То В этом примере показано, как построить сопоставимый heteroscedastic-autocorrelation (HAC), откорректировало полосы доверия, использующие Newey-западные устойчивые стандартные погрешности.
Один способ оценить коэффициенты линейной модели OLS. Однако модели временных рядов имеют тенденцию иметь инновации, которые автокоррелируются и heteroscedastic (i.e., ошибки являются несферическими). Если модель временных рядов имеет несферические ошибки, то обычные формулы для стандартных погрешностей коэффициентов OLS смещаются и противоречивы. На основе логического вывода на этих неэффективных стандартных погрешностях имеет тенденцию раздувать коэффициент ошибок Типа I. Один путь с учетом несферических ошибок состоит в том, чтобы использовать стандартные погрешности HAC. В частности, Newey-западное средство оценки содействующей ковариации OLS относительно устойчиво против несферических ошибок.
Загрузите канадский набор данных потребления электроэнергии от World Bank. Ответ является потреблением электроэнергии Канады в kWh (DataTable.consump
), предиктор является GDP Канады в году 2 000 долларов США (DataTable.gdp
), и набор данных также содержит дефлятор GDP (DataTable.gdp_deflator
). Поскольку DataTable
расписание, DataTable.Time
демонстрационный год.
load Data_PowerConsumption
Смоделируйте поведение ежегодного различия в потреблении электроэнергии относительно действительного GDP как линейная модель:
consumpDiff = DataTable.consump - lagmatrix(DataTable.consump,1); ... % Annual difference in consumption T = size(consumpDiff,1); consumpDiff = consumpDiff(2:end)/1.0e+10; % Scale for numerical stability rGDP = DataTable.gdp./(DataTable.gdp_deflator); % Deflate GDP rGDP = rGDP(2:end)/1.0e+10; % Scale for numerical stability rGDPdes = [ones(T-1,1) rGDP]; % Design matrix Mdl = fitlm(rGDP,consumpDiff); coeff = Mdl.Coefficients(:,1); EstParamCov = Mdl.CoefficientCovariance; resid = Mdl.Residuals.Raw;
Постройте различие в потреблении энергии, consumpDiff
по сравнению с действительным GDP, чтобы проверять на возможный heteroscedasticity.
figure plot(rGDP,consumpDiff,'.') title 'Annual Difference in Energy Consumption vs real GDP - Canada'; xlabel 'real GDP (year 2000 USD)'; ylabel 'Annual Difference in Energy Consumption (kWh)';
Фигура указывает, что heteroscedasticity сила присутствует в ежегодном различии в потреблении энергии. Когда действительный GDP увеличивается, ежегодное различие в потреблении энергии, кажется, меньше переменной.
Постройте остаточные значения Mdl
против подходящих значений и год, чтобы оценить heteroscedasticity и автокорреляцию.
figure subplot(2,1,1) hold on plot(Mdl.Fitted,resid,'.') plot([min(Mdl.Fitted) max(Mdl.Fitted)],[0 0],'k-') title 'Residual Plots'; xlabel 'Fitted Consumption'; ylabel 'Residuals'; axis tight hold off subplot(2,2,3) autocorr(resid) h1 = gca; h1.FontSize = 8; subplot(2,2,4) parcorr(resid) h2 = gca; h2.FontSize = 8;
Остаточный график показывает уменьшающееся остаточное отклонение с увеличением подходящего потребления. Автокорреляционная функция показывает, что автокорреляция может присутствовать в первых нескольких изолированных остаточных значениях.
Протестируйте на условное выражение heteroscedasticity использование теста ДУГИ Энгла. Протестируйте на автокорреляцию с помощью теста Ljung-поля Q. Протестируйте на полную корреляцию с помощью теста Дербин-Уотсона.
[~,englePValue] = archtest(resid); englePValue
englePValue = 0.1463
[~,lbqPValue] = lbqtest(resid,'lags',1:3);... % Significance of first three lags lbqPValue
lbqPValue = 1×3
0.0905 0.1966 0.0522
[dwPValue] = dwtest(Mdl); dwPValue
dwPValue = 0.0024
P значение теста ДУГИ Энгла предлагает значительное условное выражение heteroscedasticity на 15%-м уровне значения. P значение для теста Ljung-поля Q предлагает значительную автокорреляцию с первыми и третьими изолированными остаточными значениями на 10%-м уровне значения. P значение для теста Дербин-Уотсона предполагает, что существуют убедительные доказательства для полной остаточной автокорреляции. Результаты тестов предполагают, что стандартные линейные условия модели homoscedasticity и некоррелированых ошибок нарушены, и выводы на основе содействующей ковариационной матрицы OLS являются подозреваемым.
Один способ возобновить вывод (такой как построение полосы доверия) состоит в том, чтобы откорректировать содействующую ковариационную матрицу OLS путем оценки Newey-западной содействующей ковариации.
Откорректируйте содействующую ковариационную матрицу OLS путем оценки Newey-западной содействующей ковариации с помощью hac
. Вычислите максимальную задержку, которая будет взвешена для стандартной Newey-западной оценки, maxLag
(Newey и West, 1994). Используйте hac
оценить стандартную Newey-западную содействующую ковариацию.
maxLag = floor(4*(T/100)^(2/9)); [NWEstParamCov,~,NWCoeff] = hac(Mdl,'type','hac',... 'bandwidth',maxLag + 1);
Estimator type: HAC Estimation method: BT Bandwidth: 4.0000 Whitening order: 0 Effective sample size: 49 Small sample correction: on Coefficient Covariances: | Const x1 -------------------------- Const | 0.3720 -0.2990 x1 | -0.2990 0.2454
Newey-западная стандартная погрешность для коэффициента rGDP
, помеченный в таблице, меньше обычной стандартной погрешности OLS. Это предполагает, что, в этом наборе данных, корректирующем для невязки heteroscedasticity и автокорреляции, увеличивает точность в измерении линейного эффекта действительного GDP на потреблении энергии.
Вычислите 95%, работающих-Hotelling полоса доверия на каждую оценку ковариации с помощью nlpredci
(Kutner и др., 2005).
modelfun = @(b,x)(b(1)*x(:,1)+b(2)*x(:,2)); % Define the linear model [beta,nlresid,~,EstParamCov] = nlinfit(rGDPdes,... consumpDiff,modelfun,[1,1]); % estimate the model [fity,fitcb] = nlpredci(modelfun,rGDPdes,beta,nlresid,... 'Covar',EstParamCov,'SimOpt','on'); % Margin of errors conbandnl = [fity - fitcb fity + fitcb]; % Confidence bands [fity,NWfitcb] = nlpredci(modelfun,rGDPdes,... beta,nlresid,'Covar',NWEstParamCov,'SimOpt','on'); % Corrected margin of error NWconbandnl = [fity - NWfitcb fity + NWfitcb]; % Corrected confidence bands
Постройте работающие-Hotelling полосы доверия на тех же осях дважды: один график, отображающий потребление электроэнергии относительно действительного GDP и другое отображение временных рядов потребления электроэнергии.
figure hold on l1 = plot(rGDP,consumpDiff,'k.'); l2 = plot(rGDP,fity,'b-','LineWidth',2); l3 = plot(rGDP,conbandnl,'r-'); l4 = plot(rGDP,NWconbandnl,'g--'); title 'Data with 95% Working-Hotelling Conf. Bands'; xlabel 'real GDP (year 2000 USD)'; ylabel 'Consumption (kWh)'; axis([0.7 1.4 -2 2.5]) legend([l1 l2 l3(1) l4(1)],'Data','Fitted','95% Conf. Band',... 'Newey-West 95% Conf. Band','Location','SouthEast') hold off
figure year = DataTable.Time(2:end); hold on l1 = plot(year,consumpDiff); l2 = plot(year,fity,'k-','LineWidth',2); l3 = plot(year,conbandnl,'r-'); l4 = plot(year,NWconbandnl,'g--'); title 'Consumption with 95% Working-Hotelling Conf. Bands'; xlabel 'Year'; ylabel 'Consumption (kWh)'; legend([l1 l2 l3(1) l4(1)],'Consumption','Fitted',... '95% Conf. Band','Newey-West 95% Conf. Band',... 'Location','SouthWest') hold off
Графики показывают, что Newey-западное средство оценки составляет heteroscedasticity в этом, полоса доверия является широкой в областях высокой волатильности и тонкой в областях низкой волатильности. Содействующее средство оценки ковариации OLS игнорирует этот шаблон энергозависимости.
Ссылки:
Kutner, M. H. К. Дж. Нахцхайм, Дж. Нетер и В. Ли. Прикладные линейные статистические модели. 5-й Эд. Нью-Йорк: Макгроу-Хилл/ирвин, 2005.
Newey, W. K. и К. Д. Вест. "Простое Положительное Полуопределенное, Heteroskedasticity и Autocorrelation Consistent Covariance Matrix". Econometrica. Издание 55, 1987, стр 703-708.
Newey, W. K, и К. Д. Вест. "Автоматический Выбор Задержки по Оценке Ковариационной матрицы". Анализ Экономических Исследований. Издание 61 № 4, 1994, стр 631-653.