- •Оглавление
- •Введение
- •Глава 1. Особенности регрессионного анализа для стохастических объясняющих переменных
- •Глава 2. Стационарные ряды. Модели ARMA
- •2.1. Общие понятия.
- •2.2. Процесс белого шума
- •2.3. Процесс авторегрессии
- •2.4. Процесс скользящего среднего
- •2.6. Модели ARMA, учитывающие наличие сезонности
- •Глава 3. Подбор стационарной модели ARMA для ряда наблюдений
- •3.1. Идентификация стационарной модели ARMA
- •3.2. Оценивание коэффициентов модели
- •3.3. Диагностика оцененной модели
- •Глава 4. Регрессионный анализ для стационарных объясняющих переменных
- •4.1. Асимптотическая обоснованность стандартных процедур
- •4.2. Динамические модели
- •4.3. Векторная авторегрессия
- •4.4. Некоторые частные случаи динамических моделей
- •Глава 5. Нестационарные временные ряды
- •5.1. Нестационарные ARMA модели
- •5.2. Проблема определения принадлежности временного ряда классу TS рядов или классу DS рядов
- •5.3. Различение TS и DS рядов в классе моделей ARMA. Гипотеза единичного корня.
- •Глава 6. Процедуры для различения TS и DS рядов
- •6.1. Предварительные замечания
- •6.2. Критерии Дики – Фуллера
- •6.3. Расширенные критерии Дики - Фуллера
- •6.4. Краткий обзор критериев Дики – Фуллера
- •6.5. Некоторые другие сочетания DGP и SM
- •6.6. Ряды с квадратичным трендом.
- •6.7. Многовариантная процедура проверки гипотезы единичного корня
- •6.8. Обзор некоторых других процедур
- •6.8.1. Критерий Филлипса – Перрона
- •6.8.2. Критерий Лейбурна
- •6.8.3. Критерий Шмидта – Филлипса.
- •6.8.4. Критерий DF-GLS
- •6.8.5. Критерий Квятковского – Филлипса – Шмидта – Шина (KPSS)
- •6.8.6. Процедура Кохрейна (отношение дисперсий)
- •6.9. Некоторые проблемы, возникающие при различении TS и DS гипотез
- •6.9.1. Коррекция сезонности
- •6.9.2. Протяженность ряда и мощность критерия
- •6.9.3. Проблема согласованности статистических выводов при различении TS и DS гипотез
- •6.9.4. Наличие нескольких единичных корней
- •6.10. Критерий Перрона и его обобщение
- •6.10.1. Критерий Перрона
- •6.10.2. Обобщенная процедура Перрона
- •Глава 7. Регрессионный анализ для нестационарных объясняющих переменных
- •7.1. Проблема ложной регрессии
- •7.2. Коинтегрированные временные ряды. Модели коррекции ошибок
- •7.4. Оценивание коинтегрированных систем временных рядов
- •Глава 8. Процедура Йохансена
- •8.1. Оценивание ранга коинтеграции
- •8.2. Оценивание модели коррекции ошибок
- •Заключение
- •Список литературы
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
1 |
|
Глава 5. Нестационарные временные ряды
В этой главе нам удобно временно вернуться к прописным и строчным обозначениям для случайных величин и их реализаций, соответственно.
Мы начнем изложение с рассмотрения двух временных рядов. Первый из них представляет статистические данные о величине валового национального продукта (GNP – gross national product) в США за период с первого квартала 1947 г. по четвертый квартал 1961 г. (сезонно скорректированные квартальные данные в пересчете на год – 60 наблюдений, млрд долл., в текущих ценах). График этого ряда
600 |
|
|
|
|
|
|
500 |
|
|
|
|
|
|
400 |
|
|
|
|
|
|
300 |
|
|
|
|
|
|
200 |
|
|
|
|
|
|
48 |
50 |
52 |
54 |
56 |
58 |
60 |
|
|
|
|
GNP |
|
|
имеет выраженный линейный тренд. Второй ряд (NONDURABLE) представляет статистические данные об объеме потребительских расходов на товары кратковременного пользования и услуги в Великобритании за период с первого квартала 1974 г. по четвертый квартал 1985 г. (сезонно скорректированные квартальные данные – 48 наблюдений, млн фунтов стерлингов, в текущих ценах ):
66000 |
|
|
|
|
|
|
|
|
|
|
|
64000 |
|
|
|
|
|
|
|
|
|
|
|
62000 |
|
|
|
|
|
|
|
|
|
|
|
60000 |
|
|
|
|
|
|
|
|
|
|
|
58000 |
|
|
|
|
|
|
|
|
|
|
|
56000 |
|
|
|
|
|
|
|
|
|
|
|
54000 |
|
|
|
|
|
|
|
|
|
|
|
52000 |
|
|
|
|
|
|
|
|
|
|
|
50000 |
|
|
|
|
|
|
|
|
|
|
|
74 |
75 |
76 |
77 |
78 |
79 |
80 |
81 |
82 |
83 |
84 |
85 |
NONDURABLE
Этот ряд также обнаруживает линейный тренд.
Хотя выборочные автокорреляционные и частные автокорреляционные функции определялись у нас для стационарных рядов, посмотрим на коррелограммы, построенные по представленным данным. Для ряда GNP коррелограмма имеет вид
Autocorrelation |
Partial Correlation |
|
AC |
PAC Q-Stat Prob |
||
|
|
|
|
|
|
|
. |******* |
. |******* |
1 |
0.946 |
0.946 |
56.419 |
0.000 |
. |******* |
. | . |
2 |
0.893 |
-0.021 107.52 |
0.000 |
|
. |****** |
. | . |
3 |
0.840 |
-0.024 |
153.55 |
0.000 |
. |****** |
. | . |
4 |
0.791 |
0.013 |
195.14 |
0.000 |
. |****** |
. | . |
5 |
0.743 |
-0.021 |
232.52 |
0.000 |
. |***** |
. | . |
6 |
0.696 |
-0.022 |
265.90 |
0.000 |
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
2 |
||||||||||||||||
|
|||||||||||||||||
. |***** |
. | . |
|
7 |
0.648 |
|
-0.030 |
295.41 |
0.000 |
|
|
|||||||
. |***** |
. | . |
|
8 |
0.599 |
|
-0.044 321.09 |
0.000 |
|
|
||||||||
. |**** |
. | . |
|
9 |
0.550 |
|
-0.033 343.13 |
0.000 |
|
|
||||||||
. |**** |
. | . |
|
10 |
0.498 |
|
-0.052 361.57 |
0.000 |
|
|
||||||||
. |*** |
*| . |
|
11 |
0.442 |
|
-0.073 |
376.44 |
0.000 |
|
|
|||||||
. |*** |
. | . |
|
12 |
0.388 |
|
-0.034 |
388.08 |
0.000 |
|
|
|||||||
. |*** |
. | . |
|
13 |
0.337 |
|
-0.002 |
397.06 |
0.000 |
|
|
|||||||
. |** |
. | . |
|
14 |
0.291 |
|
0.007 |
403.91 |
0.000 |
|
|
|||||||
. |** |
. | . |
|
15 |
0.253 |
|
0.041 |
409.21 |
0.000 |
|
|
|||||||
. |** |
. | . |
|
16 |
0.218 |
|
-0.002 413.22 |
0.000 |
|
|
||||||||
. |* |
. | . |
|
17 |
0.182 |
|
-0.034 416.08 |
0.000 |
|
|
||||||||
. |* |
. | . |
|
18 |
0.143 |
|
-0.044 417.90 |
0.000 |
|
|
||||||||
. |* |
. | . |
|
19 |
0.106 |
|
-0.021 418.92 |
0.000 |
|
|
||||||||
. |* |
. | . |
|
20 |
0.069 |
|
-0.039 419.36 |
0.000 |
|
|
||||||||
. | . |
. | . |
|
21 |
0.032 |
|
-0.028 419.45 |
0.000 |
|
|
||||||||
. | . |
. | . |
|
22 |
-0.003 |
|
-0.030 419.45 |
0.000 |
|
|
||||||||
. | . |
. | . |
|
23 |
-0.037 |
|
-0.021 419.59 |
0.000 |
|
|
||||||||
*| . |
. | . |
|
24 |
-0.066 |
|
-0.005 |
420.04 |
0.000 |
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
А для ряда NONDURABLE
ACF |
PACF |
|
|
AC |
|
|
PAC |
|
Q-Stat Prob |
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
. |******* |
. |******* |
|
1 |
0.917 |
0.917 |
42.921 |
0.000 |
||||||||
. |****** |
. | . |
|
2 |
0.843 |
0.014 |
79.976 |
0.000 |
||||||||
. |****** |
. | . |
|
3 |
0.774 |
-0.004 111.92 0.000 |
||||||||||
. |***** |
. | . |
|
4 |
0.704 |
-0.040 138.99 0.000 |
||||||||||
. |***** |
. | . |
|
5 |
0.643 |
0.013 |
162.09 |
0.000 |
||||||||
. |**** |
. | . |
|
6 |
0.581 |
-0.041 181.36 0.000 |
||||||||||
. |**** |
*| . |
|
7 |
0.510 |
-0.090 196.57 0.000 |
||||||||||
. |*** |
. | . |
|
8 |
0.439 |
-0.050 208.14 0.000 |
||||||||||
. |*** |
*| . |
|
9 |
0.366 |
-0.066 216.39 0.000 |
||||||||||
. |** |
. | . |
|
10 |
0.300 |
-0.012 222.07 0.000 |
||||||||||
. |** |
. | . |
|
11 |
0.246 |
0.026 |
225.99 |
0.000 |
||||||||
. |* |
. | . |
|
12 |
0.196 |
-0.006 228.56 0.000 |
||||||||||
. |* |
. | . |
|
13 |
0.150 |
-0.013 230.11 0.000 |
||||||||||
. |* |
. | . |
|
14 |
0.106 |
-0.025 230.91 0.000 |
||||||||||
. |* |
. | . |
|
15 |
0.072 |
0.036 |
231.28 |
0.000 |
||||||||
. | . |
. | . |
|
16 |
0.041 |
-0.016 231.41 0.000 |
||||||||||
. | . |
. | . |
|
17 |
0.019 |
0.028 |
231.43 |
0.000 |
||||||||
. | . |
*| . |
|
18 |
-0.007 |
-0.063 231.44 0.000 |
||||||||||
. | . |
. | . |
|
19 |
-0.032 |
-0.018 231.52 0.000 |
||||||||||
*| . |
*| . |
|
20 |
-0.062 |
-0.073 231.85 0.000 |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Если отвлечься от видимой нестационарности этих рядов, то поведение выборочных ACF и PACF предполагает идентификацию обоих рядов как рядов типа AR(1). Имея в виду наличие у рядов выраженного линейного тренда, произведем оценивание моделей
Xt = α + β t + a1Xt –1 + ut .
(Здесь мы используем обозначение ut , а не εt , поскольку ряд ut на этот раз может и не являться белым шумом.)
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
3 |
|
Это приводит к следующим результатам.1 Для ряда GNP:
Dependent Variable: GNP Method: Least Squares Sample(adjusted): 1947:2 1961:4
Included observations: 59 after adjusting endpoints Convergence achieved after 3 iterations
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
||
|
|
|
|
|
|
|
C |
216.0630 |
11.30237 |
19.11661 |
0.0000 |
||
T |
5.269279 |
0.281754 |
18.70170 |
0.0000 |
||
AR(1) |
0.846976 |
0.072723 |
11.64665 |
0.0000 |
||
|
|
|
|
|
|
|
Inverted AR Roots |
.85 |
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Остатки обнаруживают явную автокоррелированность : P-значение критерия Бройша – Годфри при альтернативе AR(1) равно 0.0000. Переоценивание с включением в модель запаздывания на два квартала, дает:
Dependent Variable: GNP Method: Least Squares Sample(adjusted): 1947:3 1961:4
Included observations: 58 after adjusting endpoints Convergence achieved after 3 iterations
Variable |
|
Coefficien |
|
|
Std. Error |
t-Statistic |
Prob. |
|
|
|
t |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
217.7399 |
5.054473 |
43.07865 |
0.0000 |
||||
T |
5.221538 |
0.140436 |
37.18089 |
0.0000 |
||||
AR(1) |
1.380274 |
0.109452 |
12.61078 |
0.0000 |
||||
AR(2) |
-0.630066 |
0.109453 |
-5.756490 |
0.0000 |
||||
|
|
|
|
|
|
|
|
|
Inverted AR Roots |
|
.69 -.39i |
|
|
.69+.39i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Модули комплексных чисел, обратных авторегрессионным корням, равны 0.7926, что говорит в пользу стационарности детрендированного ряда
Xt0 = Xt – µ – γ t .
K построению модели для ряда GNP можно подойти и иначе. Сначала произвести детрендирование ряда, оценивая модель
Xt = µ + γ t + ut :
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
||||||
|
|
|
|
|
|
|
|
|
|
|
C |
218.4825 |
2.640153 |
82.75373 |
0.0000 |
||||||
T |
5.181995 |
0.075274 |
68.84144 |
0.0000 |
||||||
|
|
|
|
|
|
|
|
|
|
|
Durbin-Watson stat |
0.316211 |
|
|
Prob(F-statistic) |
0.000000 |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 Приводимые в таблицах оценки константы (C) и коэффициента при переменной t (T) соответствуют оценкам µ и γ в представлении
(Xt – µ – γt ) = a1(Xt – 1 – µ – γ( t – 1)) + a2(Xt – 2 – µ – γ( t – 2)) + ut
(a2 = 0 для первой из двух таблиц). Эти оценки получаются применением нелинейного метода наименьших квадратов. При этом обозначение AR(1) указывает на оценку для a1 , а AR(2) – на оценку для a2 .
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
4 |
|
Остатки, полученные при оценивании этой модели, образуют оцененный детрендированный ряд, коррелограмма которого
Autocorrelation |
Partial Correlation |
|
|
AC |
|
PAC |
|
|
Q-Stat |
|
Prob |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
. |****** |
. |****** |
|
1 |
0.836 |
|
0.836 |
44.028 |
0.000 |
|||||||
. |**** |
****| . |
|
2 |
0.531 |
|
-0.554 62.115 |
0.000 |
||||||||
. |*. |
**| . |
|
3 |
0.183 |
|
-0.210 |
64.294 |
0.000 |
|||||||
.*| . |
. | . |
|
4 |
-0.100 |
|
0.044 |
64.960 |
0.000 |
|||||||
**| . |
. | . |
|
5 |
-0.272 |
|
-0.004 |
69.949 |
0.000 |
|||||||
***| . |
.*| . |
|
6 |
-0.339 |
|
-0.082 |
77.846 |
0.000 |
|||||||
***| . |
.*| . |
|
7 |
-0.350 |
|
-0.169 86.446 |
0.000 |
||||||||
***| . |
.*| . |
|
8 |
-0.332 |
|
-0.072 |
94.332 |
0.000 |
|||||||
**| . |
. | . |
|
9 |
-0.281 |
|
0.058 |
100.07 |
0.000 |
|||||||
**| . |
.*| . |
|
10 |
-0.234 |
|
-0.177 104.16 |
0.000 |
||||||||
**| . |
***| . |
|
11 |
-0.234 |
|
-0.321 |
108.32 |
0.000 |
|||||||
**| . |
. |*. |
|
12 |
-0.226 |
|
0.103 |
112.26 |
0.000 |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
позволяет идентифицировать этот ряд как AR(2). После этого можно строить AR(2) модель для (оцененного) детрендированного ряда
Xt_detrended = Xt |
– 218.4825 – 5.181995 t : |
|
|
|
|
|
|
||||||
Variable |
|
|
Coeff. |
Std. Error |
t-Statistic |
Prob. |
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
AR(1) |
1.379966 |
0.107605 |
12.82435 |
0.0000 |
|||||||||
AR(2) |
-0.630426 |
0.107605 |
-5.858722 |
0.0000 |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Объединяя результаты последних двух оцениваний, получаем оцененную модель
Xt – 218.4825 – 5.181995 t =
=1.379966 (Xt–1 – 218.4825 – 5.181995(t–1)) –
–0.630426 (Xt–2 – 218.4825 – 5.181995(t–2)),
или
Xt = [(1– 1.379966 + 0.630426)·218.4825
+1.379966·5.181995 – 0.630426·5.181995·2]
+(1 – 1.379966 +0.630426) ·5.181995 t
+1.379966 Xt–1 – 0.630426 Xt–2 + et
=55.338375 +1.297882 t + 1.379966 Xt–1 – 0.630426 Xt–2 + et .
Вто же время, по приведенным результатам оценивания модели
Xt = α + β t + a1Xt–1 + a2Xt–2 + ut
получаем
Xt – 217.7399 – 5.221538 t =
=1.380274 (Xt–1 – 217.7399 – 5.221538(t–1))
–0.630066 (Xt–2 – 217.7399 – 5.221538(t–2)),
или
Xt = [(1– 1.380274 + 0.630066)·217.7399
+1.380274·5.221538 – 0.630066·5.221538·2]
+(1 – 1.380274 +0.630066) ·5.221538 t
+1.380274 Xt –1 – 0.630066 Xt –2 + et
=55.017011 + 1.304298 t + 1.380274 Xt–1 – 0.630066 Xt–2 + et ,
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
5 |
|
так что результаты, полученные при использовании обоих вариантов построения модели, практически совпадают. Поэтому можно использовать смешанный вариант – использовать детрендированный ряд для идентификации порядка модели, а оценивать идентифицированную модель вместе с включенным в нее трендом, в данном случае – оценивать модель Xt = α + β t + a1Xt–1 + a2Xt–2 + ut .
Заметим, что диагностика рядов остатков в обеих оцененных моделях говорит в пользу их адекватности.
Перейдем теперь к ряду NONDURABLE. Коррелограмма детрендированного ряда (ряда остатков от оцененной модели регрессии Xt на константу и t )
Autocorrelation |
Partial Correlation |
|
AC |
PAC |
Q-Stat |
Prob |
|
|
|
|
|
|
|
. |****** |
. |****** |
1 |
0.793 |
0.793 |
32.083 |
0.000 |
. |***** |
. | . |
2 |
0.632 |
0.011 |
52.942 |
0.000 |
. |*** |
**| . |
3 |
0.432 |
-0.195 62.887 |
0.000 |
|
. |** |
**| . |
4 |
0.219 |
-0.193 65.515 |
0.000 |
|
. |* |
. | . |
5 |
0.090 |
0.062 |
65.965 |
0.000 |
*| . |
*| . |
6 |
-0.067 |
-0.152 66.218 |
0.000 |
|
**| . |
**| . |
7 |
-0.242 |
-0.277 |
69.647 |
0.000 |
***| . |
*| . |
8 |
-0.362 |
-0.084 |
77.505 |
0.000 |
****| . |
**| . |
9 |
-0.510 |
-0.211 |
93.500 |
0.000 |
обнаруживает резко выделяющийся пик на лаге 1, так что можно попробовать оценить модель Xt = α + β t + a1Xt–1 + ut . Это дает следующие результаты:
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
47962.75 |
2862.678 |
16.75451 |
0.0000 |
||||||||
T |
315.1909 |
76.44770 |
4.122961 |
0.0002 |
||||||||
AR(1) |
0.884803 |
0.080824 |
10.94727 |
0.0000 |
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Наблюдаемые P-значения статистик Люнга – Бокса для ряда остатков превышают 0.05 при всех выборах M от 1 до 20. Проверка на отсутствие автокоррелированности по критерию Бройша – Годфри дает P-значения, большие 0.05, как при AR(1) альтернативе, так и при альтернативах AR(2), AR(3) и т.д. Наконец, при проверке нормальности P-значение статистики Jarque – Bera равно 0.648 , так что по совокупности этих результатов мы могли бы говорить о пригодности оцененной модели
Xt – 47962.75 – 315.1909 t =
= 0.884803 (Xt–1 – 47962.75 – 315.1909 (t–1)) + et .
Обратим, однако, внимание на следующее обстоятельство. Оцененное значение 0.884803 коэффициента при Xt–1 достаточно близко к единице, и если ориентироваться на вычисленное значение 0.080824 стандартной ошибки для этого коэффициента, то при допущении отклонений от оцененного значения в пределах двух стандартных ошибок, в интервал допустимых значений 0.884803 ± 2·0.080824 попадают и значения, большие или равные 1. Но последние соответствуют нестационарному процессу авторегрессии.
Таким образом, несмотря на то, что при полученной точечной оценке 0.884803 коэффициента при Xt–1 построенная модель формально оказывается стационарной относительно детерминированного линейного тренда (т.е. детрендированный процесс следует стационарной AR(1) модели), мы не можем с достаточной степенью
www.iet.ru/mipt/2/text/curs_econometrics.htm