|
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
передифференцированным рядам, имеющим необратимую MA составляющую. (b) Если ряды являются интегрированными порядка 1 и при этом коинтегрированы, то при переходе к продифференцированным рядам теряется информация о долговременной связи между уровнями этих рядов. Дифференцирование рядов оправданно и полезно, если ряды являются интегрированными, но при этом между ними отсутствует коинтеграционная связь. 7.2. Коинтегрированные временные ряды. Модели коррекции ошибок Пусть y t I(1), x t I(0). Строить регрессию y t на x t в этом случае бессмысленно, т.к. для любых a и b в такой ситуации y t – a – b x t
I(1). Пусть, наоборот, y t I(0), x t I(1) . Для любых a и b ≠ 0 здесь опять y t – a – b x t
I(1), и только при b = 0 получаем y t – a – b x t
I(0), так что и в таком сочетании строить регрессию одного ряда на другой не имеет смысла. Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm 16 Пусть теперь yt I(1), xt I(1) – два интегрированных ряда. Если для любого b yt– b xt I(1), то регрессия ytна xt является фиктивной, и мы уже выяснили, как следует действовать в такой ситуации. Обратимся теперь к случаю, когда при некотором b ≠ 0 yt– b xt I(0) – стационарный ряд. Если это так, то ряды ytи xt называют коинтегрированными рядами, а вектор (1, – b)T– коинтегрирующим вектором.Вообще, ряды yt I(1), xt I(1) называют коинтегрированными (в узком смысле – детерминистская коинтеграция), если существует ненулевой (коинтегрирующий) вектор β = ( β1 , β2 ) T≠ 0 , для которого β1 xt + β2 yt I(0) – стационарный ряд. Заметим, что если вектор β = ( β1 , β2 ) Tявляется коинтегрирующим вектором для рядов xt и yt , то тогда коинтегрирующим для этих рядов будет и любой вектор вида сβ = ( сβ1 , сβ2 ) T, где с ≠ 0 – постоянная величина. Чтобы выделить какой-то определенный вектор, приходится вводить условие нормировки, например, рассматривать только векторы вида (1, – b)T(или только векторы (– a, 1)T). Поскольку мы предполагаем сейчас, что xt, yt I(1), то ряды разностей ∆ xt, ∆ ytстационарны. Будем предполагать в дополнение, что стационарен векторный ряд(∆xt, ∆yt)T, так что для него существует разложение Вольда в виде скользящего среднего (∆xt, ∆yt)T= µ + B(L) ε t , где µ = ( µ 1 , µ 2 ) T, µ 1 = E(∆ xt) , µ 2 = E(∆ yt) ; ε t = ( ε1 t , ε2 t ) T – векторный белый шум, т.е. ε 1 , ε 2 , … – последовательность не коррелированных между собой, одинаково распределенных случайных векторов, для которых E( ε t) = (0, 0) T , D( ε1 t) = σ1 2 , D( ε2 t) = σ2 2 , Cov( ε1 t , ε2 t ) = σ12 – постоянные величины; kkkkkkLbbbbLB1 ) ( 22 ) ( 21 ) ( 12 ) ( 11 1 0 0 1 ) ( ∑ ∞ = + = Знаменитый результат Гренджера ([Granger (1983)], см. также [Engle, Granger (1987)]) состоит в том, что в случае коинтегрированности I(1) рядов xt и yt (в узком смысле) (I) В разложении Вольда (∆xt, ∆yt)T= µ + B(L) ε t матрица B(1) имеет ранг 1. (II) Система рядов xt и yt допускает векторное ARMA представление A(L)(xt, yt )T= c + d(L)ε t, в котором ε t – тот же векторный белый шум, что и в (I), c = ( c1 , c2 ) T, c1 и c2 – постоянные, A( L) – матричный полином от оператора запаздывания, d( L) – скалярный полином от оператора запаздывания, причем
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm 17 A (0) = I 2 (единичная матрица размера 2×2), rank A(1) = 1 (ранг 2×2-матрицы A(1) равен 1), значение d(1) конечно. В связи с тем, что в последнем представлении ранг (2×2)-матрицы A(1) меньше двух, об этом представлении часто говорят как о векторной авторегрессии пониженного ранга (reduced rank VAR) В развернутой форме представление (II) имеет вид ( ) ( ) + + + = + + + = − = = − − − = = − − ∑ ∑ ∑ ∑ k t q k k p j j t j j t j t k t q k k p j j t j j t j t y b x a c y y b x a c x , 2 0 1 2 2 2 , 1 0 1 1 1 1 , ε θ ε θ При этом верхние пределы p и q у сумм в правых частях могут быть бесконечными. Если возможно векторное AR представление , то в нем d(L) ≡ 1 , p < ∞ (III) Система рядов x t и y t допускает представление в форме модели коррекции ошибок (error correction model – ECM) ( ) , , 1 0 1 1 1 1 1 1 k t k k j j t j j t j t t y x z x − ∞ = ∞ = − − − ∑ ∑ + ∆ + ∆ + + = ∆ ε θ δ γ α µ ( ) , , 2 0 1 2 2 1 2 2 k t k k j j t j j t j t t y x z y − ∞ = ∞ = − − − ∑ ∑ + ∆ + ∆ + + = ∆ ε θ δ γ α µ где z t = y t – β x t – E(y t – β x t ) – стационарный ряд с нулевым математическим ожиданием, z t I(0), и α 1 2 + α 2 2 > 0. Если в (II) возможно векторное AR(p) представление (p < ∞) , то тогда ECM принимает вид ( ) , , 1 1 1 1 1 1 1 1 t p j j t j j t j t t y x z x ε δ γ α µ + ∆ + ∆ + + = ∆ ∑ − = − − − ( ) , , 2 1 1 2 2 1 2 2 t p j j t j j t j t t y x z y ε δ γ α µ + ∆ + ∆ + + = ∆ ∑ − = − − − Здесь важно отметить следующее: • Если ряды x t , y t I(1) коинтегрированы, то все составляющие в ECM стационарны. • Если векторный ряд (x t , y t ) T I(1) (так что векторный ряд (∆x t , ∆y t ) T стационарен) и порождается ECM моделью, то ряды x t и y t коинтегрированы. (Действительно, в этом случае все составляющие ECM, отличные от z t–1 , стационарны; но тогда стационарна и z t – 1 .)
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm 18 • Если ряды xt, yt I(1) коинтегрированы, то тогда VAR в разностях не может иметь конечный порядок. (В отличие от случая, когда ряды xtи ytне коинтегрированы.) Абсолютную величину zt = yt – α – β xt, где α = E( yt – β xt), можно рассматривать как расстояние, отделяющее систему в момент t от равновесия, задаваемого соотношением yt – α – β xt = 0. Величины и направления изменений xt и ytпринимают во внимание величину и знак предыдущего отклонения от равновесия zt – 1 Ряд zt , конечно, вовсе не обязательно убывает по абсолютной величине при переходе от одного периода времени к другому, но он является стационарным рядом, и поэтому расположен к движению по направлению к своему среднему. Замечание 1 Переменная xt не является причиной по Гренджеру для переменной yt , если неучет прошлых значений переменной xt не приводит к ухудшению качества прогноза значения yt по совокупности прошлых значений этих двух переменных. Переменная yt не является причиной по Гренджеру для переменной xt , если неучет прошлых значений переменной yt не приводит к ухудшению качества прогноза значения xt по совокупности прошлых значений этих двух переменных. (Качество прогноза измеряется среднеквадратичной ошибкой прогноза.) Если xt, yt I(1) и коинтегрированы, то должна иметь место причинность по Гренджеру , по крайней мере, в одном направлении. Этот факт вытекает из представления такой системы рядов в форме ECM, в которой α1 2 + α2 2 > 0. Значение xt – 1 через посредство zt– 1 помогает в прогнозировании значения yt (т.е. переменная xt является причиной по Гренджеру для переменной yt), если α2 ≠ 0. Значение yt – 1 через посредство zt– 1 помогает в прогнозировании значения xt (т.е. переменная yt является причиной по Гренджеру для переменной xt), если α1 ≠ 0. Замечание 2 Пусть xt, yt I(1) коинтегрированы и wt I(0). Тогда для любого k коинтегрированы ряды xt и γ yt – k + wt, γ ≠ 0. Формально, если xt I(1), то коинтегрированы ряды xt и xt – k . (Действительно, тогда xt – xt – k = ∆ xt + ∆ xt – 1 + … + ∆ xt – k – сумма I(0)- переменных, которая также является I(0)-переменной.) Итак, при коинтегрированности рядов xt, yt I(1) мы имеем • модель долговременной (равновесной) связи yt = α + β xt; • модель краткосрочной динамики в форме ECM, и эти модели согласуются друг с другом. Проблема, однако, состоит в том, что для построения ECM по реальным статистическим данным нам надо знать коинтегрирующий вектор (в данном случае, знать значение β). Хорошо, если этот вектор определяется экономической теорией. К сожалению, чаще его приходится оценивать по имеющимся данным. Энгл и Гренджер [Engle, Granger (1987)] рассмотрели двухшаговую процедуру, в которой на первом шаге значения α и β оцениваются в рамках модели регрессии ytна xt yt = α + β xt + utПолучив методом наименьших квадратов оценки α ˆ и β ˆ (НK-оценки), мы тем самым находим оцененные значения отклонений от положения равновесия Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm 19 tzˆ = yt – α ˆ – β ˆ xt– это просто остатки от оцененной регрессии. После этого, на втором шаге, методом наименьших квадратов раздельно (не как система!) оцениваются уравнения ( ) , ˆ 1 1 1 1 1 1 1 tpjjtjjtjttyxzxν δ γ α µ + ∆ + ∆ + + = ∆ ∑ − = − − − ( ) , ˆ 1 1 2 2 1 2 2 tpjjtjjtjttwyxzy+ ∆ + ∆ + + = ∆ ∑ − = − − − δ γ α µ (т.е. предполагается модель VAR( p) для xt, yt). Определяющим в этой процедуре является то обстоятельство, что получаемая на первом шаге оценка β ˆ быстрее обычного приближается (по вероятности) к истинному значению β – второй компоненте коинтегрирующего вектора (1, β) T . ( β ˆ является суперсостоятельной оценкой для β .) Это, в конечном счете, приводит к тому, что оценки в отдельном уравнении ECM, использующие оцененные значения 1 − tz , имеют то же самое асимптотическое распределение, что и оценка максимального правдоподобия, использующая истинные значения 1 − tz . (Обычно это асимптотически нормальное распределение.) При этом НК-оценки стандартных ошибок всех коэффициентов являются состоятельными оценками истинных стандартных ошибок. Заметим, что последние результаты справедливы несмотря на то, что ряд оцененных значений tzˆ формально не является стационарным, поскольку β ˆ ≠ β. Отметим также, что если мы хотим использовать другую нормировку коинтегрирующего вектора в виде ( β, 1) T , то нам придется оценивать регрессию xt на константу и yt , и это приведет к вектору, не пропорциональному вектору, оцененному в первом случае. Замечание Тот факт, что β ˆ быстрее обычного сходится (по вероятности) к β , вовсе не означает,что мы можем пользоваться на первом шаге процедуры Энгла – Гренджера обычными регрессионными критериями. Дело в том, что получаемые на первом шаге оценки и статистики, вообще говоря, имеют нестандартные асимптотические распределения. Однако первый шаг является в данном контексте вспомогательным, и на этом шаге нет необходимости обращать внимание на сообщаемые в протоколах соответствующих пакетов программ значения статистик. Напротив, на втором шаге мы можем использовать обычные статистические процедуры (разумеется, если количество наблюдений не мало и если коинтеграция имеется). Пример Расмотрим реализацию процесса порождения данных |
|
|