以选择简单模式解释长期走势为原则.pptVIP

* Chap6 Time Series Regression Modeling trend : polynomial functions Detecting Autocrrelation : Residual plot Durbin-Watson statistics Handling First-order autocorrelation Modeling seasonal variation: dummy variable Growth curve model 6.1 Modeling trend Yt = TRt + εt , Trend : linear trend, curvilinear trend Model with polynomial trend Yt = TRt + εt = β0+ β1 t + β2 t2 …….+ βp t p + εt , εt ~NID(0,σ2) Model with power trend Yt = β0( β1 t ) εt , log(Yt) = logβ0+ log(β1 ) t +logεt logεt ~NID(0,σ2) curvilinear trend 指數式 二次式 以選擇簡單模式解釋長期走勢為原則 例6.1 No trend 例6.2 Linear trend 預測區間： for t =25 例6.3 Quadratic trend first-order autocorrelation：連續二資料間的相關性， 即εt 與 εt-1 間之相關性，一般假設此相關性與位置無關，只與時距有關，故對任一 t， ρ代表相關強度，ρ = cor(εt , εt-1 ) for all t. 如何檢測出一階自相關？ 1. 殘差圖，2. Durbin-Watson 檢定 (εt 與 εt-1 間相關，將反應在 et 與 et-1 間 ) 自相關 (autocorrelation) -- 迴歸資料之誤差項依序列先後有相關性，此現象違背獨立性假設 。 6.2 Detecting autocorrelation 時序資料時常有自相關現象 Durbin-Watson 統計量： 自相關的檢定 -- Durbin-Watson Test 註：1、 D ≒ 2(1-r1)，0≦D≦4 4、SAS之 regression/linear 或 Times/arima 提供 D-W 值 2、檢定法則：依據 n, p, α在 TableA6查出 dL,α及 dU,α ρ0 ρ=0 ρ0 不確定區 正的自相關檢定 H0 ：ρ= 0， H1 ：ρ 0 決策 D dL,α時，拒絕 H0 D dU,α時，不拒絕 H0 dL,α D dU,α時，無法定論，(需要更多資料) 1.62 1.59 1.57 1.54 1.52 1.49 1.45 1.41 1.36 dU.05 1.55 1.5 1.48 1.44 1.4 1.35 1.29 1.2 1.08 dL.05 60 50 45 40 35 30 25 20 15 n 0 dL dU 2 4-dU 4-dL 4 臨界值 負的自相關檢定 H0 ：ρ= 0，H1：ρ0 (4-D) dL,α時，拒絕 H0 (4-D) dU,α時，不拒絕 H0 dL,α (4-D) dU,α時，無法定論，(需要更多資料) 決策 注意： r1 0 ，0 D 2， r1 0 ，2 D 4 r1 =ρ-hat 【例】 X：產品年銷售量(saleC) Y：某公司的年銷售量 (salei) 殘差圖 X-Y 分散圖 SAS/EG / regression/ linear 報表     -0.531 1st Order Autocorrelation 20 Number of Observations 3.050 Durbin-Watson D .0001 122.02 0.04643