การทดสอบความสัมพันธ์อัตโนมัติ: Ljung-Box กับ Breusch-Godfrey


35

ฉันเคยเห็นการทดสอบ Ljung-Box ใช้ค่อนข้างบ่อยสำหรับการทดสอบความสัมพันธ์อัตโนมัติในข้อมูลดิบหรือในแบบจำลองที่เหลือ ฉันเกือบลืมไปแล้วว่ามีการทดสอบความสัมพันธ์แบบอัตโนมัติอีกครั้งหนึ่งนั่นคือการทดสอบ Breusch-Godfrey

คำถาม:อะไรคือความแตกต่างที่สำคัญและความเหมือนกันของการทดสอบ Ljung-Box และ Breusch-Godfrey และเมื่อใดที่หนึ่งจะได้รับความนิยมมากกว่าอื่น ๆ ?

(ยินดีต้อนรับการอ้างอิงอย่างใดฉันไม่สามารถหาการเปรียบเทียบใด ๆของการทดสอบทั้งสองแม้ว่าฉันจะดูในหนังสือสองสามเล่มและค้นหาเนื้อหาออนไลน์ฉันสามารถหาคำอธิบายของการทดสอบแต่ละครั้งแยกกันแต่สิ่งที่ฉันสนใจคือ การเปรียบเทียบของทั้งสอง)

คำตอบ:


36

มีบางเสียงที่แข็งแกร่งในชุมชนเศรษฐมิติเทียบกับความถูกต้องของ Ljung-Box -atatistic สำหรับการทดสอบความสัมพันธ์แบบออโตคอร์เรชั่นตามส่วนที่เหลือจากรูปแบบการตอบโต้อัตโนมัติ "ความรู้เบื้องต้นเกี่ยวกับเศรษฐมิติ (รุ่น 3 มิติ), ch 6.7, และ 13 5 p 528. Maddala อย่างแท้จริงไม่วายใช้อย่างกว้างขวางของการทดสอบนี้และแทนที่จะพิจารณาตามความเหมาะสมในการทดสอบ" ตัวคูณ Langrange "ของ Breusch และ GodfreyQ

การโต้แย้งของ Maddala กับการทดสอบ Ljung-Box นั้นเหมือนกับการทดสอบแบบยกระดับกับการทดสอบแบบออโตคอร์เรชั่นอีกแบบหนึ่งที่เรียกว่า "เดอร์บิน - วัตสัน" อย่างใดอย่างหนึ่ง: ด้วยตัวแปรที่ล้าหลังในการรักษาเมทริกซ์ถดถอย "no-autocorrelation" (ผลลัพธ์ของ Monte-Carlo ที่ได้รับใน @javlacalle ตอบคำอ้างถึงข้อเท็จจริงนี้) Maddala ยังกล่าวถึงการใช้พลังงานต่ำของการทดสอบดูตัวอย่างDavies, N. , & Newbold, P. (1979) การศึกษาพลังงานของการทดสอบกระเป๋าหิ้วของข้อกำหนดคุณสมบัติของอนุกรมเวลา Biometrika 66 (1), 153-155

ฮายาชิ (2000) , ch. 2.10 "การทดสอบสำหรับความสัมพันธ์แบบอนุกรม"นำเสนอการวิเคราะห์เชิงทฤษฎีแบบครบวงจรและฉันเชื่อว่าจะทำให้เรื่องนี้ชัดเจนขึ้น ฮายาชิเริ่มจากศูนย์: สำหรับ Ljung-Boxสถิติที่จะกระจาย asymptotically เป็นไคสแควร์จะต้องเป็นกรณีที่กระบวนการ(อะไรก็ตามที่แสดงถึง) ซึ่ง autocorrelations ตัวอย่างที่เราป้อนเข้าสู่สถิติ คือภายใต้สมมติฐานว่างของไม่มีความสัมพันธ์แบบออโตคอร์เรชั่นเป็นลำดับความแตกต่างของ martingale คือมันตอบสนองได้{ z t } zQ{zt}z

E(ztzt1,zt2,...)=0

และมันก็แสดงให้เห็นถึง "ตัวเอง" เงื่อนไข homoskedasticity

E(zt2zt1,zt2,...)=σ2>0

ภายใต้เงื่อนไขเหล่านี้ Ljung-Box - statistic (ซึ่งเป็นตัวแปรที่ได้รับการแก้ไขเพื่อ จำกัด ตัวอย่างของกล่องเดิม -Pierce - statistic) มีการแจกแจงแบบไคสแควร์แบบ asymptotically QQQ

สมมติว่าตอนนี้เราได้ระบุรูปแบบ autoregressive (ซึ่งอาจรวมถึง regressors อิสระนอกเหนือจากตัวแปรตามที่ล่าช้า)

yt=xtβ+ϕ(L)yt+ut

โดยที่เป็นพหุนามในโอเปอเรเตอร์ lag และเราต้องการทดสอบความสัมพันธ์แบบอนุกรมโดยใช้ส่วนที่เหลือของการประมาณ ดังนั้นที่นี่u_t ϕ(L)ztu^t

แสดงให้เห็นว่าฮายาชิเพื่อให้ Ljung-Box -statistic ขึ้นอยู่กับ autocorrelations ตัวอย่างของเหลือที่จะมีการกระจายไคสแควร์ asymptotic ภายใต้สมมติฐานที่ไม่มีอัต, มันจะต้องเป็นกรณีที่ทุก regressors คือ "ภายนอกอย่างเคร่งครัด "เป็นคำข้อผิดพลาดในแง่ต่อไปนี้:Q

E(xtus)=0,E(ytus)=0t,s

"สำหรับทุกคน " คือข้อกำหนดที่สำคัญที่นี่สิ่งหนึ่งที่สะท้อนถึงความเป็นจริงที่เข้มงวด และมันจะไม่หยุดทำงานเมื่อตัวแปรที่ล้าหลังมีอยู่ในเมทริกซ์ regressor สามารถมองเห็นได้ง่าย: setและจากนั้นt,ss=t1

E[ytut1]=E[(xtβ+ϕ(L)yt+ut)ut1]=

E[xtβut1]+E[ϕ(L)ytut1]+E[utut1]0

แม้ว่าจะเป็นอิสระจากข้อผิดพลาดและแม้ว่าข้อผิดพลาดจะไม่มีความสัมพันธ์อัตโนมัติ : คำไม่ใช่ศูนย์ XE[ϕ(L)ytut1]

แต่นี่เป็นการพิสูจน์ว่าสถิติLjung-Boxไม่ถูกต้องในรูปแบบการตอบโต้อัตโนมัติเนื่องจากมันไม่สามารถกล่าวได้ว่ามีการแจกแจงไคสแควร์เชิงซีโมติกภายใต้ศูนย์Q

สมมติว่าตอนนี้สภาพที่อ่อนแอกว่าความเป็นจริงที่เข้มงวดเป็นที่พึงพอใจกล่าวคือ

E(utxt,xt1,...,ϕ(L)yt,ut1,ut2,...)=0

ความแข็งแกร่งของเงื่อนไขนี้คือ "ในระหว่าง" ความเป็นเอกเทศอย่างเข้มงวดและ orthogonality ภายใต้โมฆะไม่มีความสัมพันธ์อัตโนมัติของคำข้อผิดพลาดเงื่อนไขนี้ "พอใจ" โดยอัตโนมัติโดยแบบจำลองอัตโนมัติด้วยความเคารพตัวแปรขึ้นอยู่กับความล่าช้า (สำหรับของมันจะต้องถือว่าแยกแน่นอน)X

จากนั้นก็มีสถิติอีกอันหนึ่งโดยอิงจากตัวอย่างอัตโนมัติที่เหลือ ( ไม่ใช่ Ljung-Box one) ที่มีการแจกแจงไคสแควร์เชิงซีโมติกใต้โมฆะ สถิติอื่น ๆ นี้สามารถคำนวณได้ตามความสะดวกโดยใช้เส้นทาง "การถดถอยเสริม": ถอยหลังส่วนที่เหลือบนเมทริกซ์การถดถอยแบบเต็มและส่วนที่เหลือในอดีต (จนถึงความล่าช้าที่เราใช้ในข้อกำหนด ) ขอรับuncenteredจากการถดถอย auxilliary นี้และคูณด้วยขนาดของกลุ่มตัวอย่างR 2{u^t} R2

สถิตินี้ถูกนำมาใช้ในสิ่งที่เราเรียกว่า "การทดสอบ Breusch-ก็อดฟรีย์สำหรับความสัมพันธ์อนุกรม"

ปรากฏว่าเมื่อ regressors รวมถึงตัวแปรที่ล้าหลัง (และในทุกกรณีของโมเดล autoregressive เช่นกัน) การทดสอบ Ljung-Box ควรถูกยกเลิกเนื่องจากการทดสอบ Breusch-Godfrey LM ไม่ใช่เพราะ "มันทำงานแย่กว่า" แต่เพราะมันไม่ได้มีเหตุผลเชิงซีมโทติค ค่อนข้างเป็นผลลัพธ์ที่น่าประทับใจโดยเฉพาะอย่างยิ่งการตัดสินจากการปรากฏตัวที่แพร่หลายและการประยุกต์ใช้ในอดีต

UPDATE:การตอบสนองต่อข้อสงสัยยกขึ้นในการแสดงความคิดเห็นเป็นไปได้ว่าทั้งหมดข้างต้นใช้ยัง "บริสุทธิ์" แบบจำลองอนุกรมเวลาหรือไม่ (เช่นโดยไม่ต้อง " " -regressors) ผมได้โพสต์ตรวจสอบรายละเอียดสำหรับ AR (1) รูปแบบ ในhttps://stats.stackexchange.com/a/205262/28746x


น่าประทับใจมากอเล็กซ์! คำอธิบายที่ดี! ขอบคุณมาก! (ฉันหวังว่าผู้คนจำนวนมากจะอ่านคำตอบของคุณในที่สุดและจะได้ประโยชน์จากมันในงานหรือการศึกษา)
Richard Hardy

+1 น่าสนใจมาก การคาดเดาเริ่มต้นของฉันคือในแบบจำลอง AR การกระจายตัวของการทดสอบ BG อาจผิดเพี้ยนไป แต่เมื่อคุณอธิบายและแบบฝึกหัดการจำลองแนะนำให้ทดสอบ LB คือสิ่งที่ได้รับผลกระทบมากขึ้น
javlacalle

ปัญหาเกี่ยวกับคำตอบของคุณคือว่ามันขึ้นอยู่กับสมมติฐานที่ว่าเราจัดการกับ ARMAX เหมือนรุ่นคือมี regressors x_tไม่ใช่อนุกรมเวลาบริสุทธิ์เช่น AR xt
Aksakal

1
@ Aksakal ส่วนหนึ่งของปัญหาอาจเป็นเพราะการโฟกัสพุ่งไปที่นี่เล็กน้อย เราควรแยกประเด็นของ (1) ซึ่งการทดสอบดีกว่าจาก (2) ซึ่งการทดสอบใดทำงานภายใต้สมมติฐานใดและที่สำคัญ (3) การทดสอบใดที่ใช้งานได้กับแบบจำลองใด อาจเป็นคำถามที่มีประโยชน์ที่สุดสำหรับผู้ฝึกหัด ตัวอย่างเช่นฉันจะไม่ใช้ LB สำหรับส่วนที่เหลือของแบบจำลอง ARMA เนื่องจากสิ่งที่ Alecos แสดง คุณยืนยันว่า LB ยังคงสามารถใช้กับส่วนที่เหลือของแบบจำลอง ARMA (ซึ่งตอนนี้ยังเป็นคำถามสำคัญในหัวข้ออื่น ๆ ) หรือไม่
Richard Hardy

1
@Alexis และนั่นเป็นความคิดเห็นที่เกือบจะประจบเกินไปที่จะเป็นจริง ขอขอบคุณ.
Alecos Papadopoulos

12

การคาดคะเน

ฉันไม่รู้เกี่ยวกับการศึกษาเปรียบเทียบการทดสอบเหล่านี้ ฉันสงสัยว่าการทดสอบ Ljung-Box เหมาะสมกว่าในบริบทของตัวแบบอนุกรมเวลาเช่นตัวแบบ ARIMA ซึ่งตัวแปรอธิบายนั้นล่าช้าของตัวแปรตาม การทดสอบ Breusch-Godfrey อาจจะเหมาะสมกว่าสำหรับแบบจำลองการถดถอยทั่วไปที่พบสมมติฐานแบบดั้งเดิม (โดยเฉพาะการถดถอยแบบภายนอก)

การคาดเดาของฉันคือการกระจายตัวของการทดสอบ Breusch-Godfrey (ซึ่งขึ้นอยู่กับส่วนที่เหลือจากการถดถอยที่เหมาะสมโดย Ordinary Least Squares) อาจได้รับผลกระทบจากความจริงที่ว่าตัวแปรอธิบายไม่ได้ภายนอก

ฉันทำแบบฝึกหัดจำลองเล็ก ๆ เพื่อตรวจสอบสิ่งนี้และผลที่ได้คือสิ่งที่ตรงกันข้าม: การทดสอบ Breusch-Godfrey ทำได้ดีกว่าการทดสอบ Ljung-Box เมื่อทดสอบการหาค่าความสัมพันธ์แบบอัตโนมัติในส่วนที่เหลือของแบบจำลองการตอบโต้อัตโนมัติ รายละเอียดและรหัส R เพื่อทำซ้ำหรือปรับเปลี่ยนการออกกำลังกายได้รับด้านล่าง


แบบฝึกหัดการจำลองขนาดเล็ก

การใช้งานทั่วไปของการทดสอบ Ljung-Box คือการทดสอบความสัมพันธ์แบบอนุกรมในส่วนที่เหลือจากแบบจำลอง ARIMA ที่ติดตั้งไว้ ที่นี่ฉันสร้างข้อมูลจากรุ่น AR (3) และพอดีกับรุ่น AR (3)

ส่วนที่เหลือเป็นไปตามสมมติฐานว่างโดยไม่มีความสัมพันธ์อัตโนมัติดังนั้นเราคาดว่าค่า p ที่กระจายอย่างสม่ำเสมอ สมมติฐานว่างควรถูกปฏิเสธในอัตราร้อยละของคดีใกล้เคียงกับระดับนัยสำคัญที่เลือกเช่น 5%

การทดสอบกล่อง Ljung:

## Ljung-Box test
n <- 200 # number of observations
niter <- 5000 # number of iterations
LB.pvals <- matrix(nrow=niter, ncol=4)
set.seed(123)
for (i in seq_len(niter))
{
  # Generate data from an AR(3) model and store the residuals
  x <- arima.sim(n, model=list(ar=c(0.6, -0.5, 0.4)))
  resid <- residuals(arima(x, order=c(3,0,0)))
  # Store p-value of the Ljung-Box for different lag orders
  LB.pvals[i,1] <- Box.test(resid, lag=1, type="Ljung-Box")$p.value
  LB.pvals[i,2] <- Box.test(resid, lag=2, type="Ljung-Box")$p.value
  LB.pvals[i,3] <- Box.test(resid, lag=3, type="Ljung-Box")$p.value
  LB.pvals[i,4] <- Box.test(resid, lag=4, type="Ljung-Box", fitdf=3)$p.value
}
sum(LB.pvals[,1] < 0.05)/niter
# [1] 0
sum(LB.pvals[,2] < 0.05)/niter
# [1] 0
sum(LB.pvals[,3] < 0.05)/niter
# [1] 0
sum(LB.pvals[,4] < 0.05)/niter
# [1] 0.0644
par(mfrow=c(2,2))
hist(LB.pvals[,1]); hist(LB.pvals[,2]); hist(LB.pvals[,3]); hist(LB.pvals[,4])

Ljung-Box ทดสอบค่า p

ผลการวิจัยพบว่าสมมติฐานว่างถูกปฏิเสธในกรณีที่หายากมาก สำหรับระดับ 5% อัตราการปฏิเสธนั้นต่ำกว่า 5% มาก การกระจายของค่า p แสดงอคติต่อการไม่ปฏิเสธค่าว่าง

หลักการfitdf=3ควรแก้ไขในทุกกรณี นี่จะอธิบายถึงองศาอิสระที่หายไปหลังจากปรับโมเดล AR (3) เพื่อให้ได้ส่วนที่เหลือ อย่างไรก็ตามสำหรับความล่าช้าในการสั่งซื้อที่ต่ำกว่า 4 สิ่งนี้จะนำไปสู่องศาลบหรือศูนย์อิสระทำให้การทดสอบไม่เหมาะสม ตามเอกสาร?stats::Box.test: การทดสอบเหล่านี้ถูกนำมาใช้บางครั้งสิ่งตกค้างจาก ARMA (P, Q) พอดีซึ่งในกรณีอ้างอิงแนะนำประมาณดีกว่าที่จะกระจายโมฆะเป็นสมมติฐานที่จะได้รับโดยการตั้งค่าให้แน่นอนว่าfitdf = p+qlag > fitdf

การทดสอบ Breusch-Godfrey:

## Breusch-Godfrey test
require("lmtest")
n <- 200 # number of observations
niter <- 5000 # number of iterations
BG.pvals <- matrix(nrow=niter, ncol=4)
set.seed(123)
for (i in seq_len(niter))
{
  # Generate data from an AR(3) model and store the residuals
  x <- arima.sim(n, model=list(ar=c(0.6, -0.5, 0.4)))
  # create explanatory variables, lags of the dependent variable
  Mlags <- cbind(
    filter(x, c(0,1), method= "conv", sides=1),
    filter(x, c(0,0,1), method= "conv", sides=1),
    filter(x, c(0,0,0,1), method= "conv", sides=1))
  colnames(Mlags) <- paste("lag", seq_len(ncol(Mlags)))
  # store p-value of the Breusch-Godfrey test
  BG.pvals[i,1] <- bgtest(x ~ 1+Mlags, order=1, type="F", fill=NA)$p.value
  BG.pvals[i,2] <- bgtest(x ~ 1+Mlags, order=2, type="F", fill=NA)$p.value
  BG.pvals[i,3] <- bgtest(x ~ 1+Mlags, order=3, type="F", fill=NA)$p.value
  BG.pvals[i,4] <- bgtest(x ~ 1+Mlags, order=4, type="F", fill=NA)$p.value
}
sum(BG.pvals[,1] < 0.05)/niter
# [1] 0.0476
sum(BG.pvals[,2] < 0.05)/niter
# [1] 0.0438
sum(BG.pvals[,3] < 0.05)/niter
# [1] 0.047
sum(BG.pvals[,4] < 0.05)/niter
# [1] 0.0468
par(mfrow=c(2,2))
hist(BG.pvals[,1]); hist(BG.pvals[,2]); hist(BG.pvals[,3]); hist(BG.pvals[,4])

Breusch-Godfrey ทดสอบค่า p

ผลลัพธ์สำหรับการทดสอบ Breusch-Godfrey นั้นดูสมเหตุสมผลกว่า ค่า p มีการกระจายอย่างสม่ำเสมอและอัตราการปฏิเสธอยู่ใกล้กับระดับนัยสำคัญ (ตามที่คาดไว้ภายใต้สมมติฐานว่าง)


1
LB.pvals[i,j]j{1,2,3}j3fitdf=3j{1,2,3}

เกี่ยวกับสิ่งที่คุณพูดในย่อหน้าแรก: คุณช่วยขยายความหน่อยได้ไหม? ฉันรับรู้ข้อความที่นั่นสำคัญมาก แต่รายละเอียดไม่เพียงพอ ฉันอาจจะขอมากเกินไป - เพื่อ "ย่อย" สิ่งต่าง ๆ สำหรับฉัน - แต่ถ้ามันไม่ยากเกินไปสำหรับคุณฉันจะขอบคุณมัน
Richard Hardy

1
ความรู้สึกของฉันคือว่าปัญหานี้จะทำอย่างไรกับต่อไปนี้: ผลรวมของ linearly อิสระตัวแปรสุ่มกระจายเป็น(n) ผลรวมของเส้นตรงขึ้นตัวแปรสุ่มที่มีเชิงเส้นข้อ จำกัด กระจายเป็น(NK) เมื่อนี่ไม่ได้กำหนดไว้ ฉันสงสัยว่าสิ่งนี้จะเกิดขึ้นเมื่อมีการใช้การทดสอบ Ljung-Box กับแบบจำลองส่วนที่เหลือจากแบบจำลอง AR ( ) χ 2 ( 1 ) χ 2 ( n ) n χ 2 ( 1 ) k χ 2 ( n - k ) k n knχ2(1)χ2(n)nχ2(1)kχ2(nk)knk
Richard Hardy

1
ส่วนที่เหลือไม่ได้เป็นอิสระ แต่ถูก จำกัด เชิงเส้น ก่อนพวกเขารวมถึงศูนย์; วินาที autocorrelations ของพวกเขาเป็นศูนย์สำหรับล่าช้าครั้งแรก สิ่งที่ฉันเพิ่งเขียนอาจไม่เป็นความจริง แต่มีความคิดอยู่ที่นั่น นอกจากนี้ฉันได้รับทราบว่าไม่ควรใช้การทดสอบ Ljung-Box ฉันไม่จำแหล่งที่มา บางทีฉันอาจได้ยินมันในการบรรยายโดยศาสตราจารย์ Ruey S. Tsay หรืออ่านในบันทึกการบรรยายของเขา แต่ฉันไม่ได้จริงๆจำ ...klag<fitdf
ริชาร์ดฮาร์ดี

1
กล่าวโดยย่อเมื่อคุณพูดถึงคำสั่งที่ล้าหลังน้อยกว่า 4 สิ่งนี้จะนำไปสู่การแสดงความคิดเห็นที่เป็นลบหรือเป็นศูนย์การแสดงผลการทดสอบที่ไม่เหมาะสมฉันคิดว่าคุณควรทำข้อสรุปที่แตกต่าง: ไม่ใช้การทดสอบสำหรับความล่าช้าเหล่านั้น หากคุณดำเนินการต่อโดยfitdf=0แทนที่fitdf=3คุณอาจกำลังโกงตัวเอง
Richard Hardy

2

กรีน (การวิเคราะห์ทางเศรษฐมิติรุ่นที่ 7 หน้า 963 ตอนที่ 20.7.2):

"ความแตกต่างที่สำคัญระหว่างการทดสอบ Godfrey-Breusch [GB] และ Box-Pierce [BP] คือการใช้ความสัมพันธ์บางส่วน (การควบคุมและตัวแปรอื่น ๆ ) ในความสัมพันธ์เดิมและแบบเรียบง่ายในช่วงหลังภายใต้สมมติฐานว่าง ไม่มี autocorrelation ในและไม่มีความสัมพันธ์ระหว่างและในเหตุการณ์ใด ๆ ดังนั้นการทดสอบสองรายการจึงเทียบเท่า asymptotically ในทางกลับกันเนื่องจากไม่มีเงื่อนไขในการทดสอบ [BP] จึงมีประสิทธิภาพน้อยกว่า [GB] ทดสอบเมื่อสมมติฐานว่างเป็นเท็จเนื่องจากสัญชาตญาณอาจแนะนำ "Xetxtesxt

(ฉันรู้ว่าคำถามถามเกี่ยวกับ Ljung-Box และข้างต้นอ้างถึง Box-Pierce แต่ก่อนหน้านี้เป็นการปรับแต่งที่เรียบง่ายของหลังและด้วยเหตุนี้การเปรียบเทียบระหว่าง GB และ BP จะใช้กับการเปรียบเทียบระหว่าง GB และ LB ด้วย)

ตามคำตอบอื่น ๆ ที่อธิบายไว้แล้วในแบบที่เข้มงวดมากขึ้นกรีนยังแนะนำว่าไม่มีอะไรที่จะได้รับ (นอกเหนือจากประสิทธิภาพการคำนวณบางอย่าง) จากการใช้ Ljung-Box เมื่อเทียบกับ Godfrey-Breusch แต่อาจสูญเสียมาก


0

ดูเหมือนว่าการทดสอบ Box-Pierce และ Ljung-Box ส่วนใหญ่เป็นการทดสอบแบบไม่แยกส่วน แต่มีข้อสันนิษฐานบางอย่างเกี่ยวกับการทดสอบ Breusch-Godfrey เมื่อทำการทดสอบว่าโครงสร้างเชิงเส้นถูกทิ้งไว้ในการถดถอยอนุกรมเวลา (MA หรือ AR)

นี่คือลิงค์ไปสู่การอภิปราย:

http://www.stata.com/meeting/new-orleans13/abstracts/materials/nola13-baum.pdf


ฉันไม่เข้าใจความหมายของประโยคเพราะไวยากรณ์ฉันคิดว่า คุณสามารถใช้ถ้อยคำใหม่ได้หรือไม่
Richard Hardy

0

ความแตกต่างที่สำคัญระหว่างการทดสอบมีดังนี้:

  • การทดสอบ Breusch-Godfrey เป็นการทดสอบตัวคูณ Lagrange ที่ได้มาจากฟังก์ชั่นความน่าจะเป็น (ระบุอย่างถูกต้อง) (และจากหลักการแรก)

  • การทดสอบ Ljung-Box ขึ้นอยู่กับช่วงเวลาที่สองของส่วนที่เหลือของกระบวนการที่อยู่กับที่

การทดสอบ Breusch-Godfrey นั้นเหมือนกับการทดสอบ Lagrange Multiplier asymptotically เทียบเท่ากับการทดสอบที่ทรงพลังที่สุดอย่างสม่ำเสมอ เป็นไปได้ว่ามันอาจเป็นเพียง wrt ที่มีประสิทธิภาพที่สุด asymptotically wrt สมมติฐานทางเลือกของการถดถอยละเว้น (ไม่คำนึงถึงว่าพวกเขาจะล่าช้าตัวแปรหรือไม่) จุดแข็งของการทดสอบ Ljung-Box อาจเป็นพลังของมันเทียบกับสมมติฐานทางเลือกที่หลากหลาย

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.