序列相关性和异方差性什么区别
发布网友
发布时间：2022-04-30 06:35
共1个回答
热心网友
时间：2023-10-19 14:31
异方差性：对于不同的解释向量，被解释变量的随机误差项的方差不再是常数，而互不相同，则认为出现了异方差性。
序列相关性：如果对于不同的解释向量，随机误差项之间不再是不相关的，而是存在某种相关性，则认为出现了序列相关性。
序列相关性:
在计量经济学中指对于不同的样本值，随机干扰之间不再是完全相互独立的，而是存在某种相关性。又称自相关(autocorrelation)，是指总体回归模型的随机误差项之间存在相关关系。
在回归模型的古典假定中是假设随机误差项是无自相关的，即在不同观测点之间是不相关的。如果该假定不能满足，就称与存在自相关，即不同观测点上的误差项彼此相关。
自相关的程度可用自相关系数去表示，根据自相关系数的符号可以判断自相关的状态，如果<0，则ut与ut-1为负相关;如果>0，则ut与ut-1为正关;如果= 0，则ut与ut-1不相关。
异方差性:
是为了保证回归参数估计量具有良好的统计性质，经典线性回归模型的一个重要假定是：总体回归函数中的随机误差项满足同方差性，即它们都有相同的方差。如果这一假定不满足，则称线性回归模型存在异方差性。
若线性回归模型存在异方差性，则用传统的最小二乘法估计模型，得到的参数估计量不是有效估计量，甚至也不是渐近有效的估计量；此时也无法对模型参数的进行有关显著性检验。对存在异方差性的模型可以采用加权最小二乘法进行估计。异方差性的检测——White test
在此检测中，原假设为：回归方程的随机误差满足同方差性。对立假设为：回归方程的随机误差满足异方差性。判断原则为：如果nR^2>chi^2 (k-1），则原假设就要被否定，即回归方程满足异方差性。
在以上的判断式中，n代表样本数量，k代表参数数量，k-1代表自由度。chi^2值可由查表所得。
热心网友
时间：2023-10-19 14:31
异方差性：对于不同的解释向量，被解释变量的随机误差项的方差不再是常数，而互不相同，则认为出现了异方差性。
序列相关性：如果对于不同的解释向量，随机误差项之间不再是不相关的，而是存在某种相关性，则认为出现了序列相关性。
序列相关性:
在计量经济学中指对于不同的样本值，随机干扰之间不再是完全相互独立的，而是存在某种相关性。又称自相关(autocorrelation)，是指总体回归模型的随机误差项之间存在相关关系。
在回归模型的古典假定中是假设随机误差项是无自相关的，即在不同观测点之间是不相关的。如果该假定不能满足，就称与存在自相关，即不同观测点上的误差项彼此相关。
自相关的程度可用自相关系数去表示，根据自相关系数的符号可以判断自相关的状态，如果<0，则ut与ut-1为负相关;如果>0，则ut与ut-1为正关;如果= 0，则ut与ut-1不相关。
异方差性:
是为了保证回归参数估计量具有良好的统计性质，经典线性回归模型的一个重要假定是：总体回归函数中的随机误差项满足同方差性，即它们都有相同的方差。如果这一假定不满足，则称线性回归模型存在异方差性。
若线性回归模型存在异方差性，则用传统的最小二乘法估计模型，得到的参数估计量不是有效估计量，甚至也不是渐近有效的估计量；此时也无法对模型参数的进行有关显著性检验。对存在异方差性的模型可以采用加权最小二乘法进行估计。异方差性的检测——White test
在此检测中，原假设为：回归方程的随机误差满足同方差性。对立假设为：回归方程的随机误差满足异方差性。判断原则为：如果nR^2>chi^2 (k-1），则原假设就要被否定，即回归方程满足异方差性。
在以上的判断式中，n代表样本数量，k代表参数数量，k-1代表自由度。chi^2值可由查表所得。
