详细内容或原文请订阅后点击阅览
时间序列中的线性回归：虚假回归的来源
为什么错误术语的自相关关系很重要？时间序列的线性回归：伪造回归的来源首先出现在数据科学上。
来源:走向数据科学1。简介
很明显，我们的大多数工作将来会被AI自动化。这是可能的，因为许多研究人员和专业人员都在努力使他们的工作在线提供。这些贡献不仅有助于我们了解基本概念，还可以完善AI模型，最终腾出时间专注于其他活动。
但是，即使在专家中，也有一个概念仍然被误解。这是时间序列分析中的虚假回归。当回归模型暗示变量之间的牢固关系时，即使不存在，就会出现这个问题。通常在时间序列回归方程中观察到它似乎具有高度拟合度（如高R²（多重相关系数）所示），但具有极低的Durbin-Watson统计量（D），在误差项中信号强度相关。
虚假回归 似乎有很高的拟合度 r²（多重相关系数） 极低的Durbin-Watson统计量（D），错误术语中的强相关信号尤其令人惊讶的是，几乎所有的计量经济学教科书都警告了自相关错误的危险，但是在许多发表的论文中，这个问题仍然存在。 Granger和Newbold（1974）确定了几个例子。例如，他们发现了R²= 0.997的公开方程，而Durbin-Watson统计量（D）等于0.53。最极端发现的是一个方程，R²= 0.999且D = 0.093。
1974 r²= 0.997 r²= 0.999 d = 0.093 许多关键变量表现出自相关 相邻值之间的串行相关 请参阅第7节无论您是经济学家，数据科学家还是使用时间序列数据的分析师，了解此问题对于确保您的模型产生有意义的结果至关重要。
您的模型会产生有意义的结果。2。随机步行和Arima（0,1,1）过程的简单介绍
2.1随机步行
让𝐗ₜ做一个时间序列。我们说，𝐗ₜ如果它的表示形式由：
和
1954