作者wwwwwww (哪个王八蛋一天上十九次됩
看板Statistics
标题Re: [问题] 为什麽跑AR时 可以不考虑correlationꨠ…
时间Sun Feb 11 15:58:06 2007
※ 引述《liton (欧吉桑留学生)》之铭言：
: : 你没有看时间数列的书吧?
: : 时间数列怎麽会没考虑相关性呢?
: : autocorrelation coefficient function(ACF)和
: : partial autocorrelation coefficient function(PACF)
: : 都是用来衡量时间数列资料值之间的相关性呀!
: : 而且AR model类似数学上的递回方程式.
: : model本身就是建基於资料值之间有很强的"自我"相关性而建模的.
: : 建议你看一下时间序列分析的相关书籍,
: : 你的问题自然引刃而解.
: 这些该念的我都念过了
: 我是对Time Series 和Cross Section的不同处理方式有疑问
: 在CrossSection中X=alpha+a*Y+b*Z
: Y和Z的相关性很高的话
: 我们会用instrument variables等方法来处理
: 但在AR中X=alpha+a*X(-1)+b*X(-2) 如果ACF和PACF很高的话
: 我们反倒觉得变数自己的递回性很高
: 用该变数自己的历史资料便可预测下一期的X
: 那这样不就代表Corr[X,X(-1)]或Corr[X,X(-2)]会很高
: 在Cross Section中 这是个很严重的问题
: 但在Time Series中 这怎反倒变成是一个很好的性质?
Instrument variables is mainly used to deal with the difficulty
that the explanatory variables and error terms are correlated.
AR models have no such difficulty.
But ARMA models do have and can be treated by instrument variables.
For example, in the ARMA(1,1) case, you cannot get a consistent estimator of
AR coeff. by regressing x_{t} on x_{t-1}.
But you can get a consistent estimator of the AR coff. by regressing
x_{t} on x_{t-2}. Now x_{t-2} is the instrument variable.
--
※ 发信站: 批踢踢实业坊(ptt.cc)
◆ From: 71.198.189.176