Автокорреляция случайных составляющих. Обнаружение автокорреляции случайных составляющих. Критерий Дарбина-Уотсона

23. Автокорреляция случайных составляющих. Обнаружение автокорреляции случайных составляющих.

Критерий  Дарбина-Уотсона. 

Лаговые переменные и автокорреляция уровней 

    Эконометрические модели, характеризующие протекание процесса во времени или состояние одного объекта в последовательные моменты времени (или периоды времени), представляют модели временных рядов. Временным рядом называется последовательность значений признака, принимаемых в течение нескольких последовательных моментов времени или периодов. Эти значения называются уровнями ряда. Между уровнями временного ряда, или ряда динамики, может иметься зависимость. В этом случае значения каждого последующего уровня ряда зависят от предыдущих. Подобную корреляционную зависимость между последовательными уровнями ряда динамики называют автокорреляцией уровней ряда.

    Количественное измерение корреляции осуществляется посредством использования линейного коэффициента корреляции между уровнями исходного временного ряда и уровнями этого ряда, сдвинутыми на несколько шагов во времени: 

    Если сдвиг во времени составляет всего один шаг, то соответствующий коэффициент корреляции называется коэффициентом автокорреляции уровней ряда первого порядка. При этом лаг равен 1. Измеряется же зависимость между соседними уровнями ряда. В общем случае число шагов (или циклов), на которые осуществляется сдвиг, характеризующий влияние запаздывания, также называется лагом. С увеличением лага число пар значений, по которым рассчитывается коэффициент автокорреляции, уменьшается.

    Динамика уровней ряда может иметь основную тенденцию (тренд). Это весьма характерно для экономических показателей. Тренд является результатом совместного длительного действия множества, как правило, разнонаправленных факторов на динамику исследуемого показателя. Довольно часто динамика уровней ряда подвержена циклическим колебаниям, которые зачастую носят сезонный характер. Иногда не удается выявить тренд и циклическую компоненту. Правда нередко в этих случаях каждый следующий уровень ряда образуется как сумма среднего уровня ряда и некоторой случайной компоненты.

    В очень многих случаях уровень временного ряда представляется в виде суммы тренда, циклической и случайной компонент или в виде произведения этих компонент. В первом случае это аддитивная модель временного ряда, во втором — мультипликативная модель. Исследование временного ряда заключается в выявлении и придании количественного выражения каждой из этих компонент, после чего удается использовать соответствующие выражения для прогнозирования будущих значений ряда. Можно также решать задачу построения модели взаимосвязи двух или нескольких временных рядов. 

Автокорреляционная  функция 

    Для выявления трендовой, циклической компонент можно использовать коэффициент автокорреляции уровней ряда и автокорреляционную функцию. Автокорреляционная функция — это последовательность коэффициентов автокорреляции уровней первого, второго и последующих порядков. Соответственно график зависимости значений автокорреляционной функции от величины лага (порядка коэффициента автокорреляции) — коррелограмма. Анализ автокорреляционной функции и коррелограммы позволяет определить лаг, при котором автокорреляция наиболее высокая, а следовательно, и лаг, при котором связь между текущим и предыдущими уровнями ряда наиболее тесная.

    Прежде чем пояснить это, отметим: коэффициент автокорреляции характеризует тесноту только линейной связи текущего и предыдущего уровней ряда. Если ряд имеет сильную нелинейную тенденцию, коэффициент автокорреляции может приближаться к нулю. Знак его не может служить указанием на наличие возрастающей или убывающей тенденции в уровнях ряда.

    Теперь об анализе структуры временного ряда с помощью автокорреляционной функции и коррелограммы. Довольно ясно, что, если наиболее высоким оказался коэффициент автокорреляции первого порядка, то исследуемый ряд содержит основную тенденцию, или тренд, и, скорее всего, только ее. Если ситуация иная, когда наиболее высоким оказался коэффициент корреляции некоторого отличного от единицы порядка, то ряд содержит циклические компоненты (циклические колебания) с периодом моментов времени. Наконец, если ни один из коэффициентов корреляции не является значимым, то достаточно правдоподобны следующие две гипотезы. Либо ряд не содержит ни тренда, ни циклических компонентов, так что его структура носит флуктуационный (резко случайный) характер. Либо имеется сильная нелинейная тенденция, обнаружение которой требует дополнительных специальных исследований.

    Автокорреляция связана с нарушением третьего условия Гаусса — Маркова, что значение случайного члена (случайного компонента, или остатка) в любом наблюдении определяется независимо от его значений во всех других наблюдениях. Для экономических моделей характерна постоянная направленность воздействия не включенных в уравнение регрессии переменных, являющихся наиболее частой причиной положительной автокорреляции. Случайный член в регрессионной зависимости подвергается воздействию переменных, влияющих на зависимую переменную, которые не включены в уравнение регрессии. Если значение случайного компонента в любом наблюдении должно быть независимым от его значения в предыдущем наблюдении, то и значение любой переменной, «скрытой» в случайном компоненте, должно быть некоррелированным с ее значением в предыдущем наблюдении.

    Попытки вычисления коэффициентов корреляции различных порядков и тем самым формирования автокорреляционной функции являются, так сказать, непосредственным выявлением корреляционной зависимости, которое иногда приводит к вполне удовлетворительным результатам. Имеются специальные процедуры оценивания неизвестного параметра σ в выражении линейной зависимости, представляющем рекуррентное соотношение, связывающее значения случайных компонентов в текущем и предыдущем наблюдениях (коэффициент авторегрессии).

    Тем не менее, необходимо иметь также и особые тесты на наличие или отсутствие корреляции по времени. В большинстве этих тестов используется такая идея: если имеется корреляция у случайных компонентов, то она присутствует также и в остатках, получаемых после применения к модели (уравнениям) обычного МНК. Не станем здесь вдаваться в подробности реализации этой идеи. Они не очень сложны, но связаны с громоздкими алгебраическими преобразованиями. Важнее иметь в виду следующее. Как правило, все или почти все они связаны с проверкой двух статистических гипотез. Нулевая гипотеза — отсутствие корреляции σ = 0. Альтернативная гипотеза либо просто состоит в том, что несправедлива гипотеза нулевая, т.е. σ ≠ 0, либо так называемая односторонняя, более точная σ > 0. Несмотря на вид второй (альтернативной) гипотезы, соответствующее распределение (используемое в критерии) зависит не только от числа наблюдений и количества регрессоров (объясняющих переменных), но и от всей матрицы коэффициентов при неизвестных в уравнениях системы.

    Понятно, что невозможно составить таблицу критических значений для всех матриц, так что приходится использовать обходные способы применения таких тестов. В тесте Дарбина — Уотсона используются для этого верхняя и нижняя (две) границы, которые уже зависят только от количества наблюдений, регрессоров и уровня значимости, таким образом, их уже можно «затабулировать» (составить для них таблицы). Правда, применение их (границ) далеко не всегда просто! Все ясно, когда соответствующая статистика (эмпирическое, или рассчитанное распределение) Дарбина — Уотсона меньше нижней границы, то отвергается нулевая гипотеза и принимается альтернативная гипотеза. Если же тест больше верхней границы, то принимается первая (нулевая) гипотеза. Но если тест попадает между этими границами, ситуация становится неопределенной: непонятно как выбрать одну из двух гипотез. К сожалению, ширина этой неопределенной зоны вполне может быть довольно пространной. Естественно, что поэтому пытались и небезуспешно построить тесты, сужающие такую зону неопределенности.

    Вернемся теперь к проблеме выявления основной зависимости. Для этого существуют различные методы. Это могут быть качественные методы и качественный анализ исследуемых временных рядов, в т.ч. построение и визуальный анализ графика зависимости уровней ряда от времени. Это могут быть методы сопоставления двух параллельных рядов и методы укрупнения интервалов. Поскольку они носят достаточно качественный характер, суть их понятна из названия и к тому же они приводятся в курсах статистики, не будем останавливаться на них подробно.