Главная страница
Навигация по странице:

  • ) с конечным числом запаздываний в правой части заменяется бесконечным представлением ( )

  • ) конечным числом запаздывающих разностей. 6.4. Краткий обзор критериев Дики – Фуллера

  • Эконометрика Введение в регрессионный анализ временных рядо - Носко В.П.. Эконометрика Введение в регрессионный анализ временных рядо - Но. В. П. Носко Эконометрика Введение в регрессионный анализ временных рядов


    Скачать 3.08 Mb.
    НазваниеВ. П. Носко Эконометрика Введение в регрессионный анализ временных рядов
    АнкорЭконометрика Введение в регрессионный анализ временных рядо - Носко В.П..pdf
    Дата29.05.2018
    Размер3.08 Mb.
    Формат файлаpdf
    Имя файлаЭконометрика Введение в регрессионный анализ временных рядо - Но.pdf
    ТипДокументы
    #19771
    КатегорияЭкономика. Финансы
    страница16 из 30
    1   ...   12   13   14   15   16   17   18   19   ...   30

    (#)
    x
    t
    = α + β
    t + ρ x
    t–1
    + (θ
    1
    x
    t–1
    + …+ θ
    p–1
    x
    t p+1
    ) + ε
    t
    , где
    ρ = a
    1
    + a
    2
    + … + a
    p
    , θ
    j
    = – (a
    j + 1
    + … + a
    p
    ) .
    (В примере с GNP такое преобразование дает
    x
    t
    = 55.017 + 1.304 t + 1.380 X
    t–1
    – 0.630X
    t–1
    + 0.630X
    t–1
    – 0.630X
    t–2
    + ε
    t
    =
    = 55.017 + 1.304 t + 0.750 X
    t–1
    + 0.630 ∆X
    t–1
    + ε
    t
    .)
    Если исходить из того, что уравнение a(z) = 0 может иметь только один корень z = 1, а остальные p – 1 корней лежат за пределами единичного круга, то тогда наличие единичного корня равносильно тому, что a
    1
    + a
    2
    + …+ a
    p
    = 1, т.е. ρ = 1. (См., например, [Hamilton (1994)].) Таким образом, гипотеза существования единичного корня у процесса AR(p) сводится в этом случае к гипотезе H
    0
    : ρ = 1 в преобразованном соотношении
    (#)
    . Для проверки этой гипотезы можно пользоваться теми же таблицами Фуллера, только на этот раз используются значения статистики
    T(
    ρ
    ˆ – 1)
    и t-отношения для проверки гипотезы ρ = 1, полученные при оценивании
    расширенной (augmented)
    статистической модели
    (#) (
    с β и α , равными или не равными нулю). Соответствующие “t-статистики” обозначают обычно
    ADF (augmented
    Dickey – Fuller)
    , в отличие от статистики
    DF
    , получаемой для модели AR(1).
    Для того, чтобы не вычислять самим каждый раз значение t-статистики для гипотезы ρ
    = 1, можно преобразовать
    (#)
    к виду
    (
    # #)
    x
    t
    = α + β
    t + φ x
    t–1
    + (θ
    1
    x
    t–1
    + …+ θ
    p-1
    x
    t p+1
    ) + ε
    t
    , где φ = ρ – 1, так что гипотеза H
    0
    : ρ = 1 в
    (#)
    равносильна гипотезе H
    0
    : φ = 0 в (
    # #)
    В качестве альтернативной к H
    0
    : ρ = 1 в
    (#)
    выступает гипотеза H
    A
    : ρ < 1. При переходе от
    (#)
    к (
    # #))
    она преобразуется в гипотезу H
    A
    : φ < 0 .
    При этом, значение “t-статистики” для проверки гипотезы H
    0
    : ρ = 1 в
    (#)
    численно равно значению “t-статистики” для проверки гипотезы H
    0
    : φ = 0 в (
    # #)
    Пример
    Для ряда GNP оценивание модели
    x
    t
    = α + β
    t + φ x
    t–1
    + θ
    1
    x
    t–1
    + ε
    t
    (обычным методом наименьших квадратов) приводит к следующему результату:

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    13
    ADF Test Statistic -4.117782 1% Critical Value* -4.1219 5% Critical Value
    -3.4875 10% Critical Value
    -3.1718
    *MacKinnon critical values for rejection of hypothesis of a unit root.
    Augmented Dickey-Fuller Test Equation
    Dependent Variable: D(X)
    Variable
    Coefficient Std. Error t-Statistic
    Prob.
    X(-1) -0.249792 0.060662
    -4.117782 0.0001
    D(X(-1)) 0.630066 0.109453 5.756490 0.0000
    C 56.32136 13.18303 4.272264 0.0001
    @TREND(1947:1) 1.304300 0.315357 4.135949 0.0001
    Гипотеза единичного корня отвергается: значение t-статистики для проверки гипотезы
    H
    0
    : φ = 0 оказывается ниже 5% критического значения, вычисленного по формуле
    Маккиннона, и близко к 1% критическому значению.
    В связи с последним примером, следует особо отметить, что использование расширенной модели предполагает, что количество запаздывающих разностей, включенных в правую часть, исчерпывает временную зависимость, так что ε
    t
    – независимые случайные величины. В то же время, не следует включать в правую часть излишних запаздывающих разностей, т.к. это снижает мощность критериев как по причине оценивания дополнительных параметров, так и по причине уменьшения используемого количества наблюдений.
    Для определения надлежащей глубины запаздываний следует начинать с относительно большого порядка
    *
    p
    p
    =
    , а затем опираться на то обстоятельство, что хотя при наличии единичного корня распределения оценки
    ϕ
    ˆ
    и t-статистики для проверки гипотезы φ = 0 нестандартны, распределения оценок коэффициентов θ
    1
    , … , θ
    p–1 все же являются асимптотически нормальными. Поэтому можно сначала проверить гипотезу о том, что
    1
    *

    p
    θ
    = 0, используя обычную t-статистику и критические точки соответствующего t-распределения Стьюдента. Если эта гипотеза не отклоняется, то далее проверяем гипотезу θ
    p*
    – 1
    = θ
    p*– 2
    = 0, используя F-критерий и процентные точки
    F-распределения Фишера, и.т.д. После этого производится обычная диагностика адекватности подобранной модели.
    Пример
    Продолжим предыдущий пример. Если взять первоначально p*
    = 5, то получаем:
    ADF Test Statistic -2.873575 1% Critical Value* -4.1314 5% Critical Value
    -3.4919 10% Critical Value
    -3.1744
    *MacKinnon critical values for rejection of hypothesis of a unit root.
    Augmented Dickey-Fuller Test Equation
    Dependent Variable: D(X)
    Variable
    Coefficient Std. Error t-Statistic
    Prob.
    X(-1) -0.266169 0.092626
    -2.873575 0.0060
    D(X(-1)) 0.546230 0.133521 4.090958 0.0002
    D(X(-2)) 0.183918 0.149711 1.228486 0.2253
    D(X(-3)) -0.020254 0.152201
    -0.133077 0.8947

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    14
    D(X(-4)) -0.058683 0.148061
    -0.396345 0.6936
    C 59.45556 19.32396 3.076779 0.0035
    @TREND(1947:1) 1.397409 0.482120 2.898469 0.0056
    Поскольку здесь t = –2.873575 > –3.1744, то гипотеза единичного корня не отвергается даже при выборе 10% уровня значимости. В то же время, статистически незначимыми оказываются коэффициенты при трех последних запаздывающих разностях. P-значение
    F-статистики критерия для гипотезы о занулении этих трех коэффициентов равно 0.44.
    Поэтому можно обойтись без трех последних запаздывающих разностей, а такую модель мы только что оценивали, и в ней гипотеза единичного корня была отвергнута.
    Критерии Дики - Фуллера фактически предполагают, что наблюдаемый ряд описывается моделью авторегрессии конечного порядка (возможно, с поправкой на детерминированный тренд). Как поступать в случае, когда ряд x
    t
    имеет тип ARMA(p,
    q) с q > 0 ?
    Пусть x
    t

    ARMA(p, q) , так что a(L) x
    t
    = b(L) ε
    t
    , где a(L), b(L) – полиномы порядков p и q, и пусть оператор b(L) обратим, так что процесс можно представить в виде процесса авторегрессии бесконечного порядка
    c(L) x
    t
    = ε
    t
    , где
    c(L) x
    t
    = a(L)⁄ b(L) = 1 + с
    1
    L + с
    2
    L
    2
    + … .
    В этом случае представление (
    # #)
    с конечным числом запаздываний в правой части заменяется бесконечным представлением
    (
    # # #)
    x
    t
    = α + β
    t + φ x
    t – 1
    + (θ
    1
    x
    t – 1
    + θ
    2
    x
    t – 2
    + … ) + ε
    t
    Однако все коэффициенты последнего невозможно оценить по конечному количеству наблюдений. Как выйти из этого положения?
    В работе [Said, Dickey (1984)] было показано, что процесс ARIMA(p, 1, q) с неизвестными p и q можно достаточно хорошо аппроксимировать некоторым процессом ARI(p
    *
    , 1) с p
    *
    <
    3
    T .
    Это дает возможность ограничиться в правой части
    (
    # # #)
    конечным числом запаздывающих разностей.
    6.4. Краткий обзор критериев Дики – Фуллера
    Под критерием Дики – Фуллера в действительности понимается группа критериев, объединенных одной идеей, предложенных и изученных в работах [Dickey (1976)],
    [Fuller (1976)], [Dickey, Fuller (1979)], [Dickey, Fuller (1981)]. В критериях Дики –
    Фуллера проверяемой (нулевой) является гипотеза о том, что исследуемый ряд x
    t
    принадлежит классу DS (DS-гипотеза); альтернативная гипотеза – исследуемый ряд принадлежит классу TS (TS-гипотеза). Критерий Дики – Фуллера фактически предполагает, что наблюдаемый ряд описывается моделью авторегрессии первого порядка (возможно, с поправкой на линейный тренд). Критические значения зависят от того, какая статистическая модель оценивается и какая вероятностная модель в действительности порождает наблюдаемые значения. При этом рассматриваются следующие три пары моделей (SM – статистическая модель, statistical model; DGP – модель порождения данных, data generating process).
    1) Если ряд
    t
    x имеет детерминированный линейный тренд (наряду с которым может иметь место и стохастический тренд), то в такой ситуации берется пара
    SM:
    ,
    ,
    ,
    2
    ,
    1
    T
    t
    t
    x
    x
    t
    t
    t

    =
    +
    +
    +
    =


    ε
    β
    α
    ϕ

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    15
    DGP: .
    0
    ,
    ,
    ,
    2
    ,


    =
    +
    =

    α
    ε
    α
    T
    t
    x
    t
    t
    В обоих случаях ε
    t
    независимые случайные величины, имеющие одинаковое нормальное распределение с нулевым математическим ожиданием. .
    Методом наименьших квадратов оцениваются параметры данной SM и вычисляется значение обычной t-статистики t
    ϕ
    для проверки гипотезы H
    0
    :
    ϕ
    = 0. Полученное значение сравнивается с критическим уровнем t
    crit
    , рассчитанным в предположении, что наблюдаемый ряд в действительности порождается данной моделью DGP
    (случайное блуждание со сносом). DS-гипотеза отвергается, если t
    ϕ
    < t
    crit
    . Критические уровни, соответствующие выбранным уровням значимости, можно взять из таблиц, приведенных в книгах [Fuller (1976)], [Fuller (1996)], если ряд наблюдается на интервалах длины T = 25, 50, 100, 250, 500. Если количество наблюдений T другое, то тогда можно вычислить приближенные критические значения, используя формулы, приведенные в работе [MacKinnon (1991)].
    2) Если ряд x
    t
    не имеет детерминированного тренда (но может иметь стохастический тренд) и имеет ненулевое математическое ожидание, то берется пара
    SM:
    ,
    ,
    ,
    2
    ,
    1
    T
    t
    x
    x
    t
    t
    t

    =
    +
    +
    =


    ε
    α
    ϕ
    DGP:
    ,
    ,
    2
    ,
    T
    t
    x
    t
    t

    =
    =

    ε
    Методом наименьших квадратов оцениваются параметры данной SM и вычисляется значение t-статистики t
    ϕ
    для проверки гипотезы H
    0
    :
    ϕ
    = 0. Полученное значение сравнивается с критическим уровнем t
    crit
    , рассчитанным в предположении, что наблюдаемый ряд в действительности порождается данной моделью DGP (случайное блуждание без сноса). DS-гипотеза отвергается, если t
    ϕ
    < t
    crit
    . Критические уровни, соответствующие выбранным уровням значимости, можно взять из таблиц, приведенных в книгax [Fuller (1976)], [Fuller (1996)], если ряд наблюдается на интервалах длины T = 25, 50, 100, 250, 500. Если количество наблюдений T другое, то тогда можно вычислить приближенные критические значения, используя формулы, приведенные в работе [MacKinnon (1991)].
    3) Наконец, если ряд x
    t
    не имеет детерминированного тренда (но может иметь стохастический тренд) и имеет нулевое математическое ожидание, то берется пара
    SM:
    ,
    ,
    ,
    2
    ,
    1
    T
    t
    x
    x
    t
    t
    t

    =
    +
    =


    ε
    ϕ
    DGP:
    ,
    ,
    2
    ,
    T
    t
    x
    t
    t

    =
    =

    ε
    Методом наименьших квадратов оцениваются параметры данной SM и вычисляется значение t-статистики t
    ϕ
    для проверки гипотезы H
    0
    :
    ϕ
    = 0. Полученное значение сравнивается с критическим уровнем t
    crit
    , рассчитанным в предположении, что наблюдаемый ряд в действительности порождается данной моделью DGP (случайное блуждание без сноса). DS-гипотеза отвергается, если t
    ϕ
    < t
    crit
    . Критические уровни, соответствующие выбранным уровням значимости, можно взять из таблиц, приведенных в книгах [Fuller (1976)], [Fuller (1996)], если ряд наблюдается на интервалах длины T = 25, 50, 100, 250, 500. Если количество наблюдений T другое, то тогда можно вычислить приближенные критические значения, используя формулы, приведенные в работе [MacKinnon (1991)].
    Неправильный выбор оцениваемой статистической модели может существенно отразиться на мощности критерия Дики – Фуллера. Например, если наблюдаемый ряд порождается моделью случайного блуждания со сносом, а статистические выводы производятся на основании результатов оценивания статистической модели без включения в ее правую часть трендовой составляющей, то тогда мощность критерия, основанная на статистике t
    ϕ
    , стремится к нулю с возрастанием количества наблюдений

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    16
    (см. [Perron (1988)]). С другой стороны, оцениваемая статистическая модель не должна быть и избыточной, поскольку это также ведет к уменьшению мощности критерия.
    Формализованная процедура использования критериев Дики – Фуллера с последовательной проверкой возможности редукции статистической модели приведена в работе [Dolado, Jenkinson, Sosvilla – Rivero (1990)]; см. также [Enders (1995)]. Эта процедура будет рассмотрена ниже в разделе 6.6.
    Если наблюдаемый ряд описывается моделью авторегрессии a(L) x
    t
    = ε
    t
    более высокого (но конечного) порядка p , уравнение a(z) = 0 имеет не более одного единичного корня и не имеет корней внутри единичного круга, то тогда можно воспользоваться расширенным (augmented) критерием Дики – Фуллера. В каждой из трех рассмотренных выше ситуаций достаточно дополнить правые части оцениваемых статистических моделей запаздывающими разностями
    x
    t
    j
    , j = 1, …, p
    − 1, так что оцениваются расширенные статистические модели
    (1) SM:
    ,
    ,
    ,
    1
    ,
    1 1
    1
    T
    p
    t
    x
    x
    t
    x
    t
    p
    j
    j
    t
    j
    t
    t

    +
    =
    +

    +
    +
    +
    =



    =


    ε
    θ
    ϕ
    β
    α
    (2) SM:
    ,
    ,
    ,
    1
    ,
    1 1
    1
    T
    p
    t
    x
    x
    x
    t
    p
    j
    j
    t
    j
    t
    t

    +
    =
    +

    +
    +
    =



    =


    ε
    θ
    ϕ
    α
    (3) SM:
    ,
    ,
    1
    ,
    1 1
    1
    T
    p
    t
    x
    x
    x
    t
    p
    j
    j
    t
    j
    t
    t

    +
    =
    +

    +
    =



    =


    ε
    θ
    ϕ
    Полученные при оценивании расширенных статистических моделей значения t- статистик t
    ϕ
    для проверки гипотезы H
    0
    :
    ϕ
    = 0 сравниваются с теми же критическими значениями t
    crit
    , что и для нерасширенных моделей. DS-гипотеза отвергается, если t
    ϕ
    <
    t
    crit
    Расширенный критерий Дики – Фуллера может применяться и тогда, когда ряд x
    t описывается смешанной моделью авторегрессии – скользящего среднего. Как было указано в работе [Said, Dickey (1984)], если ряд наблюдений x
    1
    ,…, x
    T
    порождается моделью ARIMA(p, 1, q) c q > 0, то его можно аппроксимировать моделью ARI(p
    *
    , 1) =
    ARIMA(p
    *
    , 1, 0) с p
    *
    <
    3
    T
    и применять процедуру Дики – Фуллера к этой модели.
    Однако даже если ряд наблюдений x
    1
    ,…, x
    T
    действительно порождается моделью авторегрессии AR(p) конечного порядка p, то значение p обычно не известно, и его приходится оценивать на основании имеющихся наблюдений, а такое предварительное оценивание влияет на характеристики критерия. Поэтому при анализе данных приходится сначала выбирать значение p=p
    max достаточно большим, так чтобы оно было не меньше истинного порядка p
    0
    авторегрессионной модели, описывающей ряд, или порядка р
    *
    аппроксимирующей авторегрессионной модели, а затем пытаться понизить используемое значение р, апеллируя к наблюдениям.
    Такое понижение может осуществляться, например, путем последовательной редукции расширенной модели за счет исключения из нее незначимых (на 10% уровне) запаздывающих разностей (GS-стратегия перехода от общего к частному) или путем сравнения (оцененных) полной и редуцированных моделей с различными р
    p
    max по информационному критерию Шварца (SIC). В работах [Hall (1994)] и [Ng, Perron
    (1995)] показано, что если p
    max
    p
    0
    , то тогда в пределе (при Т
    → ∞) SIC выбирает правильный порядок модели, а стратегия GS выбирает модель с р
    р
    0
    ; при этом факт определения порядка модели на основании имеющихся данных не влияет на асимптотическое распределение статистики Дики -– Фуллера. Таблицы критических

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    17
    значений для конечных значений T , учитывающие порядок модели, приведены в работе [Cheung, Lay (1995)].
    При практической реализации указанных двух подходов (GS и SIC), когда мы имеем лишь ограниченное количество наблюдений, эти две процедуры могут приводить к совершенно различным выводам относительно необходимого количества запаздываний в правой части статистической модели, оцениваемой в рамках расширенного критерия
    Дики – Фуллера. Так, при анализе динамики валового внутреннего продукта (GDP)
    США по годовым данным на периоде с 1870 по 1994 гг. (см. [Murray, Nelson (2000)]), выбрав p
    max
    = 8, авторы получили при использовании GS-стратегии значение р = 6, тогда как по SIC было выбрано значение р = 1. В подобных конфликтных ситуациях можно для контроля ориентироваться также на достижение некоррелированности по
    LM-критерию остатков от оцененной модели (см. [Holden, Perman (1994)]). Заметим, однако, что в недавней статье [Taylor (2000)] автор приходит в выводам, отличающимся от выводов Ng и Perron: при конечных выборках расширенные критерии Дики – Фуллера очень чувствительны и к форме детерминистских переменных и к принятой структуре запаздываний. Это, в свою очередь, ведет к отклонениям от номинальных уровней значимости критериев Дики – Фуллера.
    1   ...   12   13   14   15   16   17   18   19   ...   30


    написать администратору сайта