![]() Главная страница Случайная страница Разделы сайта АвтомобилиАстрономияБиологияГеографияДом и садДругие языкиДругоеИнформатикаИсторияКультураЛитератураЛогикаМатематикаМедицинаМеталлургияМеханикаОбразованиеОхрана трудаПедагогикаПолитикаПравоПсихологияРелигияРиторикаСоциологияСпортСтроительствоТехнологияТуризмФизикаФилософияФинансыХимияЧерчениеЭкологияЭкономикаЭлектроника |
Перетворення методом ковзного середнього.Стр 1 из 2Следующая ⇒
9.8 Перетворення ARMA і ARIMA. 9.5 Виявлення автокореляції залишків в авторегресійних моделях Автокорреляцию в авторегрессионных моделях практически невозможно определить с помощью статистики DW Дарбина—Уотсона, так как для этих моделей значение DW даже при наличии автокорреляции близко к 2, что по критерию Дарбина-Уотсона равносильно отсутствию автокорреляции. Для обнаружения автокорреляции в авторегрессионных моделях Дарбин предложил использовать h -статистику, имеющую вид:
где n – объем выборки; D(g) — дисперсия оценки коэффициента при лаговой переменной yt-1;
Cхема использования h -статистики для анализа автокорреляции имеет следующие особенности использования: · вне зависимости от того, сколько лагов переменной y включено в модель, значение h необходимо вычислять с использованием дисперсии коэффициента при yt-1; · статистика h не вычисляется, если nD(g) > 1 (на практике такие ситуации почти не встречаются); · применение h целесообразно лишь при достаточно большом объеме выборки n. Как отмечалось ранее, автокорреляция остатков приводит к получению смещенных и несостоятельных оценок. Автокорреляция может указывать либо на неверную спецификацию уравнения, либо на наличие важных неучтенных факторов. Но часто автокорреляция вызывается наличием регрессионной зависимости между отклонениями, т.е. внутренними свойствами ряда { nt }. Существует несколько способов устранения данной проблемы. В частности, для авторегрессионных моделей предлагаются авторегрессионное преобразование, преобразование методом скользящих средних, модели ARMA и ARIMA. 9.6 Авторегресійне перетворення Пусть y — исследуемая величина, и ее изменение можно описать с помощью модели Забиваем Сайты В ТОП КУВАЛДОЙ - Уникальные возможности от SeoHammer
Каждая ссылка анализируется по трем пакетам оценки: SEO, Трафик и SMM.
SeoHammer делает продвижение сайта прозрачным и простым занятием.
Ссылки, вечные ссылки, статьи, упоминания, пресс-релизы - используйте по максимуму потенциал SeoHammer для продвижения вашего сайта.
Что умеет делать SeoHammer
— Продвижение в один клик, интеллектуальный подбор запросов, покупка самых лучших ссылок с высокой степенью качества у лучших бирж ссылок. — Регулярная проверка качества ссылок по более чем 100 показателям и ежедневный пересчет показателей качества проекта. — Все известные форматы ссылок: арендные ссылки, вечные ссылки, публикации (упоминания, мнения, отзывы, статьи, пресс-релизы). — SeoHammer покажет, где рост или падение, а также запросы, на которые нужно обратить внимание. SeoHammer еще предоставляет технологию Буст, она ускоряет продвижение в десятки раз, а первые результаты появляются уже в течение первых 7 дней. Зарегистрироваться и Начать продвижение
где m — среднее значение Y, ut — некоррелированные случайные отклонения с нулевым математическим ожиданием и постоянной дисперсией s2 (такие отклонения при рассмотрении временных рядов иногда называют белым шумом). Преобразование (9.16) в этом случае называют авторегрессионным преобразованием первого порядка AR(1). При этом значение yt переменной Y в момент времени t пропорционально ее же значению yt-1 в момент времени (t -1) плюс некоторое случайное отклонение. По аналогии
называется авторегрессионным преобразованием второго порядка AR(2);
называется авторегрессионным преобразованием порядка Р AR(P). Во всех этих преобразованиях текущее значение yt переменной Y выражается только через ее предыдущие значения и случайную составляющую (белый шум) ut.
|