+ut
其中参数ρ\rhoρ需要满足∣ρ∣<1|\rho|<1∣ρ∣<1以保证平稳性,另外ut∼N(0,σ2)u_t \sim N(0,\sigma^2)ut∼N(0,σ2),且Cov(ut,us)=0,t≠sCov(u_t,u_s)=0, t \ne sCov(ut,us)=0,t=s。误差项具有如下性质
- E(ϵt)=0E(\epsilon_t)=0E(ϵt)=0
- Var(ϵt)=σ21−ρ2Var(\epsilon_t)=\frac{\sigma^2}{1-\rho^2}Var(ϵt)=1−ρ2σ2
- Cov(ϵt,ϵt−s)=ρs(σ21−ρ2)Cov(\epsilon_t,\epsilon_{t-s})=\rho^s(\frac{\sigma^2}{1-\rho^2})Cov(ϵt,ϵt−s)=ρs(1−ρ2σ2)
- Corr(ϵt,ϵt−s)=ρsCorr(\epsilon_t,\epsilon_{t-s})=\rho^sCorr(ϵt,ϵt−s)=ρs
假设误差项同分布,则
E(ϵt)=ρE(ϵt−1)+0⟺E(ϵt)=0,∀tE(\epsilon_t) = \rho E(\epsilon_{t-1}) + 0 \Longleftrightarrow E(\epsilon_t)=0, \forall t E(ϵt)=ρE(ϵt−1)+0⟺E(ϵt)=0,∀t
Var(ϵt)=ρ2Var(ϵt−1)+σ2⟺Var(ϵt)=σ21−ρ2,∀tVar(\epsilon_t) = \rho^2 Var(\epsilon_{t-1}) + \sigma^2 \Longleftrightarrow Var(\epsilon_t)=\frac{\sigma^2}{1-\rho^2}, \forall t Var(ϵt)=ρ2Var(ϵt−1)+σ2⟺Var(ϵt)=1−ρ2σ2,∀t
根据误差项的递推关系
ϵt=ρ(ρϵt−2+ut−1)+ut=ρ2ϵt−2+(ut+ρut−1)=...=ρsϵt−s+∑j=0s−1ρjut−j\epsilon_t = \rho(\rho\epsilon_{t-2}+u_{t-1})+u_{t} = \rho^2 \epsilon_{t-2} + (u_t+\rho u_{t-1}) \\ = ... = \rho^s \epsilon_{t-s} + \sum_{j=0}^{s-1} \rho^ju_{t-j} ϵt=ρ(ρϵt−2+ut−1)+ut=ρ2ϵt−2+(ut+ρut−1)=...=ρsϵt−s+j=0∑s−1ρjut−j
Cov(ϵt,ϵt−s)=ρsVar(ϵ),Corr(ϵt,ϵt−s)=ρsCov(\epsilon_t,\epsilon_{t-s})=\rho^s Var(\epsilon), Corr(\epsilon_t,\epsilon_{t-s})=\rho^s Cov(ϵt,ϵt−s)=ρsVar(ϵ),Corr(ϵt,ϵt−s)=ρs
Durbin-Watson检验
在使用一阶误差自相关模型之前,要先验证误差项的一阶自相关关系是否显著,Durbin-Watson检验(简称DW检验)可以达到这个目的。
H0:ρ=0Ha:ρ>0H_0: \rho = 0 \\ H_a: \rho > 0 H0:ρ=0Ha:ρ>0
首先拟合多元回归模型并计算残差et,t=1,2,...,Te_t,t=1,2,...,Tet,t=1,2,...,T,然后计算DW统计量
DW=∑t=2T(et−et−1)2∑t=1Tet2DW = \frac{\sum_{t=2}^T (e_t - e_{t-1})^2}{\sum_{t=1}^T e_t^2} DW=∑t=1Tet2∑t=2T(et−et−1)2
这个统计量的精确分布难以获得,但Durbin和Watson给出了它的上界dUd_UdU和下界dLd_LdL。若DW>dUDW>d_UDW>dU,接受原假设;若DW<dLDW<d_LDW<dL,接受备择假设;其他情况无法下结论。
一阶自相关的消去
一阶误差自相关模型可以看成是一个比较简单的两层模型,多元回归是测量方程,误差的一阶自回归是状态方程。尽管如此,这个模型还是不够直观,因此在确定误差项存在一阶自回归后可以采取一些变换使得变换后的模型是线性回归。若误差项存在一阶自回归,则被解释变量也会存在一阶自回归。定义
Yt∗=Yt−ρYt−1,Xt∗=Xt−ρXt−1Y_t^{*} = Y_t - \rho Y_{t-1}, X_t^* = X_t - \rho X_{t-1} Yt∗=Yt−ρYt−1,Xt∗=Xt−ρXt−1
根据一阶自相关误差模型,
Yt∗=Yt−ρYt−1=Xtβ+ϵt−ρ(Xt−1β+ϵt−1)=(Xt−ρXt−1)β+(ϵt−ρϵt−1)=Xt∗β+utY_t^{*} = Y_t - \rho Y_{t-1} = X_t \beta + \epsilon_t - \rho(X_{t-1} \beta + \epsilon_{t-1} ) \\ = (X_t - \rho X_{t-1})\beta + (\epsilon_t-\rho \epsilon_{t-1}) = X_t^* \beta + u_t Yt∗=Yt−ρYt−1=Xtβ+ϵt−ρ(Xt−1β+ϵt−1)=(Xt−ρXt−1)β+(ϵt−ρϵt−1)=Xt∗β+ut
这样就实现了将两层的线性模型化为多元线性回归。然而这个方法需要已知ρ\rhoρ,或者先给出ρ\rhoρ的估计量。以下给出三种具体的操作方法。
Cochrane-Orcutt方法
先直接拟合多元线性回归Yt=Xtβ+ϵtY_t=X_t\beta + \epsilon_tYt=Xtβ+ϵt得到残差ete_tet,按估计相关性系数的方法估计rhorhorho,假设估计量为rrr
r=∑t=2Tetet−1∑t=2Tet−12r = \frac{\sum_{t= 2}^T e_t e_{t-1}}{\sum_{t=2}^T e_{t-1}^2} r=∑t=2Tet−12∑t=2Tetet−1
用这个估计量对数据做变换,并估计回归模型Yt∗=Xt∗β+utY_t^{*} = X_t^* \beta + u_tYt∗=Xt∗β+ut。需要注意的是,还需要对这个回归残差做Durbin-Watson检验,如果这个变换后的回归模型误差项是否还有自相关,如果还存在自相关,就再做一个这个操作。
Hildreth-Lu方法
假设系数的估计量为β^\hat{\beta}β^,则模型的SSE为
SSE=∑t=1T(Yt∗−Y^t∗)2SSE = \sum_{t=1}^T (Y_t^{*} - \hat{Y}_t^{*})^2 SSE=t=1∑T(Yt∗−Y^t∗)2
Hildreth-Lu方法和之前说过的Box-Cox找λ\lambdaλ类似。因为SSE中数据的变换与系数估计量β^\hat{\beta}β^都取决于ρ\rhoρ,因此可以使用一些搜寻算法找使得SSE最小的ρ\rhoρ的值作为其估计量。
非线性回归及其最小二乘估计
假设回归方程为
Yi=f(Xi,γ)+ϵiY_i = f(X_i,\gamma) + \epsilon_i Yi=f(Xi,γ)+ϵi
其中γ\gammaγ是回归系数,如果fff关于γ\gammaγ是线性函数,则模型是线性回归;如果fff关于γ\gammaγ是非线性函数,则模型是非线性回归。系数γ\gammaγ的估计可以采用最小二乘法
minγQ=∑i=1N(Yi−f(Xi,γ))\min_{\gamma} Q=\sum_{i=1}^N (Y_i - f(X_i,\gamma) ) γminQ=i=1∑N(Yi−f(Xi,γ))
求解这个最优化可以得到系数的最小二乘估计量,能否找到解析解完全取决于fff的形式,但大多数时候都只能用数值方法求解。比较常用的是Gauss-Newton算法、最速下降法以及Marquardt算法等。
神经网络简介
这里介绍一下两层前馈神经网络(one-hidden-layer,feedforward NN)。Hi∈Rm,i=1,2,...,NH_i \in \mathbb{R}^m,i=1,2,...,NHi∈Rm,i=1,2,...,N表示derived predictors,fff是非线性函数,
Yi=f(Hiβ)+ϵiY_i = f(H_i \beta) + \epsilon_i Yi=f(Hiβ)+ϵi
其中HiH_iHi由被解释变量决定,定义Hi0=1H_{i0}=1Hi0=1
Hij=gj(Xiαj),j=1,2,...,m−1H_{ij} = g_j(X_i\alpha_j), j = 1,2,...,m-1 Hij=gj(Xiαj),j=1,2,...,m−1
其中gjg_jgj是激活函数。在这个模型中,假设激活函数为gj(z)=zg_j(z)=zgj(z)=z,则模型退化为非线性回归;若进一步假设fff是线性函数,则模型退化为线性回归。
Penalized Least Square
上述模型中的参数为β\betaβ与α\alphaα,共有m+(m−1)pm+(m-1)pm+(m−1)p个参数需要估计,相比多元线性回归的p个而言算是相当多了。如果样本数量无法保证N>>m+(m−1)pN>>m+(m-1)pN>>m+(m−1)p,就需要注意以下模型是否会过拟合(over fit)。通常处理方法是在最小二乘的基础上加一个惩罚项(penalty):
minβ,αQ=∑i=1N[Yi−f(g(Xα)β)]2+pλ(α,β)\min_{\beta,\alpha} Q = \sum_{i=1}^N [Y_i-f(g(X\alpha)\beta)]^2 + p_{\lambda}(\alpha,\beta) β,αminQ=i=1∑N[Yi−f(g(Xα)β)]2+pλ(α,β)
pλ(α,β)=λ(∣∣β∣∣22+∣∣α∣∣22)p_{\lambda}(\alpha,\beta) = \lambda(||\beta||_2^2 + ||\alpha||_2^2) pλ(α,β)=λ(∣∣β∣∣22+∣∣α∣∣22)
参数λ\lambdaλ的作用是在过拟合与欠拟合(under fit)之间作一个trade-off,如果λ\lambdaλ取得太小,惩罚项就没什么意义,同样可能过拟合;如果λ\lambdaλ取得太大,残差项没什么意义,相当于只是在一味地限制系数的大小而不去考虑拟合得好不好,这样就会欠拟合。
UA MATH571A 多元线性回归V 自相关与非线性模型简介相关推荐
- UA MATH571A 多元线性回归I 模型设定与推断
UA MATH571A 多元线性回归I 模型设定与推断 模型设定 最小二乘法(Method of Least Square) 系数 Mean Response and Residual 多元回归的AN ...
- UA MATH571A 多元线性回归IV 广义线性模型
UA MATH571A 多元线性回归IV 广义线性模型 广义线性模型 二值被解释变量 Probit模型 Logit模型 系数的最大似然估计 系数的推断 Wald检验 似然比检验 二项回归 拟合优度检验 ...
- UA MATH571A 多元线性回归II 变量选择
UA MATH571A 多元线性回归II 变量选择 多项式回归与交互项回归 阶数的确定 含质量型变量的回归 含质量型变量的交互项 二值变量与二值变量的交互项 二值变量与数量型变量的交互项 变量选择的准 ...
- UA MATH571A 一元线性回归IV 模型诊断
UA MATH571A 一元线性回归IV 模型诊断 解释变量 解释变量的可视化 残差 残差的性质 Semistudentized Residual 残差的可视化 残差关于解释变量的图 残差关于拟合值的 ...
- UA MATH571A 一元线性回归II 统计推断2
UA MATH571A 一元线性回归II 统计推断2 β0\beta_0β0的分布 拟合与预测 拟合值的区间估计 预测值的区间估计 数值例子:女性肌肉量与年龄的关系 β0\beta_0β0的分布 ...
- UA MATH571A 一元线性回归III 方差分析与相关性分析
UA MATH571A 一元线性回归III 方差分析与相关性分析 ANOVA Table F检验 回归系数的F检验 F检验与t检验等价 广义线性检验方法 R2R^2R2 数值例子:女性肌肉量与年龄的关 ...
- UA MATH571A 一元线性回归II 统计推断1
UA MATH571A 一元线性回归II 统计推断1 β1\beta_1β1的假设检验与置信区间 Gauss-Markov定理 检验的势 双边检验,单边检验与置信区间 置信区间 双边检验 单边检验 ...
- UA MATH571A 一元线性回归I 模型设定与估计
UA MATH571A 一元线性回归I 模型设定与估计 模型设定 最小二乘法(Method of Least Square) Coefficients Mean Response and Residu ...
- 多元线性回归—自相关
文章目录 @[toc] 1 什么是自相关 1.1 自相关概念 1.2 自相关产生的原因 1.3 自相关表现形式 2 自相关后果 2.1 对估计参数的影响 2.2 对模型检验的影响 3自相关检验 3.1 ...
最新文章
- java 面试题汇总
- 低版本ulibc支持recvmmsg sendmmsg功能
- 使用七牛云和PicGo搭建图床
- SQL Server数据库大型应用解决方案总结
- 对于Ping的过程,你真的了解吗?
- [css] 举例说明时间、频率、角度、弧度、百分度的单位分别是哪些?
- 58如何调出eclipse左边文件栏
- leetcode371. 两整数之和 不用+号做加法
- qt中设置父窗口中某一控件样式后,子窗口中某一控件也随父控件样式
- VC制作类似于IE4的酷工具条
- 一文带你探究Sentinel的独特初始化
- 《MongoDB管理与开发精要》——2.6节常用GUI管理工具
- 采用docker部署3台Redis分布式红锁实例
- IS-IS详解(五)——IS-IS 三次握手与两次握手
- [Cogs728] [网络流24题#3] 最小路径覆盖 [网络流,最大流,二分图匹配]
- flacs 安装教程_绍兴拖拽式撬装加油装置建站方案
- c语言实现通讯录(详解)
- Matlab中散点图绘制详细教程scatter函数(附matlab代码)
- 国外遥感影像如何下载之利用USGS网站影像下载无需JAVA
- 《大数据时代》读书笔记——知道“是什么”就够了,没必要知道“为什么”。我们不必非得知道现象背后的原因,而是要让数据自己“发声”
热门文章
- Leetcode 209. 长度最小的子数组 解题思路及C++实现
- x12arima季节调整方法_降低农村生活污水处理设备运营成本的方法
- 实现Runnable接口的形式创建线程
- @Autowired原理
- 各种主流数据库的比较
- Oracle 数据库设置最大进程数参数方法,oracle最大进程数满了处理方法,sysdba管理员登录报“maximum number of processes (150) exceeded“问题解决
- Git 技术篇 - GitHub克隆私有仓库方法,新主机绑定并同步github私有库实例演示
- Codeforces Round #476 (Div. 2) A. Paper Airplanes
- poj 3045 Cow Acrobats (贪心!!不是二分,)
- SURF角点检测(python)