Как устранить автокорреляцию

Автокорреляция остатков нарушает предпосылки обычного метода наименьших квадратов, делая оценки коэффициентов неэффективными, а статистические критерии ненадёжными. Понимание того, как устранить автокорреляцию, включает диагностику её причин и выбор подходящего алгоритма. Основными путями решения являются изменение спецификации модели (добавление тренда, лагов или пропущенных переменных) и применение авторегрессионных преобразований данных, таких как метод первых разностей, процедура Кочрена — Оркатта или обобщённый метод наименьших квадратов.

$y_t - \rho y_{t-1} = \beta_0 (1 - \rho) + \beta_1 (x_t - \rho x_{t-1}) + \varepsilon_t$

Метод первых разностей

При высокой автокорреляции первого порядка, когда коэффициент авторегрессии $\rho$ близок к единице, эффективно использовать переход к абсолютным приростам.

В рамках этого подхода исходные переменные заменяются их разностями первого порядка: $\Delta y_t = y_t - y_{t-1}$ и $\Delta x_t = x_t - x_{t-1}$.

Это позволяет полностью устранить случайную составляющую с единичным корнем и восстановить независимость случайных ошибок. Данный способ часто применяют для нестационарных временных рядов, обладающих ярко выраженным трендом. Однако при переходе к разностям теряется информация о долгосрочной взаимосвязи между переменными, а свободный член регрессии меняет свой экономический смысл.

Итерационный метод Кочрена — Оркатта

Если автокорреляция остатков имеет авторегрессионную природу первого порядка $AR(1)$, применяется двушаговый итерационный алгоритм. На первом шаге с помощью ОМНК оценивается исходное уравнение и вычисляются остатки, по которым находится оценка коэффициента авторегрессии $\hat{\rho}$.

На втором шаге переменные преобразуются по формуле обобщённых разностей $y_t^* = y_t - \hat{\rho}y_{t-1}$.

Процедура повторяется до тех пор, пока оценка $\hat{\rho}$ не стабилизируется. Этот метод дает ответ на вопрос, как устранить автокорреляцию без потери первого наблюдения, если дополнить его процедурой Прайса — Уинстена. В результате получаются эффективные оценки параметров регрессии.

Корректировка спецификации модели

Частой причиной автокорреляции остатков выступает ложная автокорреляция, вызванная неправильным выбором функциональной формы или пропуском существенных объясняющих переменных. Чтобы корректно выполнить устранение автокорреляции, необходимо пересмотреть структуру уравнения. Добавление в регрессию временного тренда, сезонных фиктивных переменных или пропущенного фактора нередко полностью снимает проблему зависимости остатков. Также полезным приёмом является использование нелинейных форм связи или логарифмирование переменных. Правильно построенная спецификация устраняет системную ошибку в остатках естественным образом без применения сложных статистических трансформаций данных.

Включение лаговых значений в модель

В экономических временных рядах текущее значение результативного признака часто зависит от его прошлых значений. Введение в число объясняющих переменных лага зависимой переменной $y_{t-1}$ позволяет учесть инерционность процесса. Модели авторегрессии и распределенного лага (ADRL) переносят зависимость из случайных ошибок непосредственно в структурированную часть регрессионного уравнения. При этом важно проверять остатки новой модели с помощью h-статистики Дарбина, так как классический критерий Дарбина — Уотсона в присутствии лаговой независимой переменной становится смещённым. Это действенный способ, показывающий, как устранить автокорреляцию при наличии выраженной динамической памяти в данных.

Обобщённый метод наименьших квадратов (ОМНК)

Обобщённый метод наименьших квадратов применяется в случаях, когда ковариационная матрица ошибок не является скалярной. Посредством матричного преобразования исходные данные взвешиваются таким образом, чтобы новая система удовлетворяла всем условиям теоремы Гаусса — Маркова. Если параметр авторегрессии $\rho$ известен заранее или надёжно оценён, преобразование Эйткена переводит модель к виду с независимыми и равнодисперсными остатками. ОМНК обеспечивает получение наилучших линейных несмещённых оценок (BLUE). Метод универсален и подходит как для устранения автокорреляции высших порядков, так и для одновременного исправления гетероскедастичности ошибок.

Кратко по случаям

Примеры

Пример: метод первых разностей. В модели зависимости потребления $y_t$ от дохода $x_t$ критерий Дарбина — Уотсона показал $DW = 0{,}42$, что указывает на положительную автокорреляцию ($\rho \approx 0{,}79$).

Сформулирована модель в первых разностях: $\Delta y_t = \beta_1 \Delta x_t + \nu_t$.

После пересчёта оценок получено новое значение $DW = 1{,}91$. Автокорреляция остатков полностью устранена, статистическая значимость коэффициента $\beta_1$ подтверждена t-критерием.

Пример: процедура Кочрена — Оркатта. Для парной регрессии цен на сырьё получено $DW = 0{,}80$.

На шаге 1 рассчитана оценка авторегрессии остатков $\hat{\rho} = 1 - 0{,}80 / 2 = 0{,}60$.

На шаге 2 сформированы преобразованные переменные $y_t^* = y_t - 0{,}60 y_{t-1}$ и $x_t^* = x_t - 0{,}60 x_{t-1}$.

Регрессия по преобразованным данным дала $DW = 1{,}98$. Алгоритм позволил успешно устранить автокорреляцию за одну итерацию.

Частые ошибки

• Применение классического DW-критерия для диагностики остатков в моделях с лаговой зависимой переменной.
• Использование метода первых разностей при малых значениях коэффициента авторегрессии остатков.
• Игнорирование потери первого наблюдения при обычном авторегрессионном преобразовании без поправки Прайса — Уинстена.
• Попытка механически устранить автокорреляцию преобразованием данных без проверки модели на пропущенные переменные.

Коротко

Устранение автокорреляции остатков является необходимым этапом эконометрического моделирования для получения достоверных выводов. Выбор метода зависит от природы автокорреляции: от исправления спецификации уравнения до применения авторегрессионных преобразований данных. Грамотно скорректированная модель обеспечивает несмещённость и минимальную дисперсию оценок параметров.