Durbin Watson Statistik Was ist die Durbin Watson Statistik Die Durbin Watson Statistik ist eine Zahl, die Tests für Autokorrelation in den Residuen aus einer statistischen Regressionsanalyse. Die Durbin-Watson-Statistik liegt immer zwischen 0 und 4. Ein Wert von 2 bedeutet, dass es keine Autokorrelation in der Probe gibt. Werte, die sich 0 nähern, zeigen eine positive Autokorrelation und Werte in Richtung 4 zeigen negative Autokorrelation an. BREAKING DOWN Durbin Watson Statistik Autokorrelation kann ein großes Problem bei der Analyse historischer Daten sein, wenn man nicht weiß, um darauf zu achten. Da sich die Aktienkurse von einem Tag zum anderen nicht allzu radikal ändern, könnten die Kurse von einem Tag zum nächsten in hohem Maße korrelieren, auch wenn es in dieser Beobachtung wenig nützliche Informationen gibt. Um Autokorrelationsprobleme zu vermeiden, ist die einfachste Lösung in der Finanzierung, einfach eine Reihe von historischen Preisen in eine Reihe von prozentualen Preisänderungen von Tag zu Tag umzuwandeln. Durbin Watson Statistik Berechnung Die Formel für die Durbin Watson Statistik ist ziemlich komplex, aber beinhaltet die Residuen aus einer gewöhnlichen kleinsten Quadrate Regression auf einem Satz von Daten. Das folgende Beispiel veranschaulicht, wie diese Statistik berechnet wird. Nehmen Sie die folgenden Punkte (x, y) an: Paar (10, 1.100) Paar zwei (20, 1.200) Paar drei (35, 985) Paar vier (40, 750) Paar fünf (50, , 1.000) Unter Verwendung der Methoden einer Regressionsgleichung der kleinsten Quadrate, um die Linie der besten Übereinstimmung zu finden, ist die Gleichung für die beste Übereinstimmungslinie dieser Daten: Y -2,6268x 1,129,2 Dieser erste Schritt bei der Berechnung der Durbin-Watson-Statistik besteht darin, das Erwartete zu berechnen Y-Werten unter Verwendung der Linie der Best-Fit-Gleichung. Für diesen Datensatz sind die erwarteten y-Werte: Erwartete Y (1) -2,6268 x 10 1,129,2 1,102,9 Erwartete Y (2) -2,6268 x 20 1,129,2 1,076,7 Erwartete Y (3) -2,6268 x 35 1,129,2 1,037.3 Erwartete Y (4) - 2.6268 x 40 1.129.2 1.024.1 Erwartetes Y (5) -2,6268 x 50 1,129,2 997,9 Erwartetes Y (6) -2,6268 x 45 1,129,2 1,011 Als nächstes werden die Unterschiede der tatsächlichen y-Werte gegenüber den erwarteten y-Werten, den Fehlern, berechnet: Fehler ( 1) (1 100-1102,9) -2,9 Fehler (2) (1.200 - 1.076.7) 123.3 Fehler (3) (985 - 1.037.3) -52.3 Fehler (750 - 1.024.1) -274.1 Fehler (5) (1.215 - 997.9) 217.1 Fehler (6) (1.000 - 1.011) -11 Als nächstes müssen diese Fehler quadriert und summiert werden: Summe der Fehler quadriert (-2.92 123.32 -52.32 -274.12 217.12 -111) 140.368.5 Als nächstes sind die Fehlerwerte minus dem vorherigen Fehler Berechnet und quadriert: Differenz (1) (123,3 - (-2,9)) 126,3 Differenz (2) (-52,3 - 123,3) -175,6 Differenz (3) (-274,1 - (-52,3)) -221,9 Differenz (4) (217,1 - (-274.1)) 491.3 Differenz (5) (-11 - 217.1) -228.1 Summe der Differenzen quadratisch 389.392.2 Schließlich ist die Durbin-Watson-Statistik der Quotient der quadrierten Werte: Durbin Watson 389.392.2 140.368,5 2.77Willkommen beim Institut für digitale Forschung Und Bildung SAS FAQ Wie kann ich die Durbin-Watson-Statistik und die Autokorrelation 1. Ordnung in Zeitreihendaten berechnen Wenn der Datensatz von Interesse eine Zeitreihendaten ist, können wir die Autokorrelation erster Ordnung für die interessierenden Variablen berechnen und prüfen, ob Die Autokorrelation ist Null. Ein häufiger Test ist Durbin-Watson-Test. Die Durbin-Watson-Teststatistik kann in proc reg mit der Option dw nach der Model-Anweisung berechnet werden. Hier sind zwei Beispiele mit dem Datensatz sp500.sas7bdat. Die Variablen von Interesse sind offen. schließen . hoch . Niedrig und Volumen. Beispiel 1 . Berechnung der Durbin-Watson-Statistik für eine Variable. Der Wert der Durbin-Watson-Statistik ist nahe bei 2, wenn die Fehler nicht korreliert sind. In unserem Beispiel ist es .034. Das bedeutet, dass es einen starken Beweis gibt, dass die Variable offen eine hohe Autokorrelation aufweist. Beispiel 2: Ausgabe Autokorrelation 1. Ordnung mehrerer Variablen in einen Datensatz Sagen wir, dass wir die Autokorrelation 1. Ordnung für alle interessierenden Variablen berechnen wollen. Wir können die ODS-Funktion nutzen, um die Autokorrelation erster Ordnung für jede Variable auf einen Datensatz mit dem Namen autocorr auszugeben. Der Inhalt dieser Website sollte nicht als eine Bestätigung für eine bestimmte Website, ein Buch oder ein Softwareprodukt der Universität von Kalifornien verstanden werden.
No comments:
Post a Comment