Saya cukup yakin bahwa saya kehilangan sesuatu yang jelas di sini, tetapi saya agak bingung dengan istilah yang berbeda di bidang seri waktu. Jika saya memahaminya dengan benar, kesalahan autokorelasi seri adalah masalah dalam model regresi (lihat contoh di sini ). Pertanyaan saya sekarang adalah apa sebenarnya yang mendefinisikan kesalahan yang terkait otomatis? Saya tahu definisi autokorelasi dan saya bisa menerapkan rumus, tetapi ini lebih merupakan masalah pemahaman dengan deret waktu dalam regresi.
Sebagai contoh, mari kita ambil rangkaian waktu suhu harian: Jika hari ini hari yang panas (waktu musim panas!), Mungkin besok juga panas, dan sebaliknya. Saya kira saya memiliki masalah untuk menyebut fenomena ini sebagai fenomena "kesalahan autokorelasi seriial" karena itu tidak mengejutkan saya sebagai kesalahan, tetapi sebagai sesuatu yang diharapkan.
Secara lebih formal, mari kita asumsikan regresi dengan satu variabel dependen dan satu variabel independen x_t dan model.
Apakah mungkin bahwa , sedangkan adalah iid? Jika demikian, apa artinya itu untuk semua metode yang menyesuaikan kesalahan standar untuk autokorelasi? Apakah Anda masih harus melakukan itu atau hanya berlaku untuk kesalahan terkait otomatis? Atau apakah Anda akan selalu memodelkan autokorelasi dalam pengaturan seperti itu dalam istilah kesalahan, sehingga pada dasarnya tidak ada bedanya jika atau ?
Ini pertanyaan pertamaku di sini. Saya harap ini tidak terlalu membingungkan dan saya harap saya tidak melewatkan sesuatu yang jelas ... Saya juga mencoba untuk google dan menemukan beberapa tautan yang menarik (misalnya, di sini di SA ), tetapi tidak ada yang benar-benar membantu saya.
sumber
Hanya menambahkan hingga Dimitriy jawaban yang sangat baik: kesalahan autokorelasi menimbulkan masalah untuk perhitungan koefisien standar kesalahan dan dengan demikian tingkat signifikansi, atau nilai-p, membuat pemilihan IVs kurang mudah. dan nilai F juga terpengaruh.R2
Dari semua asumsi dalam regresi linier (homoscedasticity, independensi residual, linieritas hubungan IVs -> DV, normalitas residual) linieritas dan independensi residual adalah yang berdampak pada hasil yang lebih serius jika dilanggar.
sumber