怎么评估模型的有效性
模型的滞后项越多越好吗？
模型的滞后项越多越好吗？
时间序列分析 一般是Box-Jenkins的方法 把因变量的滞后项作为自变量 y_t b0 b1*y_{t-1} b2*y_{t-2} ... bp*y_{t-p} u_
t 这样的模型确定滞后阶数p的方法是 1. y_t满足covariance-stationarity 也就是对于任意t 均值不变 方差不变 协方差只是间隔项数的函数 2. u_t是白噪声而不出现序列相关 3. p的确定遵循parsimony的原则 国内应该翻译为“精简” 一般构造AIC和 SBC两个指标来比较 这两个指标越小越好 AIC T * ln(残差平方和) 引入p阶的惩罚 SBC相似 也就是说首先残差平方和应该越小说明自变量也就是滞后阶数的解释能力强 不过呢引入的滞后项数越多 残差平方和应该越来越小 所以要看有效性 便加入一个惩罚 使得模型精简 原理和adjusted R^2一样 AIC适合小样本 SBC适合大样本 然后这两个信息标准都在一般的回归软件中列了出来 比较其中最小的就是合适的p阶滞后 但是一定要保证残差是白噪声
典型的可靠性模型有哪些类别？
可靠性模型分为两类：
(1)基本可靠性模型，它是一个全串联模型，应以估计产品及其组成单元故障所引起的维修及保障要求，可以作为度量使用和保障费用的一种模型；
（2）任务可靠性模型，该模型往往是一个复杂的串并联结构，用以估计产品在执行任务过程中完成规定功能的概率，可以作为度量工作有效性的一种模型。
一个估计量的有效性是指？
1.无偏性 参数估计量的期望值与参数真值是相等的,这种性质称为无偏性,具有无偏性的估计量称为无偏估计量.
2.有效性 无偏性表示估计值是在真值周围波动的一个数值,即无偏性表示估计值与真值间平均差异为0,近似可以用估计值作为真值的一个代表.同一个参数可以有许多无偏估计量,但不同估计量的期望方差不同,也就是估计量在真值周围的波动大小不同.估计量的期望方差越大说明用其估计值代表相应真值的有效性越差；否则越好,越有效.不同的估计量具有不同的方差,方差最小说明最有效.
3.异方差性 是相对于同方差而言的.所谓同方差,是为了保证回归参数估计量具有良好的统计性质,经典线性回归模型的一个重要假定：总体回归函数中的随机误差项满足同方差性,即它们都有相同的方差.如果这一假定不满足,即：随机误差项具有不同的方差,则称线性回归模型存在异方差性.
1.回归分析是一个变量（被解释变量）对于一个或多个其他变量（解释变量）的依存关系,目的在于根据解释变量的数值估计预测被解释变量的总体均值.相关分析研究变量相关程度,用相关系数表示.相关分析不关注变量的因果关系,变量都是随机变量.回归分析关注变量因果关系.被解释变量是随机变量,解释变量是非随机变量.
2.DW检验适用于一阶自回归：不适用解释变量与随机项相关的模型；DW检验存在两个不能确定的区域
3.参数估计量非有效.变量的显著性检验失去意义.模型的预测失效
图示法：（X _ e2）
解析法：戈德菲尔德－匡特检验怀特检验 ARCH检验