Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
A másik teszt a Ljung - Box teszt (Q*), amely a Box – Pierce Q-teszt továbbfejlesztett változata.<br />
A Ljung - Box portmanteau-próba (LJB vagy Q*-teszt) 140 :<br />
k= K 2<br />
* ⎡ r ⎤ k<br />
Q = n(n+ 2) ∑ ⎢ ⎥<br />
k= 1⎣n−k⎦<br />
Ahol:<br />
k = a számított autokorrelációs együtthatók előre meghatározott száma, pl. 24.<br />
n = a megfigyelések száma.<br />
H0 =a reziduumok fehér zajok,<br />
H1 =a reziduumok nem fehér zajok,<br />
Q* χ 2 -eloszlást követ (K-p-q) vagy (K) szabadságfokkal.<br />
Ennek alapján a hipotézis rendszer:<br />
A H0-t elfogadjuk, ha:<br />
Q*K-p-qχ 2 0,05<br />
A szignifikancia-érték (p-érték) az a legkisebb szignifikancia szint, amin a H0 már éppen elvethető a H1gyel<br />
szemben. Ha pl. 0,05-nél kisebb a p-érték akkor 5 %-os szignifikancia szinten elutasítjuk a<br />
nullhipotézist, miszerint a reziduumok fehér zajok.<br />
Használatos az LJB vagy Q*-teszt, másik formája is, ahol a d-fokát is figyelembe veszik:<br />
k= K 2<br />
*1 , , ⎡ r ⎤ k<br />
Q = n (n + 2) ∑ ⎢ , ⎥<br />
k= 1⎣n<br />
− k⎦<br />
Ahol:<br />
n , = n-d, az idősor d számú differenciálása után felhasználható megfigyelések száma.<br />
A tesztelési eljárás az elözőhez hasonló módon történik.<br />
Maddala véleménye szerint a Q-próbáknál vannak jobb eljárások, de nagy K-érték mellett használata<br />
megfelelő eredményt adhat.<br />
3.8.2 Az ARIMA modell azonosítása<br />
A következő kérdés annak megválaszolása, hogy milyen típusú ARMA modell illesztésével próbálkozzunk,<br />
illetve, milyen legyen az autoregresszivítás (p) és/vagy, a mozgóátlagolás (q) rendje. Erre a kérdésre<br />
a választ a tapasztalati, vagy a transzformált idősor ACF és PACF értékei alapján adjuk meg. A modellezés<br />
ezen fázisát, modell azonosításnak (identifikációnak) nevezi a szakirodalom. A mintából becsült<br />
autokorrelációs és parciális autokorrelációs együtthatók grafikus ábrája, a korrelogram (ACF és PACF)<br />
alapján lehet a legkönnyebben az autokorrelációs együtthatók viselkedését - a késleltetés (k) függvényében<br />
- tanulmányozni. Ugyanis a r becsült autokorrelációs együtthatók konfidencia intervalluma alapján<br />
k<br />
közvetlenül megállapíthatók a nullától szignifikánsan különböző r értékek. Ezek a konfidencia sávon kí-<br />
k<br />
vül helyezkednek el.<br />
ARIMA modellek jellemzése<br />
Modelltípus<br />
ARIMA (p,d,q)<br />
(1, d, 0)<br />
AR(1)<br />
(2, d, 0)<br />
AR (2)<br />
Autokorrelációs együtthatók<br />
ACF (pk)<br />
Exponenciálisan csökken, ha ρ1 > 0,<br />
csillapodó szinusz görbe szerint csökken,<br />
ha ρ1 < 0<br />
Exponenciálisan és/vagy csillapodó<br />
szinusz görbe szerint csökken<br />
Parciális autokorrelációs<br />
együtthatók (Φkk)<br />
φ 11 ha k = 1<br />
0 ha k > 1<br />
φ 11 ha k = 1<br />
φ 22 ha k = 2<br />
0 ha k > 2<br />
140<br />
Ramanathan Ramu [2003]: Bevezetés az ökonometriába alkalmazásokkal. i. m. 542-543. és Maddala G. S.<br />
[2004]: 592-594.<br />
122