「vars」R パッケージを使用して、多変量時系列分析を行います。問題は、二変量 VAR を実行すると、serial.test() の結果が常に非常に低い p 値を与えるため、H0 を拒否し、残差が相関することです。正しいことは、VAR の次数を上げることですが、非常に高い次数 (p=20 またはそれ以上) であっても、私の残差は依然として相関しています。どのように可能ですか？
残差が常に相関している VAR を再現する方法がわからないため、再現可能なコードを提供することはできません。私にとっては本当に珍しい状況ですが、誰かがそれがどのように可能かを知っていれば、それは素晴らしいことです.
これは、R コードや再現可能な例が含まれていないため、おそらくCross Validatedにとってはより適切な質問ですが、おそらく「p 値が低い」よりもさらに掘り下げる必要があるでしょう。データの正規性をテストしましたか? また、言うには
正しいことは、VARの次数を上げることです
非常に不正確です。ラグ オーダーを 20 に設定するデータの種類は何ですか? 年次データの一般的な値は 1、四半期データは 4、月次データは 12 です。問題に対してどんどん高い注文を投げ続けて、基になるデータの問題を修正することを期待することはできません。
最適なラグ値があり、データが正規分布しており、p 値がまだ低いと仮定すると、いくつかの方法があります。
正の系列相関 (たとえば、0.2 から 0.4 の範囲のラグ 1 残差自己相関、または 1.2 から 1.6 の間のダービン・ワトソン統計) のマイナーなケースは、モデルに微調整の余地があることを示しています。従属変数のラグや一部の独立変数のラグを追加することを検討してください。または、統計ソフトウェアで利用可能な ARIMA+regressor 手順がある場合は、回帰モデルに AR(1) または MA(1) 項を追加してみてください。AR(1) 項は従属変数の遅れを予測式に追加しますが、MA(1) 項は予測誤差の遅れを追加します。ラグ 2 に有意な相関がある場合は、2 次ラグが適切な場合があります。
残差に有意な負の相関がある場合 (lag-1 自己相関が -0.3 よりも負であるか、DW 統計が 2.6 よりも大きい)、変数の一部を過剰に差異化した可能性に注意してください。差分は自己相関を負の方向に駆動する傾向があり、差分が多すぎると、ラグ変数が修正できない負の相関の人為的なパターンにつながる可能性があります。
季節期間に有意な相関がある場合 (たとえば、四半期データのラグ 4 または月次データのラグ 12)、モデルで季節性が適切に考慮されていないことを示します。季節性は、次のいずれかの方法で回帰モデルで処理できます。(i) 変数を季節的に調整する (まだ季節的に調整されていない場合)、または (ii) 季節的なラグおよび/または季節的に異なる変数を使用する (注意: (iii) 季節ダミー変数をモデルに追加する (つまり、MONTH=1 または QUARTER=2 など、1 年のさまざまな季節の指標変数)。回帰モデルの一部として実行される調整: 年間の季節ごとに異なる加法定数を推定できます。従属変数がログに記録されている場合、季節調整は乗法です。(他に注意すべき点: 従属変数は既に季節調整されていても、独立変数の一部が調整されていない可能性があり、季節パターンが予測に漏れる可能性があります。)
系列相関の主要なケース (ダービン・ワトソン統計が 1.0 を大幅に下回り、自己相関が 0.5 を大幅に上回る) は、通常、モデルの基本的な構造上の問題を示しています。従属変数と独立変数に適用された変換 (ある場合) を再検討することをお勧めします。差分、ログ、および/または収縮を適切に組み合わせて、すべての変数を定常化すると役立つ場合があります。