Heteroscedasticity и автокорреляция сопоставимые средства оценки ковариации
возвращает устойчивые оценки ковариации для содействующих оценок обычных наименьших квадратов (OLS) моделей EstCov
= hac(X
,y
)y
многофакторной линейной регрессии =
X
β + ε под общими формами heteroscedasticity и автокорреляции в инновационном процессе ε.
NaN
s в данных указывают на отсутствующие значения, который hac
удаляет использующее мудрое списком удаление. hac
наборы Data
= [X y]
, затем это удаляет любую строку в Data
содержа по крайней мере один NaN
. Это уменьшает эффективный объем выборки и изменяет основу времени ряда.
возвращает устойчивые оценки ковариации для содействующих оценок OLS моделей многофакторной линейной регрессии, с данными о предикторе, EstCov
= hac(Tbl
)X
, в первом numPreds
столбцы табличного массива, Tbl
, и данные об ответе, y
, в последнем столбце.
hac
удаляет все отсутствующие значения в Tbl
, обозначенный NaN
s, с помощью мудрого списком удаления. Другими словами, hac
удаляет все строки в Tbl
содержа по крайней мере один NaN
. Это уменьшает эффективный объем выборки и изменяет основу времени ряда.
использование любой из входных параметров в предыдущих синтаксисах и дополнительных опциях, что вы задаете одним или несколькими EstCov
= hac(___,Name,Value
)Name,Value
парные аргументы.
Например, используйте Name,Value
парные аргументы, чтобы выбрать веса для HAC или средств оценки HC, установите пропускную способность для средства оценки HAC или предварительно побелите остаточные значения.
[2] рекомендует предварительно белить для средств оценки HAC, чтобы уменьшать смещение. Процедура имеет тенденцию увеличивать отклонение средства оценки и среднеквадратическую ошибку, но может улучшить вероятности покрытия доверительного интервала и уменьшать сверхотклонение статистики t.
Исходное Белое средство оценки HC, заданное 'type','HC','weights','HC0'
, выравнивается по ширине асимптотически. Другой weights
значения, HC1
, HC2
, HC3
, и HC4
, предназначаются, чтобы улучшать производительность небольшой выборки. [6] и [3] рекомендуют использовать HC3
и HC4
, соответственно, в присутствии влиятельных наблюдений.
Средства оценки HAC сформировались, использование усеченного ядра не может быть положительно полуопределенный в конечных выборках. [10] предлагает использовать ядро Бартлетта в качестве средства, но получившееся средство оценки является субоптимальным в терминах своего уровня непротиворечивости. Квадратичное спектральное ядро достигает оптимального уровня непротиворечивости.
Методом оценки по умолчанию для выбора пропускной способности HAC является AR1MLE
. Это обычно более точно, но медленнее, чем AR (1) альтернатива, AR1OLS
. Если вы задаете 'bandwidth','ARMA11'
, затем hac
оценивает модель с помощью наибольшего правдоподобия.
Модели выбора пропускной способности могут показать чувствительность к относительному масштабу предикторов в X
.
[1] Эндрюс, D. W. K. “Heteroskedasticity и Autocorrelation Consistent Covariance Matrix Estimation”. Econometrica. Издание 59, 1991, стр 817–858.
[2] Эндрюс, D. W. K. и J. C. Моноханьцы. “Улучшенный Heteroskedasticity и Автокорреляция Сопоставимое Средство оценки Ковариационной матрицы”. Econometrica. Издание 60, 1992, стр 953–966.
[3] Cribari-Neto, F. "Асимптотический Вывод Под Heteroskedasticity Неизвестной Формы". Computational Statistics & Data Analysis. Издание 45, 2004, стр 215–233.
[4] зимуйте в берлоге Хаан, W. J. и А. Левин. "Руководство Практика по Устойчивой Оценке Ковариационной матрицы". В Руководстве Статистики. Отредактированный Г. С. Мэддэлой и К. Р. Рао. Амстердам: Elsevier, 1997.
[5] Франк, A. и A. Асунсьон. Репозиторий Машинного обучения UCI. Ирвин, CA: Калифорнийский университет, Школа Информатики и вычислительной техники. https://archive.ics.uci.edu/ml, 2012.
[6] Галантный, A. R. Нелинейные статистические модели. Хобокен, NJ: John Wiley & Sons, Inc., 1987.
[7] Kutner, M. H. К. Дж. Нахцхайм, Дж. Нетер и В. Ли. Прикладные Линейные Статистические модели. 5-й редактор Нью-Йорк: Макгроу-Хилл/ирвин, 2005.
[8] Долго, J. S. и Л. Х. Эрвин. "Используя Heteroscedasticity-сопоставимые Стандартные погрешности в Модели Линейной регрессии". Американский Статистик. Издание 54, 2000, стр 217–224.
[9] Маккиннон, J. G. и H. Белый. "Некоторые Heteroskedasticity-сопоставимые Средства оценки Ковариационной матрицы с Улучшенными Конечными Демонстрационными Свойствами". Журнал Эконометрики. Издание 29, 1985, стр 305–325.
[10] Newey, W. K. и К. Д. Вест. "Простое, Положительно-определенное, Heteroskedasticity и Autocorrelation Consistent Covariance Matrix". Econometrica. Издание 55, 1987, стр 703–708.
[11] Newey, W. K, и К. Д. Вест. “Автоматический Выбор Задержки по Оценке Ковариационной матрицы”. Анализ Экономических Исследований. Издание 61 № 4, 1994, стр 631–653.
[12] Белый, H. "Heteroskedasticity-сопоставимая Ковариационная матрица и Прямой Тест для Heteroskedasticity". Econometrica. Издание 48, 1980, стр 817–838.
[13] Белый, H. Асимптотическая теория для эконометриков. Нью-Йорк: Academic Press, 1984.