1 Sagot. Ang ipinapalagay mo sa isang linear na regression na modelo ay ang termino ng error ay isang proseso ng white noise at, samakatuwid, ito ay dapat nakatigil. Walang pag-aakalang ang alinman sa mga independyente o umaasa na mga variable ay nakatigil.
Kinakailangan ba ang stationarity para sa regression?
A stationarity test ng mga variable ay kinakailangan dahil nalaman nina Granger at Newbold (1974) na ang mga modelo ng regression para sa mga hindi nakatigil na variable ay nagbibigay ng mga huwad na resulta. … Dahil tumataas ang parehong serye, ibig sabihin, hindi nakatigil, kailangan nilang i-convert sa nakatigil na serye bago magsagawa ng pagsusuri ng regression.
Nangangailangan ba ang linear regression ng standardization?
Sa pagsusuri ng regression, kailangan mong i-standardize ang mga independent variable kapag naglalaman ang iyong modelo ng mga polynomial na termino upang imodelo ang curvature o mga termino ng pakikipag-ugnayan. … Maaaring malabo ng problemang ito ang istatistikal na kahalagahan ng mga termino ng modelo, makagawa ng mga hindi tumpak na coefficient, at gawing mas mahirap piliin ang tamang modelo.
Ano ang tatlong kinakailangan ng linear regression?
Linearity: The relationship between X and the mean of Y is linear. Homoscedasticity: Ang pagkakaiba ng residual ay pareho para sa anumang halaga ng X. Independence: Ang mga obserbasyon ay independyente sa bawat isa. Normalidad: Para sa anumang nakapirming halaga ng X, ang Y ay karaniwang ipinamamahagi.
Inaakala ba ng OLS na hindi nagbabago?
Tungkol sa non-stationarity, ito ay hindi saklaw sa ilalim ng OLS assumptions, kaya hindi na magiging BLUE ang mga pagtatantya ng OLS kung hindi naka-stationary ang iyong data. Sa madaling salita, hindi mo gusto iyon. Gayundin, hindi makatuwirang magkaroon ng nakatigil na variable na ipinaliwanag sa pamamagitan ng random na paglalakad, o kabaliktaran.
