Autokorrelation och Durbin-Watson testet. Patrik Zetterberg. 17 december 2012

HTML
DOWNLOAD

Storlek: px

Starta visningen från sidan:

Download "Autokorrelation och Durbin-Watson testet. Patrik Zetterberg. 17 december 2012"

Jörgen Henriksson
för 6 år sedan
Visningar:

1 Föreläsning 6 Autokorrelation och Durbin-Watson testet Patrik Zetterberg 17 december / 14

2 Korrelation och autokorrelation På tidigare föreläsningar har vi analyserat korrelationer för stickprov och stokastiska variabler. I tidsserieanalys är intresserade av hur en variabel y t korrelerar med sig själv mellan olika tidpunkter. Denna typ av korrelation kallas autokorrelation 3 / 14

3 Korrelation och autokorrelation Det vi vill göra är att beräkna autokorrelationen mellan y t och y t 1 i en observerad tidsserie. Vi har observerat serien y t. Vi skapar serien y t 1 genom att genom att skjuta fram serien y t en tidsperiod. t y t y t * y t 1 kallas det laggade värdet av y t / 14

4 Korrelation och autokorrelation Vi har tio observationer på denna tidsserie. t y t y t Summa 100 Korrelerar variablerna y t och y t 1? Vi börjar med ett spridningsdiagram.

5 Korrelation och autokorrelation Vi har den laggade variabeln y t 1 på y-axeln och den ursprungliga y t på x-axeln. Alltså är det första paret i tabellen är (8, 13). Längst till vänster ser vi de två paren (4, 4) och (4, 15). (y = 10)

6 Korrelation och autokorrelation Med inspiration av definitionen ovan av korrelation mellan två variabler, söker vi nu något liknande mellan y t och y t 1. Om vi har en tidsserie y 1, y 2,..., y n, så definieras stickprovets autokorrelationsfunktion i laggen 1 som r 1 = n t=2 (y t y) (y t 1 y) n t=1 (y t y) 2. (1) Vi har n = 10 observationer. Summan av observationerna är etthundra, så medelvärdet för y t är tio.

7 Korrelation och autokorrelation För att beräkna täljaren i (1) fyller vi på tabellen nedan t y t y t 1 y t 10 y t 1 10 (y t 10)(y t 1 10) Summa -27

8 Korrelation och autokorrelation Ur kolumn 4 i tabellen kan vi även beräkna nämnaren i (1). Den blir ( 2) = 144. Alltså blir r 1 = = Med detta värde är vi inte så långt från att y t och y t 1 är okorrelerade. Tecknet kunde anas utav plotten ovan. Storleken mycket svår att se.

9 Korrelation och autokorrelation Allt som sagts ovan om korrelationen hos en tidserie mellan observationerna på ett stegs tidsavstånd kan generaliseras till två stegs avstånd, tre steg o s v. För att kunna gissa vad korrelationen är på två stegs avstånd, så kan man plotta y t mot y t 2. Genom formeln n t=3 r 2 = (y t y) (y t 2 y) n t=1 (y t y) 2. definieras stickprovets autokorrelationsfunktion i laggen 2. I vårt exempel kan man visa att r 2 = Ämnet återkommer i samband med ARIMA-modeller.

10 Korrelation och autokorrelation Vi får till slut autokorrelationen vid lag k som r k = n t=k+1 (y t ȳ)(y t k ȳ) n t=1 (y t ȳ) 2 Eftersom vi i täljaren summerar över alla tidpunkter från k och framåt så tappar vi k observationer i början av tidsserien y t i beräkningarna. 5 / 14

11 Autokorrelerade feltermer Hittills har vi endast undersökt autokorrelation i y t men vi är också ofta intresserade av om det finns autokorrelation i feltermerna ε t : ε t i en linjär modell antas vara oberoende stokastiska variabler. Är feltermerna oberoende medför detta att Corr(ε t,ε t k )=0. Eftersom residualerna e t = y t ŷ t skattar ε i ska residualerna bevara oberoendet. Tyvärr är detta ett för kraftigt antagande när vi använder regressionsmetoder på tidsseriedata. 6 / 14

12 Autokorrelerade feltermer Förklaringar till att feltermer i olika laggar är autokorrelerade kan vara att man inte har tagit hänsyn till cykliska effekter eller säsongsfluktuationer i en tidsserie. Detta blir ett problem eftersom Vi missar att modellera effekter i y t vilket ger dåliga prognoser. Skattningarna gjorda med minsta kvadratmetoden påverkas. s 2 e kommer att underskatta den sanna variasen σ 2. Därför kommer s 2 b k att underskatta V (b k ). Konsekvensen är att inferensen (t-test, F -test, konfidensintervall, etc) blir opålitlig! 7 / 14

13 Autokorrelerade feltermer - Grafisk analys Två sätt att upptäcka autokorrelation grafiskt är att plotta residualerna e t mot tiden t respektive de laggade residualerna e t 1. Residualer mot t Residualer mot laggade residualer residualer residualer Time lag(residualer, 1) 8 / 14

14 Autokorrelerade feltermer - Grafisk analys De två spridningsdiagrammen är baserade på samma tidsserie. Vi kan se tydliga tecken på autokorrelation: Plot 1 - många residualer i följd med samma tecken indikerar en positiv autokorrelation. Plot 2 - tolkar sambandet som vanlig korrelation. Positivt, starkt linjärt samband indikerar positiv autokorrelation nära 1. Hur kan vi avgöra om autokorrelationen för feltermerna är signifikant skild ifrån 0? 9 / 14

15 Vi måste ha en specifik typ av korrelation mellan feltermerna! Föreställ er att på ett stegs avstånd mellan feltermerna ε t och ε t 1 så har vi korrelationen φ. två stegs avstånd mellan feltermerna ε t och ε t 2 så har vi korrelationen φ 2. tre stegs avstånd mellan feltermerna ε t och ε t 3 så har vi korrelationen φ 3. till slut på k stegs avstånd mellan feltermerna ε t och ε t k så har vi korrelationen φ k. Korrelationerna på de olika tidsavstånden utgör alltså en talföljd φ, φ 2, φ 3,..., φ k.

16 Autokorrelerade feltermer En modell med en sådan autokorrelationsstruktur är: ε t = φε t 1 + a t, t = 1, 2,... (2) Enligt definitionen för korrelationer gäller att 1 φ 1. Denna modell kallas för en autoregressiv modell av första ordningen, vilket ofta förkortas som AR(1). De nya feltermerna a t har egenskaperna E(a t ) = 0, V (a t ) = σ 2 a, Corr(a t, a t k ) = 0 Om feltermer,a t, för en tidsserie har dessa egenskaper säger man att att a t är vitt brus (white noise). Vi förklarar begreppen vitt brus och AR(1) under nästa föreläsning. 10 / 14

17 Durbin-Watsons test: nollhypotesen Om φ = 0 i ekvation (2) ovan, så blir ε t = a t och feltermerna är som vanligt igen. Om φ > 0, så har vi en geometriskt fallande talföljd av uttrycket φ k vars samtliga medlemmar är positiva. (Se Sydsæter/Hammond, sidan 248 för talföljder). Låt oss därför testa H 0 : φ = 0 mot alternativet H a : φ > 0. Vi kan även uttrycka dessa hypoteser som mot alternativet H 0 : feltermerna är ej autokorrelerade H a : feltermerna är positivt autokorrelerade.

18 Durbin-Watsons test: testvariabeln Durbin-Watsons testvariabel ges som: d obs = n t=2 (e t e t 1 ) 2 n t=1 e2 t Där e t är residualerna vid tidpunkt t. Eftersom n n et 2 et 2 n t=1 t=2 t=2 e 2 t 1 då n är tillräckligt stort, kan d obs approximeras med: d obs n t=2 e te t 1 n t=1 e2 t (3) 11 / 14

19 Durbin-Watsons test: testvariabeln Lår oss skriva upp stickprovets autokorrelationsfunktion i laggen 1 för residualerna e 1, e 2,..., e n. Då har vi r 1 = n t=2 (e t e) (e t 1 e) n t=1 (e t e) 2. Nu är ju summan av residualerna noll, så e = 0, vilket ger r 1 = n t=2 e te t 1 n. t=1 e2 t Detta känner vi igen från (3) ovan, som alltså kan skrivas d r 1 = 2 2r 1 = 2(1 r 1 ).

20 Durbin-Watsons test: testvariabeln En approximation av testvariabeln är alltså d 2(1 r 1 ). Om nollhypotesen (ingen autokorrelation) är sann, så bör r 1 bli mycket nära noll och således d 2. Om vi har allvarlig positiv autokorrelation i feltermerna, blir r 1 > 0, så 1 r 1 < 1 och d < 2.

21 Durbin-Watsons test: testvariabeln För alla korrelationer gäller att 1 korrelationen 1. Då kan vi bestämma variationsområdet för d. Vi har att 1 r 1 1 r r 0 4 2(1 r) 0. Alltså ligger d approximativt mellan 0 och 4.

22 Durbin-Watsons test: beslutsregler Fördelningen för testvariabeln d är komplicerad och kan inte approximeras med någon känd fördelning. Därför skapade Durbin och Watson en egen tabell med gränsvärden för olika urvalsstorlekar n, signifikansnivåer α och antalet förklarande variabler k. Beslutsreglerna finns angivna i föreläsningsanteckningarna. Men man får en bra överblick av de kritiska gränserna genom att rita upp dem längs en tallinje som på s. 585 i NCT. 12 / 14

23 Durbin-Watsons test Ställ upp hypoteserna mot alternativet H 0 : feltermerna är ej autokorrelerade H a : feltermerna är positivt autokorrelerade (eller H 0 : φ = 0 mot alternativet H a : φ > 0 i modellen ε t = φε t 1 + a t för feltermerna) Testet är då följande: 1 Om d < d L,α, så förkastar vi H 0. 2 Om d > d U,α, så förkastar vi inte H 0. 3 Om d L,α d d U,α, så kan ingen slutsats dragas.

24 Durbin-Watsons test:alternativ mothypotes Sätt upp hypoteserna mot alternativet H 0 : feltermerna är ej autokorrelerade H a : feltermerna är negativt autokorrelerade (eller H 0 : φ = 0 mot alternativet H a : φ < 0 i modellen ε t = φε t 1 + a t för feltermerna) Testet är då följande: 1 Om 4 d < d L,α, så förkastar vi H 0. (Detta händer om d är stor, större än 3) 2 Om 4 d > d U,α, så förkastar vi inte H 0. 3 Om d L,α 4 d d U,α, så kan ingen slutsats dragas.

25 Durbin-Watsons test: Ett exempel Vi såg tidigare ett exempel på en tidsserie där residualerna visuellt såg ut att vara autokorrelerade. Vi ska testa om vi statistiskt kan säkerställa en autokorrelation. Hypotesuppställning är: H 0 : φ = 0 H 1 : φ > 0 I detta fall hade vi n = 60 observationer och en modell med k = 1 förklarande variabel. Om vi sätter signifikansnivån α = 5% kan vi i tabellen hitta gränsvärdena d L,0.05 och d U,0.05 : d L,0.05 = 1.55 och d U,0.05 = 1, 62 4 d L,0.05 = 2.45 och 4 d U,0.05 = / 14

26 Durbin-Watsons test: Ett exempel Då vi har n = 60 tar vi hjälp av R för att beräkna r 1 : [1] Vi beräknar testvariabelns approximativa värde: d obs 2(1 r 1 ) = 2(1 ( )) = Då d obs < d L,0.05 förkastas H 0 och vi drar slutsatsen att det finns en signifikant positiv autokorrelation mellan feltermerna i denna modell. 14 / 14

Relevanta dokument

Korrelation och autokorrelation

Korrelation och autokorrelation Låt oss begrunda uttrycket r = i=1 (x i x) (y i y) n i=1 (x i x) 2 n. i=1 (y i y) 2 De kvadratsummor kring de aritmetiska medelvärdena som står i nämnaren är alltid positiva.