机器算法验证 - Portmanteau 测试结果 R - 吾爱随笔录

Portmanteau 测试结果 R

机器算法验证自相关向量自回归

2022-04-20 03:54:49

在阅读 VAR 模型教程时，我对以下关于自相关 Portmanteau 检验的摘录感到困惑。

我的问题是：

1）如何解释以下演示的结果？

2）作者如何得出VAR（3）模型更合适的结论，以及基于什么标准？

3）假设（我不知道这是否是正确的假设）自相关是 VAR( ) 预测的理想特征，为什么作者在拒绝 VAR( 1)? $p$

> #vector autoregression with lag1
> var = VAR(climate2.ts, p=1)

#It is important now to test for serial autocorrelation in the model      
#residuals and below is for the Portmanteau test (several options in the vars 
#package are available).

> serial.test(var, lags.pt=10, type=”PT.asymptotic”)

Portmanteau Test (asymptotic)

data:  Residuals of VAR object var
Chi-squared = 55.4989, df = 36, p-value = 0.01996

#The null hypothesis is no serial correlation, so we can reject it with extreme 
#prejudice…on to var3
> var3 = VAR(climate2.ts, p=3)
> serial.test(var3, lags.pt=10, type=”PT.asymptotic”)

Portmanteau Test (asymptotic)
data:  Residuals of VAR object var3
Chi-squared = 36.1256, df = 28, p-value = 0.1394

#That is more like it.  
#You can review the details of the var model, in this case temperature, if you so choose:
> summary(var3, equation=”d.temp”)

1个回答

让我使用术语“自相关”作为“序列相关”的同义词。

1）如何解释以下演示的结果？

大多数解释已经在代码的注释中。首先，估计一个 VAR(1) 模型。使用 portmanteau 测试对错误中的自相关进行测试。无自相关的原假设被拒绝，因为的值低于的显着性水平。由于自相关是该模型不可取的特征，因此作者继续寻找另一个没有自相关的模型。他/她估计了一个 VAR(3) 模型，测试了自相关，并发现不能拒绝无自相关的空值，因为的值大于的显着性水平 $p$ 0.019960.05 $p$ 0.13940.05. 由于没有足够的证据表明存在自相关，因此作者很满意并坚持使用 VAR(3) 模型。

2）作者是如何得出VAR3模型更合适的结论的，基于什么标准？

缺乏自相关使得 VAR(3) 比 VAR(1) 更适合；另见我对问题 (1) 的回答。

3）假设（我不知道这是否正确的假设）串行自相关是 VAR（p）预测的理想特征，为什么作者在拒绝 var 的零假设后转向 var3？

自相关不是期望的特征。它会使估计器产生偏差，并使它们的效率降低。同时，当没有自相关（假设也满足其他标准假设）时，估计量确实具有它们的良好特性（无偏性、效率）。

其它你可能感兴趣的问题

上一篇想要练习的学生下一篇如何阅读 R 中的箱线图？