Главная страница
Навигация по странице:

  • 7.2. Коинтегрированные временные ряды. Модели коррекции ошибок Пусть y


  • ( L ) ε t

  • 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
    страница22 из 30
    1   ...   18   19   20   21   22   23   24   25   ...   30

    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
    y
    t
    I(1), x
    t
    I(1)
    – два интегрированных ряда.
    Если для любого b
    y
    t
    b x
    t

    I(1), то регрессия y
    t
    на x
    t
    является фиктивной, и мы уже выяснили, как следует действовать в такой ситуации.
    Обратимся теперь к случаю, когда при некотором b ≠ 0
    y
    t
    b x
    t

    I(0) – стационарный ряд.
    Если это так, то ряды y
    t
    и x
    t
    называют
    коинтегрированными
    рядами, а вектор
    (1,

    b)
    T

    коинтегрирующим вектором
    .
    Вообще, ряды
    y
    t
    I(1), x
    t
    I(1)
    называют
    коинтегрированными (в узком смысле –
    детерминистская коинтеграция)
    , если существует ненулевой
    (коинтегрирующий)
    вектор β = (β
    1
    , β
    2
    )
    T
    ≠ 0 , для которого
    β
    1
    x
    t
    +
    β
    2
    y
    t

    I(0) –
    стационарный
    ряд.
    Заметим, что если вектор β = (β
    1
    , β
    2
    )
    T
    является коинтегрирующим вектором для рядов
    x
    t
    и y
    t
    , то тогда коинтегрирующим для этих рядов будет и любой вектор вида сβ =
    (сβ
    1
    , сβ
    2
    )
    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
    x
    t
    , y
    t
    I(1)
    , то ряды разностей ∆x
    t
    , ∆y
    t
    стационарны. Будем предполагать в дополнение, что
    стационарен векторный ряд
    (∆x
    t
    , ∆y
    t
    )
    T
    , так что для него существует
    разложение Вольда
    в виде скользящего среднего
    (∆x
    t
    , ∆y
    t
    )
    T
    = µ + B(L) ε
    t
    , где
    µ =
    (µ
    1
    , µ
    2
    )
    T
    , µ
    1
    = E(∆x
    t
    ) , µ
    2
    = E(∆y
    t
    ) ;
    ε
    t
    =
    (ε
    1t
    , ε
    2t
    )
    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(ε
    1t
    ) = σ
    1 2
    , D(ε
    2t
    ) = σ
    2 2
    , Cov(ε
    1t
    , ε
    2t
    )
    =
    σ
    12
    – постоянные величины;
    k
    k
    k
    k
    k
    k
    L
    b
    b
    b
    b
    L
    B
    1
    )
    (
    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 x
    t
    и y
    t
    (в узком смысле)
    (I)
    В разложении Вольда
    (∆x
    t
    , ∆y
    t
    )
    T
    = µ + B(L) ε
    t матрица B(1) имеет ранг 1.
    (II)
    Система рядов x
    t
    и y
    t
    допускает
    векторное ARMA представление
    A(L)
    (x
    t
    , y
    t
    )
    T
    = c + d(L)ε
    t
    , в котором
    ε
    t
    – тот же векторный белый шум, что и в (I),
    c =
    (c
    1
    , c
    2
    )
    T
    , c
    1
    и c
    2
    – 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 x
    t
    , y
    t
    I(1) коинтегрированы, то тогда VAR в разностях не может иметь конечный порядок. (В отличие от случая, когда ряды x
    t
    и y
    t
    не коинтегрированы.)
    Абсолютную величину z
    t
    = y
    t
    – α – β x
    t
    , где α = E(y
    t
    – β x
    t
    ), можно рассматривать как расстояние, отделяющее систему в момент t от
    равновесия
    , задаваемого соотношением
    y
    t
    – α – β x
    t
    = 0
    . Величины и направления изменений x
    t
    и y
    t
    принимают во внимание величину и знак предыдущего отклонения от равновесия z
    t – 1
    Ряд z
    t
    ,
    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 x
    t
    не является причиной по Гренджеру для переменной y
    t
    , если неучет прошлых значений переменной x
    t
    не приводит к ухудшению качества прогноза значения y
    t
    по совокупности прошлых значений этих двух переменных. Переменная y
    t
    не является причиной по Гренджеру для переменной x
    t
    , если неучет прошлых значений переменной y
    t
    не приводит к ухудшению качества прогноза значения x
    t
    по совокупности прошлых значений этих двух переменных. (Качество прогноза измеряется среднеквадратичной ошибкой прогноза.)
    Если x
    t
    , y
    t
    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 α
    1 2
    +
    α
    2 2
    > 0. Значение x
    t
    1 через посредство z
    t– 1 помогает в прогнозировании значения y
    t
    (т.е. переменная x
    t
    является причиной по Гренджеру для переменной y
    t
    ), если
    α
    2
    ≠ 0. Значение y
    t – 1 через посредство z
    t– 1 помогает в прогнозировании значения x
    t
    (т.е. переменная y
    t
    является причиной по Гренджеру для переменной x
    t
    ), если
    α
    1
    ≠ 0.
    Замечание 2
    Пусть x
    t
    , y
    t
    I(1) коинтегрированы и w
    t
    I(0). Тогда для любого k коинтегрированы ряды x
    t
    и γ y
    tk
    + w
    t
    , γ ≠ 0. Формально, если x
    t
    I(1), то коинтегрированы ряды x
    t
    и x
    tk
    . (Действительно, тогда x
    t
    x
    tk
    = x
    t
    + ∆x
    t – 1
    + … + ∆x
    tk
    сумма I(0)- переменных, которая также является I(0)-переменной.)
    Итак, при коинтегрированности рядов x
    t
    , y
    t
    I(1) мы имеем
    • модель долговременной (равновесной) связи y
    t
    = α + β x
    t
    ;
    • 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 y
    t
    на x
    t
    y
    t
    = α + β x
    t
    + u
    t
    Получив 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
    t
    zˆ
    =
    y
    t

    α
    ˆ

    β
    ˆ
    x
    t
    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
    t
    p
    j
    j
    t
    j
    j
    t
    j
    t
    t
    y
    x
    z
    x
    ν
    δ
    γ
    α
    µ
    +

    +

    +
    +
    =



    =



    (
    )
    ,
    ˆ
    1 1
    2 2
    1 2
    2
    t
    p
    j
    j
    t
    j
    j
    t
    j
    t
    t
    w
    y
    x
    z
    y
    +

    +

    +
    +
    =



    =



    δ
    γ
    α
    µ
    (т.е. предполагается модель VAR(p) для x
    t
    , y
    t
    ).
    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

    t
    z , имеют то же самое асимптотическое распределение, что и оценка максимального правдоподобия, использующая истинные значения
    1

    t
    z . (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
    t
    zˆ
    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 x
    t
    на константу и y
    t
    , 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
    1   ...   18   19   20   21   22   23   24   25   ...   30


    написать администратору сайта