1 Resposta. O que você assume em um modelo de regressão linear é que o termo de erro é um processo de ruído branco e, portanto, deve ser estacionário. Não há suposição de que as variáveis independentes ou dependentes sejam estacionárias.
A estacionaridade é necessária para a regressão?
É necessário um teste de estacionariedade das variáveis porque Granger e Newbold (1974) descobriram que modelos de regressão para variáveis não estacionárias dão resultados espúrios. … Como ambas as séries são crescentes, ou seja, não estacionárias, elas devem ser convertidas em séries estacionárias antes de realizar a análise de regressão.
Regressão linear requer padronização?
Na análise de regressão, você precisa padronizar as variáveis independentes quando seu modelo contém termos polinomiais para modelar a curvatura ou termos de interação. … Esse problema pode obscurecer a significância estatística dos termos do modelo, produzir coeficientes imprecisos e dificultar a escolha do modelo correto.
Quais são os três requisitos da regressão linear?
Linearidade: A relação entre X e a média de Y é linear. Homocedasticidade: A variância do resíduo é a mesma para qualquer valor de X. Independência: As observações são independentes umas das outras. Normalidade: Para qualquer valor fixo de X, Y é normalmente distribuído.
O OLS assume estacionariedade?
Em relação à não estacionariedade, não é coberto pelas premissas de OLS, portanto, as estimativas de OLS não serão mais AZUIS se seus dados não forem estacionários. Em suma, você não quer isso. Além disso, não faz sentido ter uma variável estacionária explicada por um passeio aleatório, ou vice-versa.
