Lee、White 与 Granger(1993)提出利用神经网络检验来检验被忽略的非线性,检验使用了由输入到输出的连接增强了的单隐层网络,输出o为:
这里ψ是一个逻辑斯蒂累积分布函数:ψ(x)=1/[1+exp(-x)]。
当线性的原假设为真时,即
此时,最优的网络权数为βj,记作,将得到一个“仿射的网络”。从而被忽略的非线性的神经网络检验,对于特定的q和γj,将检验假设为=0,j=1,2,…,q 。Lee、White与Granger(1993)提出,检验可以利用拉格朗日乘数检验,即检验:
原假设为;备择假设为。
其中且Γ≡(Γ1,Γ2,…,Γq)是先验的,q为给定的独立于随机序列{Xt}的常数。
在进行检验时,可用估计的残差来代替,这里的值通过最小二乘法来获得。检验统计量为:(www.xing528.com)
其中是的一致估计量。当H0为真且n→∞时,有。
关于上述检验思路,实际操作时比较困难,并且存在Ψt倾向于与Xt共线的问题,Lee、White与Granger(1993)建议使用等价的统计量并应用主成份法对神经元求解其主成份。
按这一思路,结合本书第7章7.3.5对加强型神经网络的讨论,检验可表述为:假设时间序列xt与其滞后项存在如下关系:
其中ut为白噪声,且ut~N(0,σ2)。在无非线性关系的原假设下,对于所有的t,有f*(xt-1,…,xt-p)=0。在原假设下,用OLS方法对式(3-22)进行估计,可得回归残差序列为,再用加强型神经网络估计此残差序列的辅助回归方程如下:
此辅助回归方程的拉格朗日乘子(LM)得分统计量可用来检验xt无被忽略非线性关系的原假设,类似于Breitung(2001)的证明,在原假设为真时有得分检验统计量TR2~χ2(q)。考虑到神经元可能的共线性,可用这些神经元的q*个主成份代替,则TR2~χ2(q*)。
本书提出使用第7章7.3.5给出的基于改进的带动量的LM算法的BP加强型神经网络和小波神经网络进行上述被忽略的非线性检验。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。