常见涉及误差变异之问题若误差项不符合变异数相同的假说,.pptVIP

Quan_reg2 第四章 進階迴歸分析 常見涉及誤差變異之問題 若誤差項不符合變異數相同的假說，則可能產生異值變異(heteroskedasticity）的問題 若誤差項不符合獨立的假設，則可能產生自我相關(autocorrelation)的問題，即誤差項與前期的誤差相關 如何發現上述問題？ 最快的方法是觀察殘差圖，再以統計檢定確定 如何修正？ 對異值變異採用WLS法，對自我相關資料採用AR(1)模式 第一節 GLS 與 OLS Yt = β0+ β1X 1t +…….+ βkX kt +εt εt ~ NID( 0, σ2) 廣義的變異數矩陣： 第二節 異值變異 迴歸分析時，資料違背同變異性，稱為異值變異(Heteroskedasticity) 觀察對x 之殘差圖呈現喇叭形時，可能有異值變異，即標準差與x 相關 也可以由下列三種檢定法檢定資料是否存在異值變異： White test Breusch-Pagan/Godfrey test Goldfeld-Quandt test White test 原理說明： 誤差項可能會跟 X 或 X平方相關 所以利用誤差項變異數和以上相關的變數進行迴歸分析，若判定係數(R2)很高時，表示具有異值變異。 White 證明nR2 服從自由度q 的卡方分配，q=(k-1)(k+2)/2 以卡方檢定執行 異值變異迴歸式的估計方法 加權最小平方法（WLS） 說明： Yt = β0+ β1X 1t +εt , var(εt)= Ztσ2 Zt是Xt，或是Xt 的函數 變異數與Zt成正比，則以1/Zt為權重 第三節 自我相關 探討誤差項之間的相關性不為零的情形 σij ≠ 0, for i ≠ j 就是變異數矩陣中，非對角線元素不為零的狀況 Lag 為 s 之自相關係數 迴歸模式的自我相關(autocorrelation)是指誤差項前後期彼此相關 定義： 自相關共變異數： s 階自相關係數： 一階自相關 first-order autocorrelation：連續二資料間的相關性， 即εt 與 εt-1 間之相關性 與位置無關，ρ1 = cor(εt , εt-1 ) for all t 如何檢測出一階自相關？ 1. 觀察殘差圖 2. Durbin-Watson 檢定 (εt 與 εt-1 間相關，將反應在 et 與 et-1 間 ) First-order autocorrelative reg. model * 殘差圖種類 : t 化殘差的順序圖 , 盒形圖 , 及常態機率圖 。 對Y、對 X的殘差圖。 以殘差或 t 化殘差為縱軸的分散圖，或殘差的分佈圖，稱為殘差圖。 t-化殘差( Student residual)：以√ MSE 為標準差，將 ei 標準化得到的值，在常態情況下其值應介於 -3 與 3之間 殘差圖 社區相館例之殘差常態機率圖 (符合迴歸假設) 社區相館例之殘差圖 : 95%在此範圍 1. 非直線模式 對X殘差圖呈曲線 2. 變異數非固定值 對X殘差圖呈梯形 3. 離群值存在 對X殘差圖, 及殘差盒 形圖出現離群值 殘差圖分析 偏離情況 殘差圖形狀 範例 5. 誤差項非常態性 殘差的常態機率圖 偏離直線 4. 誤差項的不獨立 殘差順序圖分群呈現 (如：時間序列資料) fig4 fig3 fig2 fig1 fig5 fig1 fig2 資料散佈圖 殘差圖 ei = 0 fig4 fig3 殘差圖 資料散佈圖 殘差圖 殘差機率圖 fig5 資料散佈圖 根據上列變異數矩陣得到的最小平方估計量稱為廣義最小平方法 (generalized least square method), 簡稱為 GLS Cov(εi, εj) Var(εi) 獨立時變異數矩陣： σij =0, for i ≠ j 同值時變異數： σii2 = σ2 假設誤差項是獨立且同