книги / Эконометрика. Начальный курс
.pdf11.2. Динамические модели |
271 |
для оценивания моделей с авторегрессионными членами и авто корреляцией ошибок. Рассмотрим, например, модель
Vt = fix + f a x t + 0 Ш - 1 + |
t = l,...,n, |
|
щ = put_i + et, |
|
(11.19) |
£t ~ iid(0,o2). |
Переменная х является экзогенной, yt- i коррелирована с xt_ i, по этому x t-i можно взять в качестве инструмента для yt-i- Оценка, полученная по методу инструментальных переменных, будет со стоятельной. Однако вследствие автокорреляции ошибок оценки дисперсий оценок коэффициентов не будут состоятельными.
Оцениваний. Метод максимального правдоподобия
Используя обычное преобразование, приведем модель (11.19) к виду
Vt = А(1 ~ p ) + f o x t - f o p x t - i + { P 3 + P ) y t - i - P 3 № - 2 + £ t - (11.20)
Коэффициенты уравнения (11.20) можно оценить при помощи ме тода максимального правдоподобия (п. 10.5), который легко при меняется здесь, так капе ошибки некоррелированы.
Замечаний. Нелинейный метод наименьших квадратов состоит в данном случае в минимизации функции
5 ^ ( y t - P i ( l - p ) - P 2 X t + 0 2 P x t - i - ( / h + p ) y t - i + 0 3 m - 2 ) 2 (1121)
по параметрам P i,p2 ,fh и р. Отметим, что нелинейный метод наи меньших квадратов является аппроксимацией метода максималь ного правдоподобия и отличается от него только отсутствием оп тимизации по начальным значениям у.
Из предыдущего следует, что, перед тем как оценивать модель с авторегрессионными членами, необходимо проверить наличие автокорреляции ошибок.
Тест на автокорреляцию ошибок
Заметим прежде всего, что тест Дарбина-Уотсона (DW) (п. 6.2) в данном случае неприменим, так как не выполнены условия, лежа щие в его обосновании. При наличии лагировапных эндогенных
272 Гл. 11. Временные ряды
переменных результаты теста DW смещены в сторону принятия гипотезы отсутствия автокорреляции ошибок.
Тест множителей Лагранжа (Lagrange Multiplier, LM) (п. 10.6) тем не менее применим и в данной ситуации. Можно использовать также h тест Дарбина, который реализован во многих компью терных пакетах. Этот тест, в отличие от LM теста, предназначен только для проверки на присутствие автокорреляции первого по рядка. Например, для уравнения (11.19) критическая статистика
имеет вид: |
__________ |
|
h = ( 1 - |
. / - ” |
(11.22) |
V 2 |
Jp -n V V h )' |
|
где DW — значение статистики Дарбина-Уотсоиа, (h — оценка ко эффициента при j/t-i. полученная применением МНК непосред ственно к исходному уравнению (11.19). Если верна нулевая гипо теза Но отсутствия автокорреляции ошибок первого порядка, то статистика h имеет асимптотически стандартное нормальное рас пределение. Гипотеза Но отвергается на 5%-ном уровне значимо сти в пользу гипотезы наличия положительной автокорреляции, если h > 1.645.
Тест Дарбина не работает, если пУ(/?з) > 1. Дарбин пока зал, что следующая процедура асимптотически эквивалентна h- тесту. 1) Вычислим остатки МНК-регрессии уравнения (11.19) е*. 2) Оценим вспомогательную регрессию et на e t-1, y t-i, aJt- 3) Про верим гипотезу Но с помощью обычного t-теста на значимость коэффициента при et_t во вспомогательной регрессии.
Некоторые примеры моделей с датированными переменными
В этом разделе мы рассмотрим частные случаи модели ADL(1,1)
Vi = Р\ + faxt + foxt-i + 04yt-i + et, |
t = l , . . . , n . (11.23) |
Модель настинного приспособления
В модели частичного приспособления (partial adjustment) пред полагается, что желаемое (или оптимальное, целевое) значение
11.2. Динамические модели |
|
|
273 |
переменной у определяется уравнением: |
|
|
|
y*t = а + fixt + St, |
et ~ ud(0,tr2), |
t = l , . . . , n . |
(11.24) |
Наблюдаемое значение переменной у , однако, не выходит мгновен но на желаемое значение, изменяясь только на долю 6 в нужном направлении:
Ы ~ yt-i) = 6(yi - yt- 1), |
0 < 6 < 1. |
(11.25) |
Пусть, например, (11.24) определяет оптимальный размер за пасов yl в зависимости от уровня продаж x t. Уравнение (11.25) можно переписать в виде:
yt = Syl + ( 1 - 6)yt-u
т.е. размер запасов равен взвешенному среднему оптимального размера запасов и размера запасов в предыдущем периоде.
Подставив (11.25) в (11.24), получаем:
yt = 6a + 6(3xt + (1 - 6 ) y t- i + 6et, |
t = l , . . . , n . |
(11.26) |
Поскольку ошибки не коррелированы, состоятельные оценки па раметров можно получить, применяя МНК к оцениванию состав ных параметров 6а, 6(3 и (1 —б) в уравнении (11.26).
Модель (11.26) получается из модели (11.23) путем введения в последнюю ограничения /?3 = 0.
Модель адаптивных ожиданий
Обозначим через х£+1 ожидаемое (в момент t) будущее значение переменной х*. Предположим, что значение величины yt опреде ляется этим ожидаемым значением:
yt = a + Дх?+1 + et, |
t = 1 ,..., п. |
(11.27) |
Гипотеза адаптивных ожиданий (adaptive expectations) предпо лагает, что ожидания пересматриваются в некоторой пропорции
274 |
Гл. 11. Временные ряды |
от разницы (расхождения) между наблюденным значением и про гнозом переменной х на предыдущем шаге:
(*t\, “ Ф = (1 " A)(*t - х?), |
О < А < 1. |
(11.28) |
Такая модель возникает, например, в случае, когда фирма при нимает решение об объеме производимой в период t продукции yt до того, как известна цена xt+i. по которой эта продукция мо жет быть продана в следующий период. Поскольку цена x*+i не известна в период t, то решение принимается на основе ожидаемо го значения Xj+1. Гипотезу адаптивных ожиданий (11.28) можно записать в виде
*4+1 = Aa:t + (1 “ A)*t,
т. е. ожидаемое значение цены х£+1 является взвешенным средним наблюдаемой цены х и ожидаемой цены х* в период t.
Итерируя (11.28) и подставляя затем результат в (11.27), по лучаем:
yt= ot+ f)(l—A)(xt+Axt_i+A2a:t_2+*• •)+£** t = l , . . . , n . (11.29)
Заметим, что полученное уравнение совпадает с моделью геомет рических лагов (11.8) и может быть преобразовано к виду (11.9), который является частным случаем модели (11.23), если в послед нем положить /?з = 0 и ввести автокорреляцию ошибок.
Модель коррекции ошибок
Предположим, что модель (11.23) имеет стационарное состояние (у*,х*) (разумеется, для этого должно быть выполнено условие устойчивости |Д|| < 1). Записав (11.23) в стационарном состоянии, получаем:
( 1 - / W |
+ № + &)*• |
или
у* |
0 i |
, fh, + 0 з |
(11.30) |
|
|
11.2. Динамические модели |
275 |
Сделаем в уравнении (11.23) замену переменных yt = yt-1 + Ауи xt = xt_i + Axt. Получим:
Ayt = /^Axt - (1 -& ) |
|
01 |
02+03 |
1 - - —а---- : a~Xt~l ) + £ , . (11.31) |
|||
|
yt_1 |
1—04 |
1-04 |
Уравнение (11.31) называется моделью коррекции ошибок (error correction). Изменение у на текущем шаге состоит из двух компо нент. Первая пропорциональна текущему изменению х, вторая яв ляется частичной коррекцией отклонения у на предыдущем шаге от равновесного состояния, определяемого значением х в соответ ствии с уравнением (11.30).
Коэффициенты уравнения (11.31) могут быть оценены при по мощи МНК. Результат оценивания полностью идентичен оценива нию этих же параметров в уравнении (11.23), так как уравнения получаются одно из другого невырожденной линейной заменой переменных.
Тест Гранжера на причинно-следственную зависимость
В экономике часто возникает вопрос о причинно-следственной связи между переменными. Например, верно ли, что увеличение денежной массы влечет за собой инфляцию?
Идея теста, предложенного в работе (Granger, 1969), проста: если х влияет на у, то изменения х должны предшествовать из менениям у, но не наоборот. Иначе говоря, должны выполняться два условия: во-первых, х должен вносить вклад в прогноз у; вовторых, у не должен вносить значимый вклад в прогноз х. Ес ли же каждая из этих двух переменных дает значимый вклад в прогноз другой, то, скорее всего, существует третья переменная z, влияющая на обе переменные.
Для того чтобы тестировать нулевую гипотезу «х не влияет на у», мы оцениваем регрессию у на лагироваиные значения у и лагированные значения х:
m т
(11.32)
276 |
Гл. 11. Временные ряды |
На языке этой модели гипотеза «х не влияет на у» формули руется как Но: Pi = ... = Рт = 0. Для ее тестирования приме няется обычный F -тест (3.44)-(3.45). Гипотеза «у не влияет на х* тестируется аналогично, надо только поменять местами х и у в уравнении (11.32). Для того чтобы прийти к заключению, что «х влияет на у», надо, чтобы гипотеза tx не влияет на у» была отвергнута, а гипотеза «у не влияет на х» была принята.
Подчеркнем, что «х влияет на у» не означает наличие причин но-следственной связи между х и у, а означает то, что предше ствующие значения х объясняют последующие значения у, т.е. означает возможность наличия причинно-следственной связи. Если же гипотеза «х не влияет на у» не отвергается, то это озна чает, что х не является причиной у.
Описанный выше тест называется тестом Гранжера на при чинно-следственную зависимость (Granger causality test). Заме тим, что выбор т , вообще говоря, может повлиять на результат теста. Как правило, лучше проделать тест для нескольких разных значений ш и выяснить, насколько результат теста чувствителен к выбору т. В том случае, если имеются основания предполагать наличие автокорреляции ошибок в модели (11.32), для тестирова ния гипотезы Но рекомендуется применять тест множителей Ла гранжа (п. 10.6).
11.3.Единичные корни и коинтеграция
До сих пор мы говорили об устойчивости (стабильности) времен ного ряда. Дадим теперь более точное понятие стационарности.
Стационарность
Ряд yt называется строго стационарным (strictly stationary) или
стационарным в узком смысле, если совместное распределение т наблюдений yt,,yt2,...,ytm не зависит от сдвига по времени, то есть совпадает с распределением yt,+t,l/t2+t) • • • ,ytm+t для лю бых т, t, t i , . . . , t m. Обычно нас интересуют средние значения и ковариации, а не все распределение. Поэтому часто используется
11.3. Единичные корни и коинтеграция |
277 |
понятие слабой стационарности {weak stationarity) или стацио нарности в широком смысле, которое состоит в том, что среднее, дисперсия и ковариации yt не зависят от момента времени t:
E(yt) = /х < оо, V(yt) = 7о, Cov(yt, yt—k) = 'Ik• |
(11.33) |
Конечно, из строгой стационарности следует слабая стацио нарность (при условии конечности первого и второго моментов распределения). В дальнейшем мы будем везде под «стационар ностью» понимать слабую стационарность.
Введем понятие автокорреляционной функции (autocorrelation function), ACF:
_ Cov(yt,Vt-k) _ |
Tfc |
(11.34) |
P k |
To' |
|
V(yt) |
|
Заметим, что po = 1, а. |рь| < 1. ACF играет важную роль в задаче идентификации моделей временных рядов.
Рассмотрим примеры временных рядов. Самым простым яв ляется ряд с независимыми одинаково распределенными наблю дениями:
yt = £t, et ~ гъ<Цр,(г2), t = l , . . . , n . (11.35)
Этот процесс называется «белым шумом» (white noise), у него Д = 0, то = a2, Tt = 0, к > 0.
Другим примером является AR(1) процесс: |
|
|
yt = m + фуг-\ + £t, |
£t ~ iid(0,(j2), t = l , . . . , n . |
(11.36) |
Предполагается, что \ф\ < |
1. Этот процесс уже рассматривался |
ранее в главе 6 (п. 6.2). Используя оператор сдвига (11.4), запишем (11.36) в виде:
(1 -4>L)yt = m + et, |
(11.37) |
или
yt = (1 —<f>L) 1( т + et) = (1 + фЬ + фЧ2 + • • • ) ( т + £j)
— (1 + ф 4- ф2 + • • • ) т + £( + ф£ь-1 + <f?£t-2 + • ‘ • |
(11,38) |
278 Гл. 11. Временные ряды
Поскольку мы предполагаем, что \ф\ < 1, то из (11.38) получаем
«7 |
(П-39) |
Е Ы = г — г = М, |
1~Ф
т.е. среднее не зависит от времени. При таком же условии на ф получаем
V(yt) = 70 = ^ = r ^ 2 - |
(П-*>) |
Аналогично (см.п. (6.2)) можно показать, что
Соv(yt,yt-k) = Ук = Фк°1 = ^ |
2 - |
(11.41) |
Таким образом, AR(1) процесс является стационарным при усло вии |$| < 1 и его автокорреляционная функция равна
Рк = ~ = Фк, |
к = 1,2,... |
(11.42) |
|
|
70 |
|
|
Важным примером является процесс |
|
||
Vt = 2/t-i + £t, |
£t ~iid(0,<72), t = l , . . . , n , |
(11.43) |
называемый случайным блужданием (random walk). Этот процесс по виду похож на AR(1) (11.36) с ф = 1, однако существенно от личается от стационарного процесса AR(1) (с \ф\ < 1) по своим свойствам. Из (11.43), учитывая, что ошибка et некоррелирована с yt- i , можно получить:
Е Ы = E(t/t-i) +0; |
V(j/t) = V(yt_ 0 + а2. |
(11.44) |
Отсюда ясно, что случайное блуждание нестационарно, так как V(yt) ф V(yt_i). Если положить, что процесс начинается с момен та t = 1 и Е(ух) = /х, V(yi) = а2, то E(yt) = Ц, V(yt) = a2t, при t = 1,2,..., т. е. дисперсия неограниченно возрастает со временем.
Процесс случайного блуждания отличается от стационарно го AR(1) процесса тем, что в (11.43) влияние возмущений £t не затухает: yt = £t + £t-i + ... , в то время как в (11.36) влияние возмущений затухает со временем: yt = et + </>£t_i + ф2£ь-2 + ...
(при тп = 0).
11.3. Единичные корни и коинтеграция |
279 |
Легко показать, что процесс вида (11.36) с \ф\ > 1 тем более не является стационарным (и не встречается в реальных экономиче ских примерах).
Единичные корни
Рассмотрим AR(l) процесс (11.36) в форме (11.37) с нулевым сред ним
A(L)yt = (1 - фЬ)уг = е*, |
et ~ iid {0 ,о2). |
(11.45) |
В предыдущем параграфе мы видели, что для того чтобы про цесс (11.45) был стационарным, необходимо условие |$| < 1, т.е. существование обратного оператора A(L)~l = (1 —фЬ)~*.
Возьмем другой пример — АЩ2) процесс:
A{L)yt = (1 - ф\Ь - ф2Ь2)у - £*, £t ~ iid(0, о2). |
(11.46) |
Как и всякий многочлен, А(Ь) может быть разложен на множи тели над полем комплексных чисел:
A(L) = (1 - ф^Ь - фгЬ2) = (1 - AiL)(l - А2Ь). |
(11.47) |
Нетрудно понять, что для существования обратного оператора A(L)~Xнеобходима обратимость каждого сомножителя в (11.47), а это означает, что все А* по модулю меньше единицы. Часто это условие формулируется следующим образом: все корни щ = 1/А* многочлена А(х) должны лежать вне единичного круга.
В предыдущем разделе мы видели, что наличие единичного корня в (11.45) существенно влияет на свойства процесса. Как определить по имеющимся наблюдениям верно ли, что в (11.45) ф = 1? Из п. 3.5 мы знаем, как тестировать гипотезу подобного ро да с помощью t-статистики t = (ф—ф)/з^, которая имеет распреде ление Стьюдента и асимптотически стандартное нормальное рас пределение. Однако, как показали Дики и Фуллер (D. A. Dickey, W. A. Fuller) (см. Fuller, 1976), в случае, если истинное значение ф = 1, то t-статистика не распределена по закону Стьюдента и ее распределение не стремится к стандартному нормальному при увеличении количества наблюдений.
280 |
Гл. 11. Временные ряды |
Распределение t-статистики при условии ф = 1 в (истинной) модели (11.45), описано Дики и Фуллером для уравнения (11.45) и двух его модификаций:
yt = bij/t-i + £iti |
(11.48) |
yt = a2 + h y t- i + £2t, |
(11.49) |
y t = a i + h y t - i + сз* + £3t- |
(11.50) |
Уравнение (11.49) соответствует (ошибочно) включенному свобод ному члену, в уравнение (11.50) кроме свободного члена включен также и временной тренд. В таблице 11.1 приведены односторон ние критические значения статистики Дики-Фуллера (DF).
Доверительный уровень |
|
Таблица 11.1 |
||
Размер выборки |
оо |
|||
|
25 |
50 |
100 |
|
|
AR модель (11.48) |
|
|
|
0.010 |
-2.66 |
-2.62 |
-2.60 |
-2.58 |
0.025 |
-2.26 |
-2.25 |
-2.24 |
-2.23 |
0.050 |
-1.95 |
-1.95 |
-1.95 |
-1.95 |
|
AR модель с константой (11.49) |
|
|
|
0.010 |
-3.75 |
-3.58 |
-3.51 |
-3.43 |
0.025 |
-3.33 |
-3.22 |
-3.17 |
-3.12 |
0.050 |
-3.00 |
-2.93 |
-2.89 |
-2.86 |
AR модель с константой и трендом (11.50) |
|
|||
0.010 |
-4.38 |
-4.15 |
-4.04 |
-3.96 |
0.025 |
-3.95 |
-3.80 |
-3.69 |
-3.66 |
0.050 |
-3.60 |
-3.50 |
-3.45 |
-3.41 |
Источник: (Fuller, 1976).
Предположим, мы тестируем гипотезу Но: ф = 1 против аль тернативной гипотезы Hi: ф < 1 для уравнения (11.49) при 100 наблюдениях и 5%-ном уровне значимости. В том случае, если мы используем стандартную процедуру тестирования гипотезы (п. 3.5), мы должны отвергнуть Но при значении f-статистики меньшем, чем -1.66. Однако, если мы используем таблицу 11.1,