Природа й наслідки автокореляції.

Автокореляція – це взаємозв’язок послідовних елементів часового чи просторового ряду даних.

В економетричних моделях особливе значення має автокореляція залишків. Звернемось знову до другої необхідної умови лінійної моделі:

Це означає, що коваріації між залишками економетричної моделі відсутні, а дисперсія є сталою для всіх спостережень. Ці умови називаються явищем гомоскедастичності. За відсутності коваріації залишків дисперсія може змінюватися для груп спостережень чи для кожного спостереження. Ці умови називаються явищем гетероскедастичності.

В економетричних дослідженнях часто виникають і такі ситуації, коли дисперсія залишків стала, але спостерігається їх коваріація. Це явище називають автокореляцією залишків.

Автокореляція залишків найчастіше спостерігається тоді, коли економетрична модель будується на основі часових рядів. Якщо існує кореляція між послідовними значеннями деякої незалежної змінної, то спостеріга­тиметься і кореляція послідовних значень залишків.

Автокореляція може бути також наслідком помилкової специфікації економетричної моделі. Крім того, наявність автокореляції залишків може означати, що необхідно ввести до моделі нову незалежну змінну.

У загальному випадку ми вводимо до моделі лише деякі з істотних змінних, а вплив змінних, які виключені з моделі, має позначитися на зміні залишків. Існування кореляції між послідовними значеннями виключеної з розгляду змінної не обов’язково має тягти за собою відповідну кореляцію залишків, бо вплив різних змінних може взаємно погашатися. Якщо кореляція послідовних значень виключених з моделі змінних спостерігається, то загроза виникнення автокореляції залишків стає реальністю.

Наслідки автокореляції залишків

Якщо знехтувати автокореляцією залишків і оцінити параметри моделі 1МНК, то дійдемо таких трьох наслідків.

1. Оцінки параметрів моделі можуть бути незміщеними, але неефективними, тобто вибіркові дисперсії вектора оцінок можуть бути невиправдано великими.

2. Оскільки вибіркові дисперсії обчислюються не за уточненими формулами, то статистичні критерії t- і F-cтатистики, які знайдено для лінійної моделі, практично не можуть бути використані в дисперсійному аналізі.

3. Неефективність оцінок параметрів економетричної моделі призводить, як правило, до неефективних прогнозів, тобто прогнозів з дуже великою вибірковою дисперсією.

Методи визначення автокореляції.

Критерій Дарбіна-Уотсона.

Для перевірки наявності автокореляції залишків найчастіше застосовується критерій Дарбіна – Уотсона (DW):

Він може набувати значень з проміжку [0, 4]: .

Якщо залишки є випадковими величинами, нормально розподіленими, а не автокорельованими, то значення містяться поблизу 2. При до­датній автокореляції < 2, при від’ємній – > 2. Фактичні значення критерію порівнюються з критичними (табличними) при різному числі спостережень n і числі незалежних змінних m для вибраного рівня значущості a. Табличні значення мають нижню межу і верхню – .

Коли < , то залишки мають автокореляцію. Якщо > , то приймається гіпотеза про відсутність автокореляції. Коли < < , то конкретних висновків зробити не можна: необхідно далі провадити дослідження, беручи більшу сукупність спостережень. Зауважимо, що цей критерій призначений для малих вибіркових сукупностей.

Вибірковий розподіл значень критерію Дарбіна – Уотсона залежить від емпіричних спостережень пояснювальних змінних і навіть якщо взяти до уваги цю обставину, можна стверджувати: параметр r для генеральної сукупності має тісний зв’язок з критерієм . Якщо , то значення = 0, при = 2 і при значення критерію = 4. Наведені співвідношення показують, що існують області, в яких застосування критерію Дарбіна – Уотсона не може дати певних результатів, про що вже було сказано. Верхні та нижні межі критерію DW визначають межі цієї області для різних розмірів вибірки, заданого числа пояснювальних змінних та певного рівня значущості.

Критерій фон Неймана.

Для виявлення автокореляції залишків використовується також критерій фон Неймана:

Звідси . При . Фактичне значення критерію фон Неймана порівнюється з табличним для вибраного рівня значущості і зада­ного числа спостережень. Якщо , то існує додатна автокореляція.