1 Antwort. Was Sie in einem linearen Regressionsmodell annehmen, ist, dass der Fehlerterm ein weißer Rauschprozess ist und daher stationär sein muss. Es wird nicht angenommen, dass entweder die unabhängigen oder die abhängigen Variablen stationär sind.
Ist Stationarität für die Regression erforderlich?
Ein Stationaritätstest der Variablen ist erforderlich weil Granger und Newbold (1974) festgestellt haben, dass Regressionsmodelle für nicht-stationäre Variablen falsche Ergebnisse liefern. … Da beide Reihen steigend, also nicht stationär sind, müssen sie vor der Regressionsanalyse in stationäre Reihen umgewandelt werden.
Muss die lineare Regression standardisiert werden?
Bei der Regressionsanalyse müssen Sie die unabhängigen Variablen standardisieren, wenn Ihr Modell polynomische Terme enthält, um Krümmungs- oder Wechselwirkungsterme zu modellieren. … Dieses Problem kann die statistische Signifikanz von Modelltermen verschleiern, ungenaue Koeffizienten erzeugen und die Auswahl des richtigen Modells erschweren.
Was sind die drei Anforderungen der linearen Regression?
Linearität: Die Beziehung zwischen X und dem Mittelwert von Y ist linear. Homoskedastizität: Die Varianz des Residuums ist für jeden Wert von X gleich. Unabhängigkeit: Beobachtungen sind unabhängig voneinander. Normalität: Für jeden festen Wert von X ist Y normalverteilt.
Unterstellt OLS Stationarität?
In Bezug auf Nichtstationarität, wird sie nicht von den OLS-Annahmen abgedeckt, daher sind OLS-Schätzungen nicht mehr BLAU, wenn Ihre Daten nichtstationär sind. Kurz gesagt, das wollen Sie nicht. Außerdem macht es keinen Sinn, eine stationäre Variable durch einen Random Walk erklären zu lassen oder umgekehrt.
