- •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 |
32 |
|
1.3 |
|
|
|
|
|
|
|
1.2 |
|
|
|
|
|
|
|
1.1 |
|
|
|
|
|
|
|
1.0 |
|
|
|
|
|
|
|
0.9 |
|
|
|
|
|
|
|
0.8 |
|
|
|
|
|
|
|
5 |
10 |
15 |
20 |
25 |
30 |
35 |
40 |
VARRATIO
Поведение отношения дисперсий указывает на то, что WALK_2 порождается DS моделью.
6.9. Некоторые проблемы, возникающие при различении TS и DS гипотез
6.9.1.Коррекция сезонности
Врассмотренных выше процедурах никак не затрагивался вопрос о коррекции сезонного поведения ряда, не снимаемого ни введением в модель линейного тренда ни путем дифференцирования ряда. Разумеется, данные, поступающие в распоряжение исследователя, уже могли быть подвергнуты сезонной коррекции соответствующими статистическими агенствами. Более того, во многих странах сырые (не скорректированные на сезонность) данные просто недоступны. В то же время, при анализе данных, подвергшихся сезонному сглаживанию с использованием фильтров или с использованием специфических методик правительственных агентств, существенно больше шансов классифицировать исследуемый ряд как DS (см., например, [Ghysels, Perron (1993)]), чем при анализе сырых данных. Поэтому некоторые авторы рекомендуют по возможности вообще избегать использования сезонно-сглаженных данных ([Davidson, MacKinnon (1993)]). Более предпочтительным является использование сырых данных и устранение из них сезонности путем оценивания регрессии сырого ряда на сезонные фиктивные (dummy) переменные D1,…, D12 (если данные месячные) или D1,…, D4 (если данные квартальные). Остатки от оцененной регрессии образуют очищенный ряд, к которому можно применять изложенные выше методы. Теоретическое оправдание такого подхода при применении критерия Дики - Фуллера дано в работе [Dickey, Bell, Miller (1986)], где показано, что
асимптотическое распределение статистики tϕ не изменяется при исключении из ряда детерминированных сезонных компонент.
6.9.2. Протяженность ряда и мощность критерия
Следует иметь в виду, что мощность критериев единичного корня зависит, в первую очередь, от фактической протяженности ряда во времени, а не от частоты, с которой производятся наблюдения. Соответственно, имея значения ряда за десятилетний период, мы не получаем выигрыша в мощности, анализируя месячные данные, а не квартальные или годовые. Результаты исследований в этом направлении можно найти,
например, в статьях [Shiller, Perron (1985)] и [Perron (1989b)].
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
33 |
|
6.9.3. Проблема согласованности статистических выводов при различении TS и DS гипотез
При решении задачи отнесения рассматриваемого ряда к классу TS или к классу DS рядов двумя статистическими критериями, один из которых берет в качестве нулевой гипотезу TS, а другой – гипотезу DS, возможны следующие ситуации:
|
H0: TS – не отвергается |
H0: TS – отвергается |
H0: DS – не отвергается |
Исход 1 |
Исход 2 |
H0: DS – отвергается |
Исход 3 |
Исход 4 |
Эти ситуации интерпретируются следующим образом:
•Исход 2 – в пользу DS модели.
•Исход 3 – в пользу TS модели.
•Исход 1 – невозможность принять решение из-за низкой мощности обоих критериев.
•Исход 4 – процесс порождения данных (DGP) не сводится к допускаемым используемыми критериями TS и DS моделям.
6.9.4. Наличие нескольких единичных корней
После появления работ [Fuller (1976)] и [Dickey, Fuller (1981)] было проведено довольно много практических исследований экономических временных рядов с целью решения вопроса о наличии или отсутствии единичных корней в моделях процессов, порождающих эти ряды.
При этом обычно сначала рассматривался сам временной ряд, и проводилась
проверка его на нестационарность с использованием критериев Дики – Фуллера .
Если гипотеза единичного корня не отвергалась, то после этого переходили к
рассмотрению ряда разностей и проверяли гипотезу единичного корня для этого
ряда, применяя к ряду разностей процедуру Дики – Фуллера.
Если при анализе ряда разностей гипотеза единичного корня отвергалась, то
принималось решение о том, что исходный ряд – интегрированный порядка 1. В
противном случае переходили к рассмотрению ряда вторых разностей и проверяли
гипотезу единичного корня для этого ряда. Обычно на этом шаге гипотеза
единичного корня отвергалась и исходный ряд определялся как интегрированный
порядка 2.
Более поздние исследования показали, что такого рода последовательные процедуры не обладают заявленными уровнями значимости, имея тенденцию к занижению
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
34 |
|
действительного количества единичных корней. И в таком несоответствии нет ничего удивительного: критерии Дики – Фуллера основаны на предположении, что если единичный корень и имеется, то тогда он единственный. Положение здесь похоже на другие ситуации, когда последовательная проверка гипотез идет не от общего к частному, а от частного к общему.
В связи с этим, для ситуаций, когда предполагаемая модель авторегрессии для анализируемого ряда может иметь порядок р выше первого, р > 1, в работе [Dickey, Pantula (1987)] была предложена процедура последовательной проверки гипотез о количестве единичных корней характеристического уравнения, построенная по принципу “от общего к частному”. Сначала проверяется гипотеза о том, что все р корней характеристического многочлена единичные; при ее отвержении проверяется гипотеза о наличии р – 1 единичных корней и.т.д.
Поясним смысл этой процедуры на примере процесса авторегрессии AR(2) a(L) xt = εt ,
т.е.
(1 – a1L – a2L2) xt = εt ,
или
(1 – aL)( 1 – bL) xt = εt ,
где
a = 1/z1 , b = 1/z2 , а z1, z2 – корни уравнения a(z) = 0.
При этом мы предполагаем, что процесс не носит взрывного характера, так что | z1|, |z2|
≥1, а значит, | a|, |b| ≤ 1.
Раскрывая скобки и перенося все составляющие, кроме xt , в правую часть уравнения, получаем:
xt = (a + b) xt – 1 – abxt – 2 + εt .
Вычтем из обеих частей xt – 1 :
∆xt = (a + b – 1) xt – 1 – abxt – 2 + εt .
Из обеих частей полученного равенства вычтем ∆ xt – 1 :
∆2xt = ∆xt – ∆ xt – 1 = – ∆ xt – 1 + (a + b – 1) xt – 1 – abxt – 2 + εt = = (a + b – 2) xt – 1 + (1– ab) xt – 2 + εt .
Выделим в правой части первую разность:
∆2xt = (a + b – 2) xt – 1 + [– (ab – 1) xt – 2 + (ab – 1) xt – 1] – (ab – 1) xt – 1 + εt
= (a + b – ab – 1) xt – 1 + (ab – 1) ∆xt – 1+ εt ,
так что
∆2xt = (a– 1)(1 – b) xt – 1 + (ab – 1) ∆xt – 1+ εt .
Это базовое соотношение позволяет идентифицировать ситуации, когда имеется 2 единичных корня, когда имеется 1 единичный корень и когда единичных корней нет. Именно,
• Если a = b = 1 (два единичных корня), то ∆2xt = εt .
• Если a = 1, |b| < 1 (один единичный корень), то
∆2xt = (b – 1) ∆xt – 1+ εt , или ∆2xt = φ ∆xt – 1+ εt с φ < 0 .
• Если |a| < 1 и |b| < 1 (нет единичных корней), то
∆2xt = ψ xt – 1 + φ ∆xt – 1+ εt с φ < 0 и ψ < 0.
Соответственно, процедура, предложенная Дики и Пантулой, такова.
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
35 |
|
Если мы допускаем наличие двух единичных корней, то сначала оцениваем статистическую модель
∆2xt = α + φ ∆xt – 1 + ut
и сравниваем значение t-статистики для коэффициента φ с критическим значением соответствующей статистики Дики – Фуллера (случаи 1 или 2, в зависимости от того, будем ли мы исходить из α = 0 или α ≠ 0). Здесь ut – либо просто процесс белого
шума либо включает в себя еще и запаздывающие значения второй разности ∆2xt – 1 , ...
, ∆2xt – p + 1 .
Если гипотеза о наличии двух единичных корней (φ = 0) отвергается, то тогда
следует оценить статистическую модель
∆2xt = ψ xt – 1 + φ ∆xt – 1+ ut
и проверить гипотезу ψ = 0 против альтернативы ψ < 0. Отклонение этой гипотезы
означает признание того, что у ряда xt нет единичных корней, а ее неотклонение –
что xt ~ I(1).
Пример
Рассмотрим смоделированные реализации трех моделей AR(2) с различным
количеством единичных корней: |
|||||||||
4 |
|
|
|
|
|
|
|
|
4 |
2 |
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
-4 |
|
|
|
|
|
|
|
|
|
|
-2 |
|
|
|
|
|
|
|
|
|
-4 |
|
|
|
|
|
|
|
|
-8 |
|
|
|
|
|
|
|
|
|
|
-6 |
|
|
|
|
|
|
|
|
-12 |
|
|
|
|
|
|
|
|
|
|
-8 |
|
|
|
|
|
|
|
|
-16 |
10 |
20 |
30 |
40 |
50 |
60 |
70 |
80 |
90 |
100 |
|
|
|
|
ROOT0 |
|
|
|
|
10 |
20 |
30 |
40 |
50 |
60 |
70 |
80 |
90 |
100 |
|
|
|
|
ROOT1 |
|
|
|
|
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
36 |
|
2 |
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
-2 |
|
|
|
|
|
|
|
|
|
-4 |
|
|
|
|
|
|
|
|
|
-6 |
|
|
|
|
|
|
|
|
|
-8 |
|
|
|
|
|
|
|
|
|
10 |
20 |
30 |
40 |
50 |
60 |
70 |
80 |
90 |
100 |
|
|
|
|
ROOT2 |
|
|
|
|
Посмотрим, что дает применение процедуры Дики – Пантулы в этой сиуации.
На первом шаге для каждого из рядов оцениваем статистическую модель
SM: ∆2xt = α + φ ∆xt – 1+ εt
и проверяем гипотезу φ = 0 против альтернативы φ < 0. (Анализ рядов остатков для обеих оцененных моделей указывает на отсутствие необходимости включения в правую часть статистической модели запаздывающих значений второй разности.)
Для ряда ROOT2 мы используем критические значения Фуллера, соответствующие случаю 2 (α ≠ 0), ориентируясь на наличие у реализации видимого квадратичного тренда. Для T = 100 критическое 5% значение статистики Дики – Фуллера равно –
2.89. Вычисленное значение t-статистики равно – 1.64; гипотеза о наличии двух единичных корней не отвергается. Для рядов ROOT0 и ROOT1 используем критические значения Фуллера, соответствующие случаю 1 (a = 0), принимая во внимание отсутствие у реализаций видимого квадратичного тренда. В этом случае для T = 100 критическое 5% значение статистики Дики – Фуллера равно – 1.95.
Вычисленные значения t-статистик равны – 7.83 для ряда ROOT0 и – 5.50 для ряда
ROOT1; в обоих случаях гипотеза о наличии двух единичных корней отвергается.
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
37 |
|
Следующий шаг процедуры выполняется поэтому только для рядов ROOT0 и ROOT1. Для этих рядов мы оцениваем статистическую модель
SM: ∆2xt = ψ xt – 1 + φ ∆xt – 1+ εt
и проверяем гипотезу ψ = 0 против альтернативы ψ < 0. Значения соответствующей t-статистики равны – 3.89 для ряда ROOT0 и – 1.63 для ряда
ROOT1, так что гипотеза ψ = 0 отвергается для ряда ROOT0 и не отвергается для ряда ROOT1.
Заметим теперь, что в модели DGP для ряда ROOT2 действительно было два единичных корня, в модели DGP для ряда ROOT1 – один единичный корень, а в модели DGP для ряда ROOT0 – ни одного единичного корня:
DGP для ROOT0: xt = 1.1 xt – 1 – 0.3 xt – 2 + εt , или
(1 – 0.6L)(1 – 0.5L) xt = εt,
DGP для ROOT1: xt = 1.5 xt – 1 – 0.5 xt – 2 + εt , или
(1 – L)(1 – 0.5L) xt = εt ;
DGP для ROOT2: xt = 2 xt – 1 – xt – 2 + εt , или
(1 – L)2 xt = εt .
Более подробно c проблемами, возникающими при проверке гипотез, свзанных с наличием нескольких единичных корней, можно ознакомиться, например, в книге
[Patterson (2000)].
www.iet.ru/mipt/2/text/curs_econometrics.htm