逢同学2023-03-23 00:34:06
逢同学要问的问题我发在图片里了。相当于四个问题吧？您帮我看看说的对不对，谢谢。
回答（1）
爱吃草莓的葡萄2023-03-23 10:56:12
爱吃草莓的葡萄同学你好。1）假如只有lag=1，也是需要对序列相关进行检验。2）是的，假如lag=1不存在序列相关性，但lag=2存在序列相关性，模型也是有问题的存在序列相关性。3）本题中lag=2也是显著不等于0，说明lag=2也是显著存在序列相关性，应该用稳健标准误等方法更正序列相关性。4）因为用于时间序列分析的模型是AR（1），我们需要对AR（1）的序列相关性等假设进行检验，如果在AR(1)中不存在序列相关性，那么说明AR（1）模型没有违反序列相关性，是可以使用AR（1）进行预测的。5）如果AR（1）lag=1自相关显著不等于0，那么使用AR（2）去检验序列相关性，如果AR(2)不存在序列相关性，那么模型可以使用，如果还显著存在序列相关性，那么继续增加lag直到序列相关性不显著。
- 评论（1）
- 追问（7）
- 追问
-
4)和5)的意思是，AR(1)模型中如果只有lag=1的autocorrelation significant，应该在模型中加t-2的lag项？然后以此类推，比如lag=4的autocorrelation significant，就应该在模型中加入t-5的seasonal lag？这个和您确认一下，我之前理解的是AR(1)模型lag=1可以significant，其实不可以对吧？。但是正确的意思是在任何AR模型中任何lag的autocorrelation significance test都必须insignificant？否则就有序列自相关的问题？模型就不准确？就要在模型中add对应lag的项？
- 追问
-
1) 所以在AR(1)模型里，如果只有lag=1的autocorrelation significant，也还是说明AR(1)存在serial correlation，模型还是不能用？ 3)这里修正应该使用add back吧？
- 追问
-
3)这里本题是lag=1和2都significant，所以修正应该是建模建成Xt= b0+ b1Xt-1 + b2Xt-2 + b3Xt-3 + error？其中Xt-2是因为lag=1 significant加上去的，Xt-3是因为lag=2 significant加上去的。是这个意思吗？
- 追问
-
然后如果在AR模型中所有autocorrelation test都insignificant，说明模型不存在序列自相关性，说明模型可用？这个也和我之前理解的不一样，我以为比如AR(1)的话那lag=1就应该significant，AR(3)的话那前三个都应该significant。其实如果lag=1 significant就应该在之前AR的基础上再加一个lag呗？
- 追答
-
同学你好。AR模型是时间序列分析的一种模型，它也要满足回归分析的相关假设，例如不存在序列相关性、条件异方差等。如果存在序列相关性等问题说明模型被错误设定，需要进行增加滞后变量更正原有模型才能用于预测。
4）和5）你理解的是对的。AR模型进行序列相关性检验，出现序列相关性的更正办法为加入滞后变量（这里可以联系季节性影响），直至模型自相关不显著。
1）同学你的理解是对的。
3）本题在AR（1）中lag=1与lag=2自相关显著不等于0，因此增加滞后变量lag=2构造AR（2）再进行检验，如果还是显著不等于0，那么再增加滞后变量直至自相关显著为0，此时模型才是正确设定没有显著序列相关性。
- 追问
-
您好，所以您的意思是，无论我autocorrelation test有多少个significant，我都只加一个滞后变量吗？那就不对了啊，应该是哪个test significant，就加哪个lag的滞后变量才对吧？比如常见的lag=4 significant，我们就加（常见的例题四季销量比如）季节滞后项。所以例题这里，lag=1和lag=2，同时significant，为什么只加lag=2的滞后项？那如果我是lag=1和lag=4 significant，那我是加多少个滞后项呢？您帮忙问问清楚，谢谢。我记得是，多少个lag有问题，就加多少个滞后项。
- 追答
-
同学你好。我的意思是在本题中lag=1与lag=2是显著自相关，本题模型是AR（1）模型带有一阶滞后项，应该再增加lag=2再进行检验，直到自相关显著为0为止。因此做法和你所说的是一回事，哪项显著自相关就增加哪项滞后项就行检验，有多少个显著不为0就增加多少个滞后项就行检验，直到模型正确设定为止。
评论
0/1000
追答
0/1000
+上传图片