dinamics time series / ГЛ5

Отсюда находим:

t Corr(Xt , Xt–1)

10

20.707

30.806

40.866

50.894

60.913

70.925

80.935

90.943

10 0.949

т.е. соседние значения Xt и Xt–1 очень сильно коррелированы, притом положительно и тем более сильно, чем больше t . И это приводит к уже наблюдавшемуся нами характеру поведения траекторий случайного блуждания. На первых нескольких шагах траектория как бы “определяется”, где она будет находиться затем в течение довольно длительного периода – выше или ниже начального уровня x0 . Так что если после нескольких первых шагов траектория случайного блуждания оказалась ниже уровня x0 ( как это было у смоделированной нами реализации), то она может оставаться там в течение весьма продолжительного времени. Если смоделировать очень длинную реализацию случайного блуждания, то она будет состоять из чередующихся длинных участков, на которых функция находится, соответственно, выше или ниже уровня x0 .

При X0 = 0 получаем

www.iet.ru/mipt/2/text/curs_econometrics.htm

www.iet.ru/mipt/2/text/curs_econometrics.htm

(такой переход в теории временных рядов называют дифференцированием).

При таком переходе получаем для первого ряда

∆Xt = Xt – Xt–1 = (α+ β t + εt ) – (α+ β (t – 1)+ εt–1 ) = β + εt – εt–1 ,

адля второго ряда

продифференцированный ряд относится к классу MA(1) и имеет математическое ожидание β . Второй продифференцированный ряд относится к классу MA(0) и имеет математическое ожидание α.

Таким образом, в отличие от детрендирования, операция дифференцирования приводит к стационарному ряду в обоих случаях. Однако в результате дифференцирования первого ряда получается процесс скользящего среднего, который не является обратимым. И это имеет некоторые нежелательные последствия при подборе модели по статистическим данным и использовании подобранной модели для целей прогнозирования будущих значений ряда. (См., например, [Hamilton (1994), главы 4 и 5].) В случае необратимости МА-составляющей продифференцированного ряда становится невозможным использование обычных алгоритмов идентификации модели, оценивания модели и диагностики оцененной модели, рассмотренных ранее в главе 3.

Обобщая рассмотренную ситуацию, рассмотрим ряды

Xt = θ0 + θ1 t + θ2 t2 + εt

и

Yt = α + βt + γ t2 + Zt ,

где Zt - процесс, определяемый соотношениями

Zt = εt + 2εt – 1 + 3εt – 2 + … + t ε1 , t = 1, …, T .

Детрендирование первого ряда приводит к стационарному ряду

Xt0 = Xt – (θ0+ θ1 t + θ2 t2) = εt .

Детрендирование второго ряда приводит к ряду

Yt0 = Yt – (α + βt + γ t2) = Zt ,

у которого

D(Zt) = D(εt + 2εt – 1 + 3εt – 2 + … + t ε1) = σε2(1 + 2 + …+ t) = σε2 t (t + 1)/2,

так что детрендированный ряд не является стационарным.

Если вместо вычитания линейного тренда произвести дифференцирование рядов, то для ряда Xt это приводит к ряду

∆ Xt = θ1 – θ2 + 2θ2 t + εt – εt – 1 ,

www.iet.ru/mipt/2/text/curs_econometrics.htm

стационарному относительно линейного тренда: ряд

∆ Xt – (θ1 – θ2 + 2θ2 t) = εt – εt – 1

является стационарным, но необратимым MA(1) рядом. Если же продифференцировать ряд Yt , то в этом случае продифференцированный ряд

∆Yt = (β– γ+ 2γt) + Zt – Zt – 1 =

=β– γ+ 2γt + (εt + 2εt – 1 + 3εt – 2 + … + t ε1)

–(εt– 1 + 2εt – 2 + 3εt – 3 + … + (t – 1)ε1) =

=β– γ+ 2γt + (ε1 + ε2 + … + εt – 1 + εt)

уже не является стационарным относительно линейного тренда: ряд

∆ Yt – (β– γ+ 2γt) = (ε1 + ε2 + … + εt – 1 + εt)

Нестационарен и представляет собой стохастический тренд.

С другой стороны, осуществляя двукратное дифференцирование ряда Yt , т.е. переходя к ряду ∆2Yt , где ∆2 = (1 – L)2 = 1 – 2L + L2 , получаем стационарный

MA(0) ряд

∆2Yt = 2 γ + ∆2 Zt = 2 γ + Zt – 2Zt – 1 + Zt – 2 =

=2 γ + (εt + 2εt – 1 + 3εt – 2 + … + t ε1)

–2(εt– 1 + 2εt – 2 + 3εt – 3 + … + (t – 1)ε1) +

+ (εt– 2 + 2εt – 3 + 3εt – 4 + … + (t – 2)ε1) = 2 γ + εt .

При двукратном дифференцировании ряда Xt , приходим к ряду

∆2Xt = ∆ (∆ Xt ) = ∆ (Xt – Xt–1) = (Xt – Xt–1) – (Xt – 1 – Xt – 2 ) = = Xt – 2Xt – 1+ Xt – 2 = 2 θ2 + εt – 2εt – 1 + εt – 2 ,

который представляет собой стационарный процесс скользящего среднего MA(2) с математическим ожиданием 2θ2 , не удовлетворяющий условию обратимости. Действительно, уравнение b(z) = 0 здесь принимает вид

1– 2z + z2 = 0

иимеет двойной корень z = 1.

Таким образом, двукратное дифференцирование “остационаривает” и ряд Xt и ряд Yt , но в случае ряда Xt результирующий ряд не обладает свойством обратимости.

Обобщение подобных примеров приводит к следующим понятиям.

стационарен относительно некоторого детерминированного тренда, то говорят, что этот ряд принадлежит классу рядов, стационарных относительно детерминированного тренда, или что он является TS рядом (TS – time stationary).

www.iet.ru/mipt/2/text/curs_econometrics.htm

В класс TS рядов включаются также стационарные ряды, не имеющие детерминированного тренда.

детерминированного тренда, т.е. не является TS рядом;

•ряд ∆k Xt , полученный в результате k-кратного дифференцирования ряда Xt

, является стационарным рядом;

•ряд ∆k – 1Xt , полученный в результате (k – 1)-кратного дифференцирования ряда Xt , не является TS рядом.

Если полагать ∆0Xt = Xt , то при k = 1 третье условие дублирует первое.

Для интегрированного ряда порядка k используют обозначение I(k) . Если ряд Xt является интегрированным порядка k , то мы будем обозначать это для краткости как Xt ~ I(k). В этой системе обозначений соотношение Xt ~ I(0) соответствует ряду, который является стационарным и при этом не является результатом дифференцирования TS ряда.

Пусть TS ряд имеет вид Xt = α + βt + Yt , где Yt – стационарный ряд, имеющий нулевое математическое ожидание. Тогда Xt можно представить в виде

где εt – процесс белого шума. (Мы не затрагиваем здесь теоретическую возможность наличия в правой части еще и так называемой линейно детерминированной стохастической компоненты.) Переходя к ряду разностей, получаем:

∞

∆X t = ∆f (t) + ∑ψ j (εt − j −εt −1− j ) =

j = 0

∞

= β + ∑bjεt − j = β + b(L)ε t ,

j = 0

где

∞

b(L) = ∑bj Lj , b0 =1, bj =ψ j −ψ j −1 , j =1, 2,K,

j = 0

Отсюда вытекает, что

∞

b(1) = ∑bj = 0 ,

j = 0

т.е. уравнение b(z) = 0 имеет единичный корень.

Таким образом, если для некоторого стационарного ряда Zt ,

www.iet.ru/mipt/2/text/curs_econometrics.htm

то последнее указывает на “передифференцированность” ряда Zt : этот TS ряд получен в результате дифференцирования некоторого TS ряда.

Совокупность интегрированных рядов различных порядков k = 1, 2, … образует класс разностно стационарных, или DS рядов (DS – difference stationary) . Если некоторый ряд Xt принадлежит этому классу, то мы говорим о нем как о DS ряде.

Пусть ряд Xt – интегрированный порядка k . Подвергнем этот ряд k-кратному дифференцированию. Если в результате получается стационарный ряд типа ARMA(p, q), то говорят,что исходный ряд Xt является рядом типа ARIMA(p, k, q),

или k раз проинтегрированным ARMA(p, q) рядом (ARIMA – autoregressive integrated moving average). Если при этом p = 0 или q = 0, то тогда употребляются и более короткие обозначения:

ARIMA(p, k, 0) = ARI (p, k), ARIMA(0, k, q) = IMA( k, q),

ARIMA(0, k, 0) = ARI (0, k) = IMA( k, 0).

Возвращаясь к только что рассмотренным примерам, получаем:

Xt = α + β t + εt ~ I(0);

Xt = α + Xt–1+ εt ~ I(1), Xt – ряд типа ARIMA(0, 1, 0); Xt = θ0 + θ1 t + θ2 t2 + εt ~ I(0);

Xt = α + βt + γ t2 + εt + 2εt – 1 + 3εt – 2 + … + t ε1 ~ I(2), Xt – ряд типа ARIMA(0, 2, 0).

Первый и третий из этих рядов являются TS рядами, а второй и четвертый – DS рядами.

Используя ту же самую имитацию белого шума, что и в предыдущих примерах, получаем смоделированные реализации для двух первых процессов

www.iet.ru/mipt/2/text/curs_econometrics.htm

Оценим для каждой из этих реализаций модель прямолинейной зависимости:

Полученные при этом детрендированные ряды ведут себя следующим образом:

Поведение первого графика характерно для стационарного ряда, а поведение второго графика – для стохастического тренда. Отметим наличие видимой цикличности с длинным периодом у второго графика. На эту особенность было указано в работах [Chan, Hayya, Ord (1977)] и [Nelson, Kang (1981)]: в результате очистки ряда от детерминированного тренда могут возникать систематические колебания – длиннопериодные циклы, которых не было у исходного ряда (ложная периодичность) и которые могут быть ошибочно истолкованы как проявление некоторого экономического цикла.

В то же время, первые разности реализаций исходных рядов ведут себя следующим образом:

www.iet.ru/mipt/2/text/curs_econometrics.htm

Коррелограммы рядов первых разностей имеют следующий вид.

Для первого ряда (X_TREND_DIF)

Вторая коррелограмма соответствует процессу белого шума. Что касается первой коррелограммы, то наличие единственного значимого пика у автокорреляционной функции говорит в пользу идентификации наблюдаемого ряда

www.iet.ru/mipt/2/text/curs_econometrics.htm

разностей как реализации MA(1) процесса. Подставляя значение r(1) = – 0.449 вместо ρ(1) в формулу ρ(1) = b1/(1 + b12), получаем уравнение – 0.449 = b1/(1 + b12). Это уравнение имеет два решения: –1.6036 и –0.6236. Первое соответствует необратимому, а второе – обратимому MA(1) процессу. Выбирая обратимую версию, получаем в качестве предварительной оценки коэффициента b1 значение –0.6236. Уточнение этой оценки в процессе оценивания модели MA(1), приводит к следующему результату.

Dependent Variable: X_TREND_DIF

Sample(adjusted): 2 100

Included observations: 99 after adjusting endpoints

Convergence achieved after 10 iterations

Backcast: 1

Variable Coefficient Std. Error t-Statistic Prob.

C 0.501429 0.004483 111.8447 0.0000

MA(1) -0.977743 0.015377 -63.58459 0.0000

– при использовании backcasting (процедуры обратного прогноза – см. разд. 3.2) – и

Dependent Variable: X_TREND_DIF

Method: Least Squares

Sample(adjusted): 2 100

Included observations: 99 after adjusting endpoints

Convergence achieved after 18 iterations

Backcast: OFF

Variable Coefficient Std. Error t-Statistic Prob.

C 0.518807 0.007616 68.12224 0.0000

MA(1) -1.062852 0.042816 -24.82378 0.0000

без использования backcasting .

Для обоих вариантов оценивания мы получаем в качестве оценок для коффициента b1 значения, очень близкие к 1, что отражает необратимость MA(1) модели, порождающей ряд. Обратим внимание на то, что в этом случае продифференцированный ряд оказывается автокоррелированным несмотря на то, что исходный ряд представляет собой сумму детерминированного линейного тренда и белого шума. Это явление известно как эффект Слуцкого ([Slutsky (1937)].

Смоделируем теперь реализации двух оставшихся рядов:

Xt = 0.01 t2 + εt , εt ~ N(0, 52),

Yt = 0.04 t2 + εt + 2εt – 1 + 3εt – 2 + … + t ε1 , εt ~ N(0, 0.12):

www.iet.ru/mipt/2/text/curs_econometrics.htm

Оценим для каждой из этих реализаций модель квадратичной зависимости:

(Константа и линейная составляющая статистически незначимы.)

www.iet.ru/mipt/2/text/curs_econometrics.htm