Egyváltozós és diszkrét idősort vizsgálok. Tudom, hogy a maradványoknak gyakorlatilag véletlenszerűnek, jól illeszkedőnek és harang alakúnak kell lenniük.
Az alábbi ábra azt sugallja, hogy a maradványok hatékonyan vannak véletlenszerű?
megjegyzések
- Üdvözöljük a webhelyen, @Marco. Fogalmam sincs, mit kérdezel. Pontosíthatja a kérdését?
- köszönöm. Klasszikus megközelítésű idősort tanulok. Azt akarom, hogy valaki írja le ezt a grafikát, és mondja meg, hogy ez a grafika valóban véletlenszerűen írja-e le a maradványokat.
- Milyen ' s ábrázolja a grafikon y (függőleges) tengelyét ?
- Jó megnézni, hogyan oszlanak meg a maradványok. Ez a hisztogram azonban nagyon keveset árul el a látszólagos " véletlenszerűségükről. " Ehhez összehasonlítani kell a többi adat maradványai, beleértve a függő változót és minden olyan változót, amelyek esetleg nem vettek részt az illesztésben. Szeretné, ha a maradványok függetlenek lennének az összes többi változótól.
- A whuber ' hasznos megjegyzések mellett a kipróbálás egyik módja A nem véletlenszerű minták kizárása a maradványokban azt jelenti, hogy a maradványok szórtábláját hozzuk létre (a függőleges tengelyen) akár a függő változóval, akár annak előre jelzett értékeivel szemben (a vízszintes tengelyen). Ideális esetben az átlag vagy a variáció nem mutat szisztematikus növekedést vagy csökkenést, amikor balról jobbra halad.
Válasz
Üdvözöljük a CrossValidated oldalán, Marco!
Ha jól értettem, akkor a legkisebb négyzetek becslőjét (LSE) használja a regressziós probléma. A hatékony működéshez az LSE-hez valóban szükség van normálisan elosztott maradványokra. Jó módszer ennek ellenőrzésére, ha megnézzük az úgynevezett Q-Q diagramot : megrajzoljuk a kapott maradványok kvantilisait az elméleti normál kvantilisokkal szemben. Ha valamit a QQ diagramban vonalként lát – kész, akkor – a normalitás feltételezése teljesül.
De arra szeretnék bátorítani, hogy vigyázzon, ellenőriznie kell az LSE-hez szükséges egyéb feltételezéseket is : a maradványok függetlensége és a homoskedaszticitás .
Remélem, hogy ez segít!
Hozzászólások
- A lineáris regresszió normál hibákat igényel?
- @kirk, maga a lineáris regresszió nem, de a legkisebb négyzetek lineáris regresszióra vonatkozó becslője ekvivalens a gaussiai hibákkal rendelkező Maximum Likelihood becslővel. ' ezért feltételezik gyakran, hogy a hibákat normálisan kell elosztani. És ahogy a kérdésből megkapom (hivatkozás a haranggörbére), pontosan ezt kéri ellenőrizni.
Válasz
Először a rajzolt görbe nem az a harang, amelyet keres. A” harangjának “inkább ilyennek kell lennie:
A hisztogram által rajzolt sávdiagram (nagyszerű! Az Excel szörnyű dolgokra ösztönöz) ésszerűnek tűnik ehhez.
A hisztogramok azonban nem túl jó módja a maradványok normalitásának ellenőrzésére.
Ahogy itt megbeszéltük, alkalmakkor – és attól függően, hogy a hisztogramsávok merre haladva, az ugyanazok az értékkészletek ugyanúgy eltérhetnek, mint ezek:
Csak azért, hogy megismételjem – ez az ugyanazok számok két különböző hisztogramja. A magsűrűség-becslések és még jobb, a QQ-ábrák (legalább egyszer, ha megtanulják, hogyan kell elolvasni őket) lényegesen informatívabbak. Ha hisztogramokat kell használnia, használjon rengeteg szemetet és tegyen többet.