Padrões de autocorrelação

UMAutocorrelation,

também conhecido como correlação em série, pode existir em um modelo de regressão quando a ordem das observações nos dados é relevante ou importante. Em outras palavras, com o tempo-série (e, por vezes, painel ou logitudinal) de dados, de autocorrelação é uma preocupação.

A maioria dos pressupostos CLRM que permitem econometricistas para provar as propriedades desejáveis ​​dos estimadores OLS (o teorema de Gauss-Markov) envolver directamente características do termo de erro. Um dos pressupostos CLRM lida com a relação entre os valores do termo de erro. Especificamente, o CLRM assume que não há autocorrelação.

Sem autocorrelação refere-se a uma situação em que não existe nenhuma relação identificável entre os valores do termo de erro. Econometristas não expressam autocorrelação como

Video: Tutorial Econometria no Gretl - UFMT parte 5

A figura apresenta a regressão de um modelo que satisfaça o pressuposto CLRM de autocorrelação não. Como você pode ver, quando o termo de erro exibe nenhuma autocorrelação, os valores de erro positivos e negativos são aleatórios.

Quando ocorre autocorrelação, ele toma forma positiva ou negativa. Claro, autocorrelação pode ser incorretamente identificado como bem. As secções seguintes explicam como distinguir entre correlação positiva e negativa, bem como a forma de evitar falsamente afirmando que existe autocorrelação.

Video: Padrões de Projeto - Ep01: O padrão mais utilizado da Web

Positivo contra autocorrelação negativa

Se autocorrelação está presente, autocorrelação positiva é o resultado mais provável. um positivovocêtocorrelação ocorre quando um erro de um determinado sinal tende a ser seguido por um erro do mesmo sinal. Por exemplo, os erros positivos são normalmente seguidas por erros positivos e negativos erros são normalmente seguidas por erros negativos.

autocorrelação positiva é expressa como

A autocorrelação positiva representado na figura a seguir é apenas um entre vários padrões possíveis. Um termo de erro com uma sequenciação de valores de erro positivo e negativo indica geralmente autocorrelação positiva. sequenciamento refere-se a uma situação onde os erros mais positivos são seguido ou precedido por erros positivos adicionais ou quando erros negativos são seguido ou precedido por outros erros negativos.

Embora improvável, autocorrelação negativa também é possível. autocorrel negativoumação ocorre quando um erro de um determinado sinal tende a ser seguido por um erro de sinal oposto. Por exemplo, os erros positivos são normalmente seguidas por erros negativos e erros negativos são normalmente seguidas por erros positivos.

Video: Curso Padrões de Projeto

autocorrelação negativa é expressa como

A figura que se segue ilustra o padrão típico de autocorrelação negativa. Um termo de erro com um comutação de valores de erro positivos e negativos geralmente indica autocorrelação negativa. Um padrão de comutação é o oposto de sequenciação, portanto, a maioria dos erros positivos tendem a ser seguida ou precedida por erros negativos e vice-versa.

Se você tem auto-correlação positiva ou negativa, na presença de autocorrelação, os estimadores de MQO pode não ser eficiente (ou seja, eles não podem alcançar o menor variância). Além disso, os erros padrão estimado dos coeficientes são inclinadas, o que resulta em testes de hipóteses não fiáveis ​​(t-Estatisticas). As estimativas de MQO, no entanto, permanecem imparcial.

Misspecification e autocorrelação

Quando você está tirando conclusões sobre autocorrelação usando o padrão de erro, todos os outros pressupostos CLRM deve manter, especialmente a suposição de que o modelo está especificado corretamente. Se um modelo não for especificado corretamente, você pode equivocadamente identificar o modelo como sofrendo de autocorrelação.

Dê uma olhada na figura a seguir, que ilustra um cenário em que o modelo foi inadequadamente especificado como linear quando a relação não é linear. O misspecification mostrado aqui acabaria produzindo um padrão de erro que se assemelha a autocorrelação positiva.

Executar verificações de má especificação se há evidências de autocorrelação e você está seguro sobre a precisão da especificação. Misspecification é um problema mais grave do que autocorrelação porque você não pode provar os estimadores de MQO ser imparcial se o modelo não for especificado corretamente.