Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

Otokorelasyon Y t =  +  X t + u t  u t =  u t-1 +  t -1 <  < +1 Birinci dereceden Otokorelasyon Cov (u t,u s )  0  Birinci Dereceden Otoregressif.

Benzer bir sunumlar


... konulu sunumlar: "Otokorelasyon Y t =  +  X t + u t  u t =  u t-1 +  t -1 <  < +1 Birinci dereceden Otokorelasyon Cov (u t,u s )  0  Birinci Dereceden Otoregressif."— Sunum transkripti:

1

2 Otokorelasyon Y t =  +  X t + u t  u t =  u t-1 +  t -1 <  < +1 Birinci dereceden Otokorelasyon Cov (u t,u s )  0  Birinci Dereceden Otoregressif Süreç;AR(1) e t =  e t-1 +  t

3 Otokorelasyon ile Karşılaşılan Durumlar Modele Bazı Bağımsız Değişkenlerin Alınmaması Modelin Matematiksel Kalıbın Yanlış Seçilmesi, Bağımlı Değişkenin Ölçme Hatalı Olması, Verilerin İşlenmesi, Örümcek Ağı Olayı, u’nun yanlış tanımlanması.

4 Y X         “tahminlenmiş” doğru “gerçek” doğru Otokorelasyonu Gözardı Etmenin Sonuçları

5 Hipotez testleri üzerine etkisi, Tahmin edilen katsayı varyansları gerçek varyans değerinden daha küçük elde edilir. Ve bu varyans değerleri sapmalı ve tutarsızdır. Dolayısıyla bunlara bağlı olarak elde edilen t ve F istatistiklerine ve elde edilen güven aralıklarına güvenilemeyecektir. Öngörümleme üzerine etkisi. Taminler sapmasız olduğundan, öngörümleme değerleride sapmasız olacaktır. Ancak daha büyük varyanslı olma nedenleriyle etkinlik özelliğini kaybedeceklerdir. Otokorelasyonu Gözardı Etmenin Sonuçları

6 Grafik Yöntemle, Durbin-Watson testi ile, Breusch-Godfrey testi ile, Otokorelasyonun Tesbit Edilmesi

7 Grafik Yöntem

8

9 H 0 :  = 0 H 1 :   0 0dLdL dUdU 4-d U 4-d L 42 Pozitif Otokorelasyon Bölgesi. Negatif Otokorelasyon Bölgesi  =0 Kararsızlık d=2(1-  ) Durbin-Watson Testi

10 Dependent Variable: Y Sample: Included observations: 16 VariableCoefficientStd. Errort-StatisticProb. C X R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Durbin-Watson Testi

11 Y X etet e t e t - e t (e t - e t-1 ) et2et  Durbin-Watson Testi

12 Model sabit terimsiz ise, Bağımsız X değişkenleri stokastikse, Otokorelasyonun derecesi 1’den büyük ise, Zaman serisinde ara yıllar noksan ise, Modelde bağımsız değişken olarak gecikmeli bağımlı değişken varsa, Durbin-Watson Testi

13 Breusch-Godfrey (B-G) Testi Y = b 1 + b 2 X 2 + b 3 X 3 + u LM testi için yardımcı regresyon: R y 2 = ? B-G Testi Aşamaları: 1.Aşama 2.Aşama  = ? 3.Aşama 4.Aşama H 0 :  1 =  2 =... =  s = 0 H 1 :  i  0 s.d.= s  2 tab =? B-G= (n-s).R y 2 = ? B-G >  2 tab H 0 hipotezi reddedilebilir u t = b 1 + b 2 X 2 + b 3 X 3 +  1 u t-1 +  2 u t  s u t-s + v t

14 Breusch-Godfrey (B-G) Testi Test Equation: Dependent Variable: RESID VariableCoefficientStd. Errort-StatisticProb. C X RESID(-1) R-squared Mean dependent var2.00E-14 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

15 GEKKY, Fonsiyonel Biçimin Değiştirilmesi, Genel Dinamik Yapı Tanımlanması, Birinci dereceden Farkların Alınması, Cochrane-Orcut Yöntemi, Otokorelasyonun Önlenmesi

16 Y t =  0 +  1 Y t-1 +  2 X t +  3 X t-1 +  t y t =  1 y t-1 +  2 x t +  3 x t-1 +  t |  1 |<1 y t =  x t + u t u t =  u t-1 +  t y t -  x t =  (y t-1 -  x t-1 )+  t y t =  y t-1 +  x t -  x t-1 +  t  1 =  2 =  3 = -   3 +      Genel Dinamik Yapı Tanımlanması

17 Dependent Variable: PROFITS Sample: Included observations: 21 VariableCoefficientStd. Errort-StatisticProb. C SALES R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Data 9-4: Profits = b 1 + b 2 Sales

18 Dependent Variable: PROFITS Sample(adjusted): Included observations: 20 after adjusting endpoints VariableCoefficientStd. Errort-Statistic Prob. C PROFITS(-1) SALES SALES(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Data 9-4: Profits =  0 +  1 Profits t-1 +  2 Sales t +  3 Sales t-1

19 LM Test Equation: Dependent Variable: RESID VariableCoefficientStd. Errort-StatisticProb. C PROFITS(-1) SALES SALES(-1) RESID(-1) R-squared Mean dependent var8.92E-14 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

20 Y t =  1 +  2 X t + u t Y t-1 =  1 +  2 X t-1 + u t-1 Y t - Y t-1 =  1 –  1 +  2 (X t - X t-1 )+ u t - u t-1  Y t =  2  X t +v t Birinci Dereceden Farkların Alınması

21 Dependent Variable: PROFITS-PROFITS(-1) Sample(adjusted): Included observations: 20 after adjusting endpoints VariableCoefficientStd. Errort-StatisticProb. SALES-SALES(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Durbin-Watson stat Birinci Dereceden Farkların Alınması

22 LM Test Equation: Dependent Variable: RESID VariableCoefficientStd. Errort-StatisticProb. SALES-SALES(-1) RESID(-1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Birinci Dereceden Farkların Alınması

23 Adım 1: Modeli EKKY ile tahmin edip hataları elde edin. Adım 2: Yukarıdaki yardımcı regresyon modelini tahmin edip bu modele ait belirlilik kasayısını hesaplayınız: R y 2 Adım 3: (n-p)R y 2 >  2 tab H o reddedilebilir Engel’s ARCH Testi H o :  1 =  2 =...=  p =0 H 1 :  ’ ların en az bir tanesi sıfırdan farklıdır.


"Otokorelasyon Y t =  +  X t + u t  u t =  u t-1 +  t -1 <  < +1 Birinci dereceden Otokorelasyon Cov (u t,u s )  0  Birinci Dereceden Otoregressif." indir ppt

Benzer bir sunumlar


Google Reklamları