时间序列分析这件小事（三）--自回归的假设检验

 无意中发现了一个巨牛的人工智能教程，忍不住分享一下给大家。教程不仅是零基础，通俗易懂，而且非常风趣幽默，像看小说一样！觉得太牛了，所以分享给大家。教程链接：https://www.cbedai.net/qtlyx

 

 

和线性回归一样，我们对参数是要做检验的。不是回归出了什么方程，什么系数我们就认了。如果回归学的好的话，我们还会记得，在多元归中，我们有一个F检验，用来检验是否所有因子前面的回归系数是显著的，只要有一个显著，F检验就会拒绝零假设。

在自回归中，我们也要对回归的显著性做一个假设。时间序列的自回归检验通常有两种：Box-Pierce 与 Box-Ljung。两个大致一样，唯一的区别就是后者更加适合小样本。如果你的样本比较少，那么用后面一个比较好。在R中，我们检验一下之前的那个序列。

#example 4
Box.test(yt)
Box.test(yt,type = 'Ljung-Box')

检验的结果如下：

如何看这些检验结果呢？我们只要记住，这些检验方法和F检验一下，零假设都是所有相关性都是不显著的，也就是所有系数都是零。同时，P-value越小越拒绝。这里，P-value都很大，至少大于0.05，对应95%的显著性水平下，我都不能拒绝零假设，换句话说，我们不能说，存在显著的自回归关系。

很显然，我们是随机产生的时间序列，所以是这个结果是正确的。