Jeg studerer en univariat og diskret tidsserie. Jeg ved, at rester skal være tilfældige og have en god pasform og have en klokkeform.
Foreslår plottet nedenfor, at resterne er effektive tilfældig?
Kommentarer
- Velkommen til webstedet, @Marco. Jeg aner ikke hvad du spørger. Kan du afklare dit spørgsmål?
- tak. Jeg studerer en tidsserie med en klassisk tilgang. Jeg vil have, at nogen beskriver denne grafik og fortæller mig, om denne grafik beskriver resterne effektivt tilfældigt.
- Hvad ' er y (lodret) akse på grafen repræsenterer ?
- Det er godt at se på, hvordan resterne fordeles. Dette histogram fortæller dig dog meget lidt om deres tilsyneladende " tilfældighed. " Til det skal du sammenligne resterne af andre data, du har, inklusive den afhængige variabel og andre variabler, der muligvis ikke har været involveret i tilpasningen. Du vil have resterne til at se uafhængige af alle andre variabler.
- Ud over whuber ' s nyttige kommentarer, en måde at prøve at udelukke ikke-tilfældige mønstre i residualer er at oprette et scatterplot af residualerne (på den lodrette akse) mod enten den afhængige variabel eller de forudsagte værdier af den (på den vandrette akse). Ideelt set ser man ingen systematisk stigning eller formindskelse af middelværdien eller variationen, når man bevæger sig fra venstre til højre.
Svar
Velkommen til CrossValidated, Marco!
Hvis jeg forstod dig korrekt, bruger du Least Squares Estimator (LSE) til din regression problem. For at fungere effektivt kræver LSE faktisk normalt distribuerede rester. En god måde at kontrollere dette på er at kigge på såkaldt Q-Q plot : du tegner kvantilerne af dine opnåede rester versus teoretiske normale kvantiler. Hvis du ser noget som en linje i QQ-plottet – du er færdig – antages normaliteten.
Men jeg vil opfordre dig til at være forsigtig, du skal også kontrollere andre antagelser, der kræves for LSE : uafhængighed af restprodukter og homoscedasticitet .
Håber det hjælper!
Kommentarer
- Lineær regression kræver normale fejl ??
- @kirk, lineær regression i sig selv ikke, men estimator for mindste kvadrat for lineær regression svarer til estimatoren for maksimal sandsynlighed med gaussiske fejl. Det er ', hvorfor det ofte antages, at fejl normalt skal fordeles. Og som jeg kommer ud af spørgsmålet (henvisning til klokkekurve), er det nøjagtigt det, der bliver bedt om at kontrollere.
Svar
Først er den kurve, du har tegnet, ikke den klokke, du leder efter. Din” klokke “skal være mere sådan:
Dit histogram-tegnet-som-søjlediagram (yikes! Excel tilskynder forfærdelige ting) ser rimeligt tæt på det.
Histogrammer er dog ikke en meget god måde at kontrollere, om der er normalitet af rester .
Som diskuteret her , ved lejligheder – og afhængigt af dine valg for, hvor histogrambjælkerne går, det samme sæt værdier kan se så anderledes ud som disse:
Bare for at gentage – det er to forskellige histogrammer af de samme numre. Skøn over kernetæthed og endnu bedre, QQ-plots (mindst en gang du lærer at læse dem) er betydeligt mere informative. Hvis du skal bruge histogrammer, skal du bruge masser af skraldespande og gøre mere end en.