关于随机游走模型相关序列性的检测

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

模型大约如下 . regress x27 l.x27 day1-day4       Source |       SS       df       MS              Number of obs =    1305 -------------+------------------------------           F(  5,  1299) =12597.51        Model |  132.876509     5  26.5753018           Prob > F      =  0.0000     Residual |  2.74032868  1299  .002109568           R-squared     =  0.9798 -------------+------------------------------           Adj R-squared =  0.9797        Total |  135.616837  1304  .104000642           Root MSE      =  .04593 ------------------------------------------------------------------------------          x27 |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval] -------------+----------------------------------------------------------------          x27 | L1. |   .9899664   .0039446   250.97   0.000     .9822279    .9977049              |         day1 |   .0011018   .0040206     0.27   0.784    -.0067858    .0089894         day2 |   .0064908   .0040206     1.61   0.107    -.0013968    .0143784         day3 |  -.0024839   .0040206    -0.62   0.537    -.0103716    .0054037         day4 |   .0000125   .0040206     0.00   0.998    -.0078751    .0079001        _cons |   .0281859   .0118072     2.39   0.017     .0050225    .0513492 ------------------------------------------------------------------------------ . regress x27 l.x27 l2.x27 l3.x27  day1-day4       Source |       SS       df       MS              Number of obs =    1303 -------------+------------------------------           F(  7,  1295) = 9104.00        Model |  132.804655     7  18.9720936           Prob > F      =  0.0000     Residual |  2.69868739  1295  .002083928           R-squared     =  0.9801 -------------+------------------------------           Adj R-squared =  0.9800        Total |  135.503342  1302  .104073228           Root MSE      =  .04565 ------------------------------------------------------------------------------          x27 |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval] -------------+----------------------------------------------------------------          x27 | L1. |   .8763499   .0277694    31.56   0.000      .821872    .9308278          L2. |   .0701034    .036968     1.90   0.058    -.0024204    .1426272          L3. |   .0449416   .0278155     1.62   0.106    -.0096268    .0995101              |         day1 |   .0014476   .0040007     0.36   0.718     -.006401    .0092962         day2 |   .0069641   .0040009     1.74   0.082    -.0008849    .0148131         day3 |  -.0013488    .004006    -0.34   0.736    -.0092079    .0065102         day4 |   .0003209    .004013     0.08   0.936    -.0075517    .0081936        _cons |   .0235372   .0117977     2.00   0.046     .0003926    .0466818 ------------------------------------------------------------------------------ . durbina Durbin's alternative test for autocorrelation ---------------------------------------------------------------------------     lags(p)  |          chi2               df                 Prob > chi2 -------------+-------------------------------------------------------------        1     |          2.865               1                   0.0905 ---------------------------------------------------------------------------                         H0: no serial correlation . test l.x27=1 ( 1)  L.x27 = 1        F(  1,  1295) =   19.83             Prob > F =    0.0000 . test l2.x27 l3.x27 ( 1)  L2.x27 = 0 ( 2)  L3.x27 = 0        F(  2,  1295) =    9.22             Prob > F =    0.0001

请问下，检测相关序列性的话，首先是
test X=1
然后得到F值和P值
再然后test x2 x3 x4 x5
又得到F和P
最后durbina

请问是否第一步的F必须为1，否则则拒绝相关性
第二步的F必须为0？（因为例题中第一步检测的F是99，第二步是34.99，都说是强烈拒绝）

DW的检验，直接看chi和P，如果P＜0.01就是强烈证据序列相关，＜0.05是证明序列相关，＞0.05就是无序列相关

请问这样判定对吗？
或者哪位可告知下，关于这几个检验的判定标准是什么？就是小于多少算是rejected strongly之类的……

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：随机游走 correlation Alternative Residual relation 检测 模型

请楼主列出您的模型，并列出您检定前的回归模型，
您这样，我们都不懂您在问什么…

. regress x27 l.x27 day1-day4
      Source |       SS       df       MS              Number of obs =    1305
-------------+------------------------------           F(  5,  1299) =12597.51
       Model |  132.876509     5  26.5753018           Prob > F      =  0.0000
    Residual |  2.74032868  1299  .002109568           R-squared     =  0.9798
-------------+------------------------------           Adj R-squared =  0.9797
       Total |  135.616837  1304  .104000642           Root MSE      =  .04593
------------------------------------------------------------------------------
         x27 |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         x27 |
L1. |   .9899664   .0039446   250.97   0.000     .9822279    .9977049
             |
        day1 |   .0011018   .0040206     0.27   0.784    -.0067858    .0089894
        day2 |   .0064908   .0040206     1.61   0.107    -.0013968    .0143784
        day3 |  -.0024839   .0040206    -0.62   0.537    -.0103716    .0054037
        day4 |   .0000125   .0040206     0.00   0.998    -.0078751    .0079001
       _cons |   .0281859   .0118072     2.39   0.017     .0050225    .0513492
------------------------------------------------------------------------------


. regress x27 l.x27 l2.x27 l3.x27  day1-day4
      Source |       SS       df       MS              Number of obs =    1303
-------------+------------------------------           F(  7,  1295) = 9104.00
       Model |  132.804655     7  18.9720936           Prob > F      =  0.0000
    Residual |  2.69868739  1295  .002083928           R-squared     =  0.9801
-------------+------------------------------           Adj R-squared =  0.9800
       Total |  135.503342  1302  .104073228           Root MSE      =  .04565
------------------------------------------------------------------------------
         x27 |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
         x27 |
L1. |   .8763499   .0277694    31.56   0.000      .821872    .9308278
         L2. |   .0701034    .036968     1.90   0.058    -.0024204    .1426272
         L3. |   .0449416   .0278155     1.62   0.106    -.0096268    .0995101
             |
        day1 |   .0014476   .0040007     0.36   0.718     -.006401    .0092962
        day2 |   .0069641   .0040009     1.74   0.082    -.0008849    .0148131
        day3 |  -.0013488    .004006    -0.34   0.736    -.0092079    .0065102
        day4 |   .0003209    .004013     0.08   0.936    -.0075517    .0081936
       _cons |   .0235372   .0117977     2.00   0.046     .0003926    .0466818
------------------------------------------------------------------------------

. durbina
Durbin's alternative test for autocorrelation
---------------------------------------------------------------------------
    lags(p)  |          chi2               df                 Prob > chi2
-------------+-------------------------------------------------------------
       1     |          2.865               1                   0.0905
---------------------------------------------------------------------------
                        H0: no serial correlation

. test l.x27=1
( 1)  L.x27 = 1
       F(  1,  1295) =   19.83
            Prob > F =    0.0000

. test l2.x27 l3.x27
( 1)  L2.x27 = 0
( 2)  L3.x27 = 0
       F(  2,  1295) =    9.22
            Prob > F =    0.0001


模型大致如下
我不是很确定两个检测的标准，比如小于多少算是强烈拒绝之类的

坦白说，我还是看不懂您的东西。我都没看过这样的检测。而且也不知道这样的检测到底想做什么。
虽然test l.x27=1，这大概有点猜出就像 一般的自回归模型介绍中 说到序列发散时，这个系数会等于1，
问题是，我们都知道这样简单的ols，检定是有问题的，即便像检测单根那样，我都怀疑power是有问题的，
特别是您看您实证中，明明系数估出是.9899664  这应当很靠近1吧？ 但硬就是拒绝说它是1

这只是我个人不成熟的简单看法。 楼主的问题还是留待坛圣贤们回答好了！！！！！

我也没有看懂
不知道是在哪里看到的这个检验步骤。