这可能是一个很奇怪的问题,但是作为该主题的新手,我想知道如果如果回归的假设之一是数据应该被id,而应用回归的数据是非iid?
这可能是一个很奇怪的问题,但是作为该主题的新手,我想知道如果如果回归的假设之一是数据应该被id,而应用回归的数据是非iid?
Answers:
您会敏锐地意识到,通常的最小二乘线性回归的经典假设与时间序列设置中常见的序列相关性之间可能会发生冲突。
考虑林子文雄的计量经济学的假设1.2(严格的外生性)。
反过来,这意味着,表示任何残差与任何回归变量正交。正如Hayashi指出的那样,在最简单的自回归模型中违反了这一假设。[1]考虑一下AR(1)过程:
我们可以看到将是的回归变量,但是与不正交(即)。
由于违反了严格的外生性假设,因此任何依赖于该假设的参数都无法应用于此简单的AR(1)模型!
不,我们不!用普通最小二乘法估计AR(1)模型是完全有效的标准行为。为什么还可以呢?
大样本的渐近论证不需要严格的外生性。一个充分的假设(可以用来代替严格的外生性)是回归器是预先确定的,回归器与同期误差项正交。有关完整的论述,请参见Hayashi第2章。
[1] Fumio Hayashi,《计量经济学》(2000年),第1页。35
[2]同上,p。134
基本的最小二乘类型回归方法不假设y值为iid,而是假设残差(即y值减去真实趋势)为iid
存在其他回归方法,这些方法做出不同的假设,但这可能会使答案复杂化。
这是一个好问题!时间序列书中甚至没有提到这个问题(我可能需要更好的书:)首先,请注意,如果时间序列具有随机趋势(单位根,则不必强迫使用线性回归来使时间序列趋势下降) )-您只需采取第一个区别。但是,如果该系列具有确定性趋势,则必须使用线性回归。如您所说,在这种情况下,残差确实不是iid。试想一下一个具有线性趋势,季节成分,周期性成分等的序列-线性回归后,残差几乎是独立的。关键是您不是在使用线性回归进行预测或形成预测间隔。这只是推理过程的一部分:您仍然需要应用其他方法来得出不相关的残差。因此,虽然线性回归本身 对于大多数时间序列而言,它不是有效的推理程序(它不是正确的统计模型),如果线性回归作为其步骤之一,则该过程假定是与模型的数据生成过程相对应的,则该过程可能是有效的模型。时间序列。