آموزش ایویوز ( Eviews ) قسمت پنجم - خود همبستگی

عدم وجود خود همبستگی یکی از فروض کلاسیک است که ما برای راحتی در محاسبات آن را در نظر می گیریم اما اگر رگرسیون دارای مشکل خود همبستگی باشد، یا به عبارتی در طرف راست معادله متغیر وابسته تاخیری داشته باشیم، از این آزمون استفاده می کنیم. اگر هم بخواهیم بدانیم آیا در این معادله رگرسیون چنین مشکلی وجود دارد یا نه، تنها کافی است در صفحه معادله از منوی فرعی view در قسمت residual test گزینه serial correlation LM test را انتخاب کنید، سپس پنجره ای ظاهر می شود که باید در آن مرتبه خود همبستگی را بنویسید، حالا فرض کنید ما همان عدد ۲ که به صورت پیش فرض انتخاب شده است، انتخاب کنیم؛ نتایجی به صورت زیر ظاهر می شوند:

اینجا فرضیه H0 این است که مشکل خود همبستگی وجود ندارد (cov(Ui,Uj)=0)، با توجه به احتمال آماره F که از ۵ درصد بیشتر است، فرضیه H0 را می بپذیریم و در نتیجه در این رگرسیون مشکل خود همبستگی وجود ندارد.

روش رفع خود همبستگی مرتبه اول

اگرچه این روش برای رگرسیون ما که مشکلی ندارد، کاربرد ندارد، ولی گفتن آن می تواند برای داده هایی که در آینده ممکن است برای شما این مشکل را ایجاد کنند، مفید به نظر می رسد؛ برای استفاده از این روش، وارد منوی فرعی Estimate در پنجره معادله شوید، در کادر ظاهر شده، مشخصات معادله ای که تخمین زده اید نوشته شده است، که شما برای اجرای این تصحیح می توانید یک جزء جدید AR(1) را به طرف راست معادله، یعنی جزء متغیرهای توضیحی، اضافه کنید:

CC C Y AR(1)

اینجا یکی از مهمترین اتفاقاتی که بعد از این اصلاح در نتایج شما عموماً اتفاق می افتد، این است که آماره دوربین  واتسون شما مقدارش بهبود می یابد و به عدد ۲ نزدیک تر می شود و این می تواند شما را امیدوار کند که مشکل خودهمبستگی شما رفع شده است.

روش رفع خود همبستگی مراتب بالاتر(روش تصحیح خود بازگشت)

در این روش در پنجره ای که پس از انتخاب منوی فرعی Estimation انتخاب می شود علاوه بر AR(1) می توانید مراتب بالاتر را هم وارد کنید

CC C Y AR(1) AR(2) MA(2)

یا حتی می توان نوشت:

CC C Y AR(1) AR(2) MA(1) MA(2)

جزء AR یا اتورگرسیون به خود رگرسیونی یا خود همبستگی مربوط است ولی برای رفع خود همبستگی از شاخصی به نام میانگین متحرک (MA) نیز می توان استفاده کرد، هم به صورت تنها و هم به صورت ترکیبی از AR و همانطور که در بالا نشان دادیم، ترکیب آن اصلاً تفاوتی نمی کند.

این روش نسبتاً روش کاملتری است، چون هم علاوه بر خود همبستگی مرتبه اول، مراتب بالا را هم تصحیح می کند، و هم علاوه بر تخمین های OLS می توان از آن در تخمین های TSLS نیز استفاده کرد.