- •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 |
16 |
|
коинтеграционное соотношение не включаются ни константа ни тренд; ранг коинтеграции равен 2”.
Приведем теперь сводку статистик для определения ранга коинтеграции тройки рядов
W2 t , W3 t и W4 t .
Series: WALK2 WALK3 WALK4 Lags interval: No lags
Data Trend: |
None |
None |
Linear |
Linear |
Quadratic |
Rank or |
No Intercept |
Intercept |
Intercept |
Intercept |
Intercept |
No. of CEs |
No Trend |
No Trend |
No Trend |
Trend |
Trend |
|
|
|
|
|
|
|
Akaike |
|
|
|
|
|
|
|
|
|
|
0 |
-1.209358 |
-1.209358 |
-1.211316 |
-1.211316 |
-1.205445 |
1 |
-1.201837 |
-1.206417 |
-1.208105 |
-1.209616 |
-1.206429 |
2 |
-1.191311 |
-1.194747 |
-1.195348 |
-1.193234 |
-1.192934 |
3 |
-1.168162 |
-1.177195 |
-1.177195 |
-1.171753 |
-1.171753 |
|
|
|
|
|
|
|
|
Schwarz |
|
|
|
|
|
|
|
|
|
0 |
-1.209358 |
-1.209358 |
-1.185951 |
-1.185951 |
-1.154715 |
1 |
-1.151107 |
-1.147232 |
-1.132009 |
-1.125065 |
-1.104968 |
2 |
-1.089850 |
-1.076376 |
-1.068523 |
-1.049499 |
-1.040743 |
3 |
-1.015971 |
-0.999639 |
-0.999639 |
-0.968832 |
-0.968832 |
|
|
|
|
|
|
L.R. Test: |
Rank = 0 |
Rank = 0 |
Rank = 0 |
Rank = 0 |
Rank = 0 |
|
|
|
|
|
|
Здесь в рамках каждого столбца цепочки критериев выводят на ранг 0, что соответствует DGP. Критерий Акаике указывает на варианты с трендом в данных, тогда как критерий Шварца останавливается на вариантах без тренда в данных, что и соответствует DGP.
8.2. Оценивание модели коррекции ошибок
После оценивания ранга коинтеграции в рамках процедуры Йохансена имеется возможность получения (при выбранном ранге коинтеграции r ) оценок максимального правдоподобия для r линейно независимых коинтегрирующих векторов. Реализация такого оценивания в пакете EVIEWS для группы из 5 рядов, рассмотренной в предыдущем примере (r = 2), дает следующие результаты.
Test assumption: No deterministic trend in the data Series: L234 L23 WALK2 WALK3 WALK4
Lags interval: No lags
Unnormalized Cointegrating Coefficients:
L234 |
L23 |
WALK2 |
WALK3 |
WALK4 |
||||
-0.079261 |
-0.198108 |
0.236127 |
0.178603 |
0.159704 |
||||
-0.202709 |
0.079211 |
0.022787 |
0.161363 |
0.406370 |
||||
0.001194 |
0.000453 |
-0.014625 |
-0.034465 |
0.037834 |
||||
-0.002101 |
0.001543 |
0.019423 |
-0.024621 |
0.007077 |
||||
-0.000206 |
0.000771 |
0.011197 |
-0.009764 |
-0.012244 |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Каждая строка этой таблицы содержит компоненты одного из возможных коинтегрирующих векторов. Всего, таким образом, предлагается к рассмотрению 5 вариантов коинтегрирующих векторов, причем эти пять векторов являются линейно
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
17 |
|
независимыми. Первая из 5 строк содержит коэффициенты линейной комбинации указанных рядов, “наиболее похожей на стационарную”. Вторая строка соответствует линейной комбинации, занимающей в этом отношении второе место, и т.д.
Если бы мы оценили ранг коинтеграции как r = 1, то тогда в качестве оценки коинтегрирующего вектора можно было взять вектор с компонентами, приведенными в первой строке, т.е. вектор
(-0.079261, -0.198108, 0.236127, 0.178603, 0.159704)T ,
или любой пропорциональный ему вектор. Выбирая из этого множества вектор, нормализованный на первую компоненту, т.е. вектор, полученный из указанного делением всех его компонент на первую компоненту, мы получили бы вектор
(1, 2.499451, – 2.979119, – 2.25363, – 2.014916)T .
Поскольку ранг коинтеграции был оценен как r = 2, то в качестве оценок двух линейно независимых коинтегрирующих векторов можно взять векторы с компонентами, приведенными в первых двух строках, т.е. векторы
β*(1) = (– 0.079261, – 0.198108, 0.236127, 0.178603, 0.159704)T
и
β*(2) = (– 0.202709, 0.079211, 0.022787, 0.161363, 0.406370)T.
Дело, однако, в том, что помимо этих двух векторов в качестве коинтегрирующих векторов с тем же успехом могут выступать и любые линейные комбинации этих двух векторов. И в реальных экономических задачах важно, чтобы выбранная в итоге из этого множества пара векторов выражала осмысленные с экономической точки зрения (экономической теории) долговременные связи между рассматриваемыми переменными (например, паритет покупательной способности, спрос на деньги и т.п.). Это, в свою очередь, требует наложения на коинтегрирующие векторы соответствующих идентифицирующих ограничений, позволяющих различать эти векторы, выделяя их из всего множества линейных комбинаций базисных векторов.
Если ранг коинтеграции равен r > 1, то для различения коинтегрирующих векторов достаточно наложить на каждый из коинтегрирующих векторов q = r – 1 линейных ограничений (причем эти линейные ограничения сами должны быть линейно независимыми – иначе различения не получится). Это дает возможность определить каждый из коинтегрирующих векторов с точностью до коэффициента пропорциональности, а затем получить единственный набор коинтегрирующих векторов, нормируя компоненты каждого вектора на какую-либо из его (ненулевых) компонент.
В нашем примере r = 2, так что на каждый из двух коинтегрирующих векторов достаточно наложить по одному линейному ограничению, например, приравнять одну из компонент коинтегрирующего вектора нулю. При этом зануляемые компоненты в двух векторах должны быть различными. Выбор зануляемых компонент на практике определяется, исходя из представлений той или иной экономической теории.
Имитируя такой выбор, мы будем исходить из наличия информации о том, что “в соответствии с некоторой экономической теорией”, между переменными L234t , L23t , W2 t , W3 t и W4 t должны существовать две долговременные связи, одна из которых связывает переменные L234t , W2 t, W3 t , W4 t и не включает переменную L23t , а другая связывает переменные L23t , W2 t, W3 t , W4 t и не включает переменную L234t . Если при этом из той же “экономической теории” следует также, что в первой долговременной связи “объясняемой” переменной является L234t , а во второй – переменная L23t , то, нормируя первый коинтегрирующий вектор на первую компоненту, а второй коинтегрирующий вектор – на вторую компоненту, мы представляем эти коинтегрирующие векторы в виде
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
18 |
|
β(1) = (1, 0, β13 , β14 , β15)T
β(2) = (0, 1, β23 , β24 , β25)T .
Таким образом, после получения двух произвольных линейно независимых оценок двух коинтегрирующих векторов,
(-0.079261, -0.198108, 0.236127, 0.178603, 0.159704)T,
(-0.202709, 0.079211, 0.022787, 0.161363, 0.406370)T,
задача состоит в отыскании линейных комбинаций этих оцененных векторов, имеющих вид
(1, 0, β13 , β14 , β15)T и (0, 1, β23 , β24 , β25)T .
Решение этой задачи в пакете EVIEWS приводит к следующему результату:
Normalized Cointegrating Coefficients: 2 Cointegrating Equation(s)
L234 |
L23 |
WALK2 |
WALK3 |
WALK4 |
1.000000 |
0.000000 |
-0.499995 |
-0.993065 |
-2.006077 |
|
|
(0.00541) |
(0.00868) |
(0.00852) |
0.000000 |
1.000000 |
-0.991867 |
-0.504230 |
-0.003537 |
|
|
(0.00549) |
(0.00881) |
(0.00865) |
В соответствии с этой таблицей,
β(1) = (1, 0, – 0.499995, – 0.993065, – 2.006077)T
β(2) = (0, 1, – 0.991867, – 0.504230, – 0.003537)T .
Это соответствует двум долговременным соотношениям
L234t = 0.499995W2 t + 0.993065W3 t + 2.006077W4 t, L23t = 0.991867W2 t + 0.504230W3 t + 0.003537 W4 t,
которые близки к теоретическим долговременным соотношениям, определяемым использованным DGP, а именно,
L234t = 0.5W2 t + W3 t + 2W4 t , L23t = W2 t + 0.5W3 t .
Нетрудно заметить, что оцененные векторы β*(1) и β*(2) являются линейными комбинациями векторов β(1) и β(2) :
β*(1) = – 0.079261 β(1) – 0.198108 β(2) , β*(2) = – 0.202709 β(1) + 0.079211 β(2) .
Приведенные в таблице под оценками коэффициентов оцененные значения их стандартных ошибок дают некоторую ориентацию в отношении того, какими в действительности могут быть компоненты “истинных” коинтегрирующих векторов. Следует только учитывать, что оценки компонент коинтегрирующих векторов не являются нормально распределенными (даже асимптотически).
После получения оценок подходящих коинтегрирующих векторов можно приступать к оцениванию коэффициентов ECM обычными методами. Только и здесь следует учитывать, что асимптотически нормальными являются лишь оценки кратковременной динамики, т.е. коэффициенты при запаздывающих разностях переменных.
В нашем примере получаем:
D(L234) D(L23) |
D(WALK2) D(WALK3) D(WALK4) |
|
|
ecm1 -0.971220 -0.051197 -0.040351 0.005400 0.031996 (0.11006) (0.06585) (0.04248) (0.04468) (0.04231) (-8.82480) (-0.77748) (-0.94983) (0.12086) (0.75621)
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
19 |
|
ecm2 -0.033474 -1.015363 -0.001894 0.010505 -0.024292 (0.10788) (0.06455) (0.04164) (0.04380) (0.04148) (-0.31028) (-15.7298) (-0.04549) (0.23985) (-0.58571)
Согласно этой таблице оцененная ECM имеет вид
∆(L234)t = – 0.971220 (ecm1)t – 1 – 0.033474 (ecm2)t – 1 + e1t , ∆(L23)t = – 0.051197 (ecm1)t – 1 – 1.015363 (ecm2)t – 1 + e2t , ∆(W2)t = – 0.040351 (ecm1)t – 1 – 0.001894 (ecm2)t – 1 + e3t , ∆(W3)t = 0.005400 (ecm1)t – 1 + 0.010505 (ecm2)t – 1 + e4t , ∆(W4)t = 0.031996 (ecm1)t – 1 – 0.024292 (ecm2)t – 1 + e5t ,
где
(ecm1)t = L234t – 0.499995W2 t – 0.993065W3 t – 2.006077W4 t , (ecm2)t = L23t – 0.991867W2 t – 0.504230W3 t – 0.003537W4 t .
В рамках процедуры Йохансена имеется также возможность проверки гипотез о выполнении дополнительных (“сверхидентифицирующих”) ограничений на коинтегрирующие векторы, например, гипотезы
H0: β25 = 0
о занулении последней компоненты второго коинтегрирующего вектора, или гипотезы
H0: α12 = α21 = α31 = α32 = α41= α42= α51= α52 = 0,
означающей отсутствие составляющей (ecm1)t – 1 во всех уравнениях кроме первого и отсутствие составляющей (ecm2)t – 1 во всех уравнениях кроме второго (что и соответствует использованному процессу порождения данных).
Однако процедура проверки выполнения таких ограничений на коинтегрирующие векторы, как и процедура проверки выполнения тех или иных линейных ограничений на элементы матрицы α корректирующих коэффициентов, не встроена в пакет EVIEWS и требует привлечения для ее реализации других специализированных пакетов статистического анализа данных. (Напомним, что распределения оценок коэффициентов коинтегрирующих векторов и элементов матрицы α не являются асимптотически нормальными.) Проведение детального коинтеграционного анализа нестационарных рядов возможно с использованием макропакета CATS (Cointegration Analysis of Time Series), оформленного в виде процедуры для пакета RATS (Regression Analysis of Time Series). Краткое описание соответствующих процедур с подробными примерами анализа экономических данных можно найти, например, в книге [Patterson (2000)].
Завершая описание процедуры Йохансена, следует обратить особое внимание на следующие обстоятельства.
•Процедура Йохансена исходит из предположения o гауссовости процесса белого шума в VAR модели.
•Процедура Йохансена чувствительна к выбору порядка p модели VAR.
•Используемые критические значения статистик λmax и λtrace – асимптотические, так что при малом количестве наблюдений к полученным выводам следует относиться достаточно осторожно.
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
20 |
|
В связи с последним обстоятельством, при работе с умеренным количеством наблюдений рекомендуется корректировать наблюдаемые значения статистик λmax и λtrace , умножая их на (T – Np) ⁄ T (“коррекция на число степеней свободы”).
Все эти замечания означают, что при коинтеграционном анализе реальных экономических (а не смоделированных) данных интерпретация полученных результатов может оказаться довольно затруднительной.
www.iet.ru/mipt/2/text/curs_econometrics.htm