作者wwwwwww (哪個王八蛋一天上十九次됩
看板Statistics
標題Re: [問題] 為什麼跑AR時 可以不考慮correlationꨠ…
時間Sun Feb 11 15:58:06 2007
※ 引述《liton (歐吉桑留學生)》之銘言：
: : 你沒有看時間數列的書吧?
: : 時間數列怎麼會沒考慮相關性呢?
: : autocorrelation coefficient function(ACF)和
: : partial autocorrelation coefficient function(PACF)
: : 都是用來衡量時間數列資料值之間的相關性呀!
: : 而且AR model類似數學上的遞迴方程式.
: : model本身就是建基於資料值之間有很強的"自我"相關性而建模的.
: : 建議你看一下時間序列分析的相關書籍,
: : 你的問題自然引刃而解.
: 這些該念的我都念過了
: 我是對Time Series 和Cross Section的不同處理方式有疑問
: 在CrossSection中X=alpha+a*Y+b*Z
: Y和Z的相關性很高的話
: 我們會用instrument variables等方法來處理
: 但在AR中X=alpha+a*X(-1)+b*X(-2) 如果ACF和PACF很高的話
: 我們反倒覺得變數自己的遞迴性很高
: 用該變數自己的歷史資料便可預測下一期的X
: 那這樣不就代表Corr[X,X(-1)]或Corr[X,X(-2)]會很高
: 在Cross Section中 這是個很嚴重的問題
: 但在Time Series中 這怎反倒變成是一個很好的性質?
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.
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 71.198.189.176