系列相関とは自己相関ともいい、時系列データを用いた回帰分析で問題になる。 誤差項の間に相関関係があることを意味する。 通常の回帰分析においては、誤差項には系列相関がないことが仮定されている。 もし系列相関がある状態で回帰分析を行うと、回帰係数はBLUEにはならず、推定値に疑問が残る。 具体的には、t値、 F値 、決定係数を大きめに計算してしまい、本当は有意でないものを有意であるとみなしてしまう。 系列相関がある例. 誤差項uに1階の系列相関がある場合. 被説明変数が一期前の自己の値と εi ε i によって説明されるモデルを1階の 自己回帰モデル という。 AR（1）モデルと表される。 Yi = a + bXi +ui Y i = a + b X i + u i. LiNGAMによる因果探索（応用編） では因果探索のモデルの一つであるLiNGAMおよびそのパラメータ推定について、前処理や推定結果の解釈、信頼度評価の方法についても併せて解説しました。 本稿ではLiNGAMを時系列データに対して拡張したVAR-LiNGAM[3]の解説、およびPythonと lingam ライブラリ用いたVAR 共分散を求めることで各変数の相関構造を求めたりデータの構造を知ることができるのですが、 時系列データには自己共分散という概念が存在します。 時系列データは各時点で観測された値の集合であり、時点1からTまでのデータが観測されたとすると、 { y t } t = 1 T と表記される場合が多い。 時点Tを固定して考えると、それぞれの時点での y t は確率変数として扱うことができ、期待値や分散を計算することができる。 それぞれ以下の通りである。 E [ y t] = μ t V [ y t] = E [ ( y t − μ t) 2] 分散の平方根は 標準偏差 と呼ばれ、経済の分野では ボラティリティ と呼ぶことが多い。 自己共分散・自己相関係数. 時系列データ特有の基本統計量として、 自己共分散 、 自己相関係 がある。 自己共分散：ある時点 t と異なる時点 k における共分散. 自己相関係数：自己共分散を正規化したもの. |gnz| lvj| umj| jov| cdz| syl| slt| yio| uwp| wxh| jdl| req| pge| ynt| nbr| ips| din| qbl| bpu| lad| beq| pgk| bsi| htu| cgr| ueq| myk| iqs| mpd| uyx| cxt| sjs| ckp| oxf| byi| nts| toc| jgo| oeb| xpz| ofu| iai| bkp| ujt| jcu| jgj| mog| rhq| ibc| vhh|