Autocorelaţia

Pentru grupa FB191 deci X1=X1+0.1*n

Scopul lucrării: Depistarea autocorelaţiei cu ajutorul diferitor teste şi metode.

Datele iniţiale:

Date Y X1 X2 X3
1981 88.8 99.1 99.1 108.5
1982 99 101.7 99.1 110.1
1983 98.1 102.9 98.9 110.4
1984 99.6 101.4 110.8 104.3
1985 101.2 102.8 108.2 107.2
1986 101,9 102 105.6 105.8
1987 104.6 102.1 109.8 107.8
1988 109.2 102.1 108.7 103.4
1989 98 100.3 100.6 102.7
1990 90.3 100.8 81 104.1
1991 76.5 98.1 68.6 99.2
1992 78.3 97.7 70.9 99.7
1993 86 97.8 81.4 102
1994 92 96.5 102.3 94.3
1995 104.5 99.7 105 97.7
1996 106.5 100.8 110.5 101.1
1997 97.8 100.8 92.5 102.3
1998 105.8 104.6 89.3 104.4
1999 112.1 105.8 93 108.5
2000 128.5 108.1 106.6 111.3

1. Calculăm ecuaţia liniară de regresie LS y x1 x2 x3 c :

2. Construim corelograma reziduurilor.
Aflându-ne în obiectul Equation, alegem View/Residual Tests/Correlogram- Q-statistics
şi analizăm autocorelograma reziduurilor.

AC – coeficienţii autocorelaţiei
 PAC – coeficienţii de autocorelare...

Q-stat – statistica Ljung-Box . Q-stat are o distribuţie asimptotică x2 cu un grad de

libertate egal cu р. Valorile ridicate ale statisticii indică prezenţa autocorelaţiei.
În coloana Prob, pentru anumit nivel de semnificaţie se verifică ipoteza despre existenţa
autocorelaţiei. Presupunem, dacă nivelul de semnificaţie este 0,05, şi valorile în coloana
Prob, mai mici decât 0,05, atunci se acceptă ipoteza despre absenţa autocorelaţiei.

r2
Formula de calcul este QLB = n (n+2)∑ , ordinea autocorelaţiei o vom nota cu p.
n− j

QLB = 20(20+2) ∑ 0, 94/20-3

Теst Durbin –Watson

1. Estimăm ecuaţia liniară de regresie LS y x1 x2 x3 c

Ecuaţia liniară estimată are forma:

Y = C(1)*X3 + C(2)*X2 + C(3)*X1 + C(4)

Substituind coeficienţii în ecuaţia estimată obţinem:

Y = 3.89740848447*X1 + 0.404365234984*X2 - 0.878886134551*X3 - 251.138664889
2. Analizăm graficul reziduurilor.

Valorile pozitive ale reziduurilor alternează cu cele negative pe o succesiune de mai multe
perioade consecutive, ceea ce demonstrează prezenţa autocorelaţiei negative.

3. Testăm ecuaţia obţinută (testul Student, Fischer).

Testaţi ecuaţia liniară primită cu ajutorul testului Student (grad de semnificaţie
α=0,05 ). Se gaseşte valoarea tabelară a testului Student, după care se compară cu cea calculată
şi dacă tcalc > ttabelar, atunci se respinge ipoteza nulă şi se acceptă ipoteza H1, în aşa fel
confirmânduse semnificaţia statistică a ecuaţiei.

 Determinăm valoarea calculată a testului Student (valori pe care le luăm din tabelul
prezentat la puncul 1).
t1calc = 9,735616
t2calc = 6,590977

t3calc =- 3,658727

 Determinăm valoarea tabelară a testului Student:

 ttab;n1 t0,05;201  F0,05;19  2,09
 Comparăm valoarea calculată a testului Student cu valoarea lui teoretică (tabelară) şi
observăm că:
t1calc > ttab;n1 => 9,74>2,09

t2calc > ttab;n1 =>6,59 >2,09

t3calc < ttab;n1 =>3,66> 2,09

Prin urmare, estimatorii X1 şi X2 sunt semnificativi, iar estimatorul X3 este nesemnificativ.

Testăm ecuaţia liniară primită cu ajutorul testului Fisher (grad de semnificaţie 0,05
şi k=3 grade de libertate). Se gaseşte valoarea tabelară a testului Fisher, după care se compară
cu cea calculată şi dacă F calculat > Ftabelar , atunci se respinge ipoteza nulă şi se acceptă ipoteza
H1, în aşa fel confirmându-se semnificaţia statistică a ecuaţiei.

 Determinăm valoarea calculată a testului Fisher (valoare pe care o luăm din tabelul
prezentat la puncul 1).

Fcalc=81,94784
 Determinăm valoarea tabelară a testului Fisher:
F F F
;k1;nk = 0,05;31;203 = 0,05;2;17 = 3,59
 Comparăm valoarea calculată a testului Fisher cu valoarea lui teoretică (tabelară) şi
observăm că:
Fcalc >Ftab => 81,94784 > 3,59
Concluzie:
Deoarece Fcalc >Ftab , între factorii analizaţi există legătură.

4. Realizăm testul Durbin-Watson. Presupunem, că autocorelaţia se supune schemei de

autocorelaţie de rangul I: εt = ρεt-1 + vt

Se formulează două ipoteze:

H0 : ρ=0 lipseşte autocorelaţia
H1 : ρ 0 există аutocorelaţie.
Se descompune în două subpuncte: Dacă ρ >0 este pozitiv, există autocorelaţie pozitivă,
dacă ρ <0, atunci autocorelaţia este negativă.

Pentru cazul nostru avem următoarele date:

K=1; a=0,05; n=20 d1=1,00;

d2=1,68; DW=1,053794
 Deoarece valoarea calculată DW=1,053794 este inclusă în intervalul d1 < DW <d2 =>1,00

<1,053794<1,68 suntem în situaţia de indecizie, în care se recomandă acceptarea autocorelării

pozitive.

5. Scrieţi concluzii despre existenţa autocorelaţiei.

Deoarece d1>DW rezultă că lipseşte autocorelaţia, iar d2<DW confirmă existenţa autocorelaţiei.
Odata ce : ρ 0 există аutocorelaţie , dar în cazul nostru ρ=0,473103 este mai mic ca zero deci
exista autocorelaţie negativă.

5. Scrieţi concluzii despre existenţa autocorelaţiei.

Deoarece d1>DW rezultă că lipseşte autocorelaţia, iar d2<DW confirmă existenţa autocorelaţiei.
Odata ce : ρ 0 există аutocorelaţie , dar în cazul nostru ρ=0,473103 este mai mic ca zero deci
exista autocorelaţie negativă.
1. Execuăm regresia şi obţinem eˆt

ˆ
2. Efectuăm regresia e t faţă de toţi regresorii modelului plus cei adiţionali: eˆt1;eˆt2,....eˆtp .

3. Calcularea statisticii BG= (n-p)*R2. Presupunem că numărul de ordine p=2. Obţinem:

BG= (20-2)*0,289762= 5,215716

4. Comparăm valoarea lui BG cu p2 .

p2 22  5,991.

Observăm că BG<p2  5,215716<5,991. Rezultă că nu există autocorelare de nivel înalt.

2. Formăm un rând de abateri Genr res=resid.

3. Estimaţi ecuaţia, unde variabilei dependente sunt reziduurile (e), presupunem , că
autocorelaţia de gradul 2 (gradul autocorelaţiei îl vom nota prin p=2 ). LS RES X1 X2
X3 RES(-1) RES(-2), unde RES(-1) – variabila et-1.

Vom utiliza testul LM calculat ca produs între numărul de observaţii corespunzătoare modelului,
n , şi coeficientul de determinare, R2, corespunzător acestei regresii auxiliare. Calculăm statistica
LM= n*R2= 18*0,289762=5,215716
Comparăm cu valoarea tabelară 2 cu un grad de semnificaţie p (p=2).
p2 22  5,991. Observăm că LM< tabl2 5,215716<5,991. Rezultă că se acceptă ipoteza
nulă H0 despre lipsa autocorelaţiei de tang p.

Acest test poate fi realizat şi prin altă metodă, folosind următoarele opţiuni.
Aflându-ne în obiectul Equation, alegem View/Residual Tests/Serial Correlation LM
Test… În continuare introduce-ţi numărul de laguri p (implicit p=2) şi obţinem:
 Procedurile de estimarea p.

Dacă valorile p sunt necunoscute, atunci se aplică următoarele procedeuri de estimare a :

1. Estimarea directă a valorii p pe baza statisticii DW p=1-DW /2.
P=1-DW /2=1-(1.053794/2)=1- 0,525897=0,473103

Estimaţi ecuaţia, folosind variabilele transformate cu ajutorul ...

Yt -pYt-1 =a(1-p) +β(X t -pX t-1) +εt -pεt-1
Estimaţi variabilele Genr Ym= Y-p*Y(-1) şi Genr X1m= X1-p*X1(-1)

Genr ym=y-0.473103* y(-1)

Genr X1m=X1-0.473103*X1(-1)
Genr X2m=X2-0.473103*X2(-2)
Genr X3m=X3-0.473103*X3(-3)

Pentru a obţine valorile ecuaţiei de regresie , folosiţi comanda LS YM X1M X2M X3M C
Realizaţi testul de detectare a autocorelaţiei, folosind statistica Durbin. Faceţi concluzii.

Genr ym=y-0.473103* y(-1)

Genr X1m=X1-0.473103*X1(-1)

Genr X2m=X2-0.473103*X2(-2)

Genr X3m=X3-0.473103*X3(-3)
Concluzie: analiza graficului rezidurilor nu e eficienta intodeauna , evolutia erorilor nefiind
intodeauna suficient de concludenta. DW nu e demn de incredere.Aparitia autocorelatiei erorilor
putea fi conditionata de mai multi factori: absenta unei variabile explicative importante, a carei
contributii este esentiala pentru explicarea evolutiei variabilei de explicat, specificarea incorecta
a modelului, cazul cind in realitate relatia dintre variabile este de tip exponential , logaritmic,
fapt ce conduce la aparitia fenomenului de autocorelatie. Analiza grafica a erorilor detecteaza un
proces de reproductie a erorilor caci reziduurile sunt pozitive si negative, pe o succesiune de mai
multe perioade consecutive, modelul econometric reprezinta o corelatie pozitiva.