Padrões de Autocorrelação

UMAutocorrelation,

também conhecido como correlação serial, podem existir em um modelo de regressão quando a ordem das observações nos dados é relevante ou importante. Em outras palavras, com séries temporais (e às vezes painel ou logitudinal) de dados, autocorrelação é uma preocupação.

A maioria dos pressupostos CLRM que permitem econometristas para provar as propriedades desejáveis ​​dos estimadores MQO (o teorema de Gauss-Markov) envolvem diretamente 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 entre os valores de identificação do termo de erro. Econometristas não expressam autocorrelação como

A figura apresenta a regressão de um modelo de satisfazer a premissa 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, pode ser autocorrelação incorrectamente identificados. As seções a seguir explicam como fazer a distinção entre correlação positiva e negativa, bem como a forma de evitar declarando falsamente que existe autocorrelação.

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 seguida por um erro do mesmo sinal. Por exemplo, os erros positivos são normalmente seguidas por erros positivos e negativos erros são geralmente acompanhadas de erro 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 um sequenciamento de valores de erro positivos e negativos geralmente indica autocorrelação positiva. Sequencing refere-se a uma situação em que os erros mais positivos são seguidos ou precedidos por erros positivos adicionais ou quando erros negativos são seguidos ou precedidos 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 geralmente acompanhadas de erro negativos e erros negativos são normalmente seguidas por erros positivos.

autocorrelação negativa é expresso como

A figura a seguir ilustra o padrão típico de autocorrelação negativa. Um termo de erro com um comutação de valores de erro positivo e negativo indica geralmente autocorrelação negativa. Um padrão de comutação é o oposto do sequenciamento, por isso 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 dos coeficientes estimados são inclinadas, o que resulta em testes de hipóteses não fiáveis ​​(t-estatísticas). As estimativas MQO, no entanto, continuam a ser 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 erroneamente 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 que os estimadores de MQO ser imparcial se o modelo não for especificado corretamente.