Asher2022-01-20 21:17:49
Asher图一自回归中的异方差 是error和error有相关性 但multiple regression中的异方差是自变量和error的相关性对吗？ 图二 自回归中的autocorrelation说存在即有seasonality 那么这个seasonnality实际上是自变量与以前的自变量的相关性吧？ 而多远回归中与此对应的series correlation指的也是error和error的相关性吧？
回答（1）
Essie2022-01-21 12:15:33
Essie你好，1.自回归模型中存在条件异方差是指自变量和残差的方差存在相关性，多元回归中的条件异方差也是说自变量和残差的方差存在关系，随着自变量的改变，残差的方差会改变。本质是都是自变量和残差的方差。2.自回归中的seasonnality，是指时间序列数据呈现明显的季节性因素（例如：大宗商品价格），此时应该将季节性因素对应的滞后项加入AR模型中。发现序列自相关用的是t检验，检验残差的自相关系数，所以还是从残差之间的相关性出发，如果残差之间的相关性显著，那么说明滞后项和当期数据之间存在明显的关系，所以要将滞后性加回原方程当中。3.多元回归中的序列自相关也是残差项之间的相关性。所以多元和自回归模型中，对于这两个问题研究的方向都是一样的，只是用到的检验方法不同而已。
- 评论（0）
- 追问（2）
- 追问
-
那图一的arch中我看自变量和因变量都是残差 那不就是研究残差和残差之间的相关性吗
图二autocorrelation既然是研究商品价格与过去的自己的相关性 为什么检验的又是残差项？
- 追答
-
你好，第一个问题见下图，利用ARCH模型来检验自回归中的条件异方差，是通过时间序列数据和时间t有关，如果能证明残差的方差也和时间t有关，那么就可以证明自变量和残差的方差有关系。然后用到了下图右半部分，检验残差的方差和其滞后项的关系，如果证明斜率a1的t检验值显著，那么就说明了残差的方差(原版书简化为残差的平方)是个时间序列数据，即得到了自变量和残差的方差有关系，用了个迂回的方式，最终的目标还是要找到残差的方差和自变量之间的关系。2.因为自回归模型的建模要求是残差之间不能有明确的相关性，所有的相关性都要反映在方程中，就不会出现在残差里了。如果某一个滞后项残差的自相关系数很显著，说明找到了相关性，就要把这个相关性，也就是对应的滞后项放回回归方程中。
评论
0/1000
追答
0/1000
+上传图片