【SPSS操作】回归分析：自相关性问题

ID_009

已于 2023-11-23 21:08:22 修改

阅读量1.1w

点赞数 29

分类专栏：回归分析 SPSS操作文章标签：回归数据挖掘

于 2023-11-09 19:53:21 首次发布

本文链接：https://blog.csdn.net/m0_73667228/article/details/134275444

版权

回归分析同时被 2 个专栏收录

2 篇文章 0 订阅

订阅专栏

SPSS操作

2 篇文章 0 订阅

订阅专栏

一、建立回归模型

【导入数据】【分析】【回归】【线性】，在【保存】中勾选残差【未标准化】，系统会在原数据框内新保存为RES_1

二、判断有无自相关性

（1）图示检验法1—— $(t,e_{t})$

【图形】【旧对话框】【散点图】【简单散点图】，将“年份”选入“X轴”，“RES_1”选入“Y轴”

（结果如下图所示）

根据上图可以看出， $e_{t}$ 随着 $t$ 的变化，逐次变化并不太频繁地改变符号，而是几个负的 $e_{t}$ 后面跟了几个正的，则表明随机扰动项 $\varepsilon _{t}$ 存在正的序列相关。

或者也可绘制 $(x,e_{t})$ or $(y,e_{t})$ 的散点图

（2）图示检验法2—— $(e_{t-1},e_{t})$

——首先，得到滞后一期的未标准化残差 $e_{t-1}$ ：

【转换】【创建时间序列】，选中“RES_1”，函数选择【滞后】or【延迟】，将滞后一期的未标准化残差命名为“RES_1_1”，最后点击【变化量】，确保结果显示为：RES_1_1=LAG(RES_1 1)

（操作过程中具体见下图）

——然后，绘制 $e_{t-1}$ 与 $e_{t}$ 的散点图：

【图形】【旧对话框】【散点图】【简单散点图】，将“RES_1_1”选入“X轴”，“RES_1”选入“Y轴”（或者将“RES_1”选入“X轴”，“RES_1_1”选入“Y轴”，绘制 $(e_{t},e_{t-1})$ 的散点图）

（结果如下图所示）

由上图可知，散点图结果大部分落在了第Ⅰ，Ⅲ象限，表明随机扰动项 $\varepsilon _{t}$ 存在正的序列相关。

（3）DW检验法

三、迭代法处理自相关

相关知识：

对于原一元线性回归方程 ${y_{t}}=\beta _{0}+\beta _{1}{x_{t}}+\varepsilon _{t}$ ，我们假设了其误差项存在一阶自回归，即有 $\varepsilon _{t}=\rho \varepsilon _{t-1}+u_{t}$ 存在，其中 $u_{t}$ 满足GM假设（零均值、等方差、不相关）。

联立方程：

$\left\{\begin{matrix} {y_{t}}=\beta _{0}+\beta _{1}{x_{t}}+\varepsilon _{t}\\ {y_{t-1}}=\beta _{0}+\beta _{1}{x_{t-1}}+\varepsilon _{t-1} \end{matrix}\right.$

可得

$(y_{t}-\rho y_{t-1})=(\beta _{0}-\rho \beta _{0})+\beta _{1}(x_{t}-\rho x_{t-1})+(\varepsilon _{t}-\rho \varepsilon _{t-1})$ ……(1)

上式中，恰有： $u_{t}=\varepsilon _{t}-\rho \varepsilon _{t-1}$

故可令：

${y_{t}}'=y_{t}-\rho y_{t-1}$ ； ${x_{t}}'=x_{t}-\rho x_{t-1}$ ； ${\beta _{0}}'=\beta _{0}(1-\beta )$ ； ${\beta _{1}}'=\beta _{1}$

故(1)式可变为：

${y_{t}}'={\beta _{0}}'+{\beta _{1}}'{x _{t}}'+u_{t}$ ……(2)

易知，模型式(2)已消除了自相关。

——首先，得到滞后一期的 $x_{t-1}$ 和 $y_{t-1}$ ：

【转换】【创建时间序列】，选中“x”，函数选择【滞后】or【延迟】，将滞后一期的x命名为“x_1”，最后点击【变化量】，确保结果显示为：x_1=LAG(x 1)；选中“y”，同上，保存为“y_1”

——其次，找到 ${x_{t}}'$ 和 ${y_{t}}'$ ：

【转换】【计算变量】，在目标变量框内输入“xp”，用来表示x'，在数学表达式框内输入公式“x-(1-0.5*0.283)*x_1”；同理，输入公式“y-(1-0.5*0.283)*y_1”得到“yp”，用来表示y'。

（补充：已知DW值=0.283）

补充：

上述过程利用了公式：

$\left\{\begin{matrix}{x_{t}}'=x_{t}-\rho x_{t-1}\\{y_{t}}'=y_{t}-\rho y_{t-1}\\\hat{\rho}\approx 1-\frac{1}{2}DW\end{matrix}\right.$

联立上式可知：

${x_{t}}'=x_{t}-(1-\frac{1}{2}DW)x_{t-1}$

${y_{t}}'=y_{t}-(1-\frac{1}{2}DW)y_{t-1}$

——然后，建立 ${x_{t}}'$ 和 ${y_{t}}'$ 的回归模型 ${y_{t}}'={\beta _{0}}'+{\beta _{1}}'{x _{t}}'+u_{t}$ 并观察自相关消除与否：

【分析】【回归】【线性】，将“xp”选入“自变量”，“yp”选入“因变量”

（结果如下图所示）

由上表可知，通过迭代法后所得回归模型为： ${y_{t}}'=185.307+0.628{x_{t}}'$ ……(3)

由于该模型使用了滞后一期的数据，则n=23-1=22，k=2，通过查询DW分布表可知， $d_{L}=1.24$ ， $d_{U}=1.43$ 。

对本题来说，DW值=1.821，在 $d_{U}\sim(4-d_{U})$ 的范围内，即可知通过使用迭代法，已经基本消除了自相关。

（或者，后续还可以通过“图示检验法”等方法进行佐证，此处过程略。）

——再然后，进行效果分析：

原模型摘要：

迭代后模型摘要：

通过比较迭代前后两模型标准误差的变化，可以发现，迭代后的模型效果相对更好。

——最后，将迭代后的回归方程还原为原始变量的方程：（非必须）

已知，通过迭代法后所得回归模型为：

${y_{t}}'=185.307+0.628{x_{t}}'$ ……(3)

其中， ${y_{t}}'=y_{t}-(1-\frac{1}{2}DW)y_{t-1}$ ， ${x_{t}}'=x_{t}-(1-\frac{1}{2}DW)x_{t-1}$ ，且：DW值=1.821

则有： ${y_{t}}'=y_{t}-0.8585y_{t-1}$ ……(4)

${x_{t}}'=x_{t}-0.8585x_{t-1}$ ……(5)

将(4)(5)式代入(3)式中有：

$y_{t}-0.8585y_{t-1}=185.307+0.628(x_{t}-0.8585x_{t-1})$

则还原为原始变量的方程为：

$y_{t}=(185.307+0.8585y_{t-1}-0.539138x_{t-1})+0.628x_{t}$

其中，关于 $y_{t-1}$ 和 $x_{t-1}$ ，由第三点的第一步可知，我们已经将滞后一期的 $x_{t-1}$ 和 $y_{t-1}$ 通过创建时间序列，保存为了“x_1”和“y_1”。

四、差分法处理自相关

相关知识：

差分法就是用增量数据代替了原来的样本数据，将原来的回归模型转变成了差分形式的模型。在迭代法中，已知有(1)式：

$(y_{t}-\rho y_{t-1})=(\beta _{0}-\rho \beta _{0})+\beta _{1}(x_{t}-\rho x_{t-1})+(\varepsilon _{t}-\rho \varepsilon _{t-1})$ ……(1)

当 $\rho=1$ 时，则上式变为了：

$(y_{t}-y_{t-1})=\beta _{1}(x_{t}-x_{t-1})+(\varepsilon _{t}-\varepsilon _{t-1})$ ……(6)

式 $u_{t}=\varepsilon _{t}-\rho \varepsilon _{t-1}$ 变为了： $u_{t}=\varepsilon _{t}-\varepsilon _{t-1}$

若令：

$\Delta y_{t}=y_{t}-y_{t-1}$ ； $\Delta x_{t}=x_{t}-x_{t-1}$

综上所述，则(3)式可变为：

$\Delta y_{t}=\beta _{1}\Delta x_{t}+u_{t}$ ……(7)

——首先，找到 $\Delta x$ 和 $\Delta y$ :

【转换】【创建时间序列】，选中“x”，函数选择【差分】or【差异】，将差分后的x命名为“Delta_x”，最后点击【变化量】，确保结果显示为：Delta_x=DIFF(x 1)；选中“y”，同上，保存为“Delta_y”

——其次，建立 $\Delta x_{t}$ 和 $\Delta y_{t}$ 的回归模型 $\Delta y_{t}={\beta _{1}}\Delta x _{t}+u_{t}$ 并观察自相关消除与否：

【分析】【回归】【线性】，将“Delta_x”选入“自变量”，“Delta_y”选入“因变量”，在【统计】中勾选残差【德宾-沃森】，在【保存】中勾选残差【未标准化】，系统会在原数据框内新保存为RES_2，在【选项】中不勾选【在方程中包括常量】

（结果如下图所示）

由上表可知，通过差分法后所得回归模型为： $\Delta y_{t}=0.637\Delta x_{t}$ ……(8)

通过使用差分法，原始数据量会减少一项，则n=23-1=22，k=2，通过查询DW分布表可知， $d_{L}=1.24$ ， $d_{U}=1.43$ 。

对本题来说，DW值=1.415，落入了 $d_{L}\sim d_{U}$ 的范围内，故有无自相关性无法判断。

因此，后续还应该通过 “图示检验法” 或者 “DW检验法”等进行验证，如下所示：

— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —

（顺便浅浅复习一下吧）

(1) 图示检验法—— $(t,e_{t})$

【图形】【旧对话框】【散点图】【简单散点图】，将“年份”选入“X轴”，“RES_2”选入“Y轴”

（结果如下图所示）

由上图可以看出， $e_{t}$ 随着 $t$ 的变化，无明显变化趋势，则表明随机扰动项 $\varepsilon _{t}$ 不存在序列相关，回归模型良好。

(2) 图示检验法—— $(e_{t-1},e_{t})$

首先，得到滞后一期的未标准化残差 $e_{t-1}$ ：

【转换】【创建时间序列】，选中“RES_2”，函数选择【滞后】or【延迟】，将滞后一期的未标准化残差命名为“RES_2_1”，最后点击【变化量】，确保结果显示为：RES_2_1=LAG(RES_2 1)

然后，绘制 $e_{t-1}$ 与 $e_{t}$ 的散点图：

【图形】【旧对话框】【散点图】【简单散点图】，将“RES_2_1”选入“X轴”，“RES_2”选入“Y轴”（或者将“RES_2”选入“X轴”，“RES_2_1”选入“Y轴”，绘制 $(e_{t},e_{t-1})$ 的散点图）

（结果如下图所示）

由上图可以看出， $e_{t}$ 随着 $e_{t-1}$ 的变化，无明显变化趋势，表明随机扰动项 $\varepsilon _{t}$ 不存在序列相关，回归模型良好。

(3) DW检验法

【分析】【回归】【线性】，在【统计】中勾选残差【德宾-沃森】

（结果如下图所示）

本题中，n=22（n=自由度21+1），k=2，通过查询DW分布表可知， $d_{L}=1.24$ ， $d_{U}=1.43$ 。

对本题来说，DW值=1.865，在 $d_{U}\sim(4-d_{U})$ 的范围内，已经基本消除了自相关。

同时，也可以顺便给出此模型结构：

由上表可知，该模型为： $\hat{e_{t}}=0.208e_{t-1}$

end……

— — — — — — — — — — — — — — — — — — — — — — — — — — — —
— — — — — — — — — — — — — — — — — — — — — — — — — — — —

——然后，进行建模效果分析：

原模型摘要：

差分后模型摘要：

通过比较差分前后两模型标准误差的变化，可以发现，差分后的模型效果相对更好。

——最后，将差分后的回归方程还原为原始变量的方程：（非必须）

已知，通过差分法后所得回归模型为：

$\Delta y_{t}=0.637\Delta x_{t}$ ……(8)

其中， $\Delta y_{t}=y_{t}-y_{t-1}$

$\Delta x_{t}=x_{t}-x_{t-1}$

将上式代入(8)式中有：

$y_{t}-y_{t-1}=0.637(x_{t}-x_{t-1})$

则还原为原始变量的方程为：

$y_{t}=y_{t-1}+0.637(x_{t}-x_{t-1})$

其中，关于 $y_{t-1}$ 和 $x_{t-1}$ ，由第三点的第一步可知，我们已经将滞后一期的 $x_{t-1}$ 和 $y_{t-1}$ 通过创建时间序列，保存为了“x_1”和“y_1”。

五、不同处理方法的选择

一般情况下，当模型相关系数 $> 0.8$ 时，采用差分法处理自相关性；
也可以选择两种方法同时使用，通过比较精度（标准估计误差）的高低，来抉择最终使用哪种方法。

（内容若有不妥之处，请多多包涵与指教）

ID_009

关注

29
点赞
踩
126

收藏

觉得还不错? 一键收藏
2
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

0≤DW≤ $d_{L}$	误差项ε间存在正自相关
$d_{L}$ <DW≤ $d_{U}$	不能判定是否有自相关
$d_{U}$ <DW<4- $d_{U}$	误差项间无自相关
4- $d_{U}$ ≤DW<4- $d_{L}$	不能判定是否有自相关
4- $d_{L}$ ≤DW≤4	误差项间存在负自相关