Главная страница
Навигация по странице:

  • 4.1. Асимптотическая обоснованность стандартных процедур

  • (теорема Манна

  • 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
    страница7 из 30
    1   2   3   4   5   6   7   8   9   10   ...   30

    Глава 4. Регрессионный анализ для стационарных
    объясняющих переменных
    Прежде, чем переходить к изложению материала этой главы, заметим, что в этой главе мы не будем различать в обозначениях случайные величины и их наблюдаемые значения – в обоих случаях будут использоваться строчные буквы.
    4.1. Асимптотическая обоснованность стандартных процедур
    В главе 1
    мы уже отмечали, что рассмотренные там случаи, в которых можно использовать стандартные процедуры регрессионного анализа несмотря на то, что объясняющие переменные являются стохастическими (ситуации A, A΄, B, C), не охватывают наиболее интересных для нас моделей стационарных и нестационарных временных рядов. Это замечание относится и к широко используемым на практике моделям авторегрессии, в том числе и стационарным.
    Рассмотрим модель авторегрессии AR(p)
    y
    t
    = α + a
    1
    y
    t – 1
    + a
    2
    y
    t – 2
    + … + a
    p
    y
    tp
    + ε
    t
    , где ε
    t
    – инновации, образующие процесс белого шума с D(ε
    t
    ) =
    σ
    ε
    2
    . Эту модель можно представить в виде линейной модели регрессии
    y
    t
    = x
    t
    T
    θ + ε
    t
    , где
    x
    t
    = (1, y
    t – 1
    , y
    t – 2
    , … , y
    tp
    )
    T
    , θ = (α , a
    1
    , a
    2
    , … , a
    p
    )
    T
    Но мы не можем использовать для нее результаты, полученные в ситуациях A и
    B. Хотя ε
    s
    и x
    t
    статистически независимы при s t , они оказываются зависимыми уже при s = t – 1, поскольку ε
    t – 1 участвует в формировании случайной величины y
    t – 1
    , входящей в состав x
    t
    . Это нарушает условие, входящее в определения ситуаций A и B.
    Мы не можем также использовать и результаты, полученные в ситуациях A΄ и C.
    Там требовалось, чтобы условное распределение вектора ε при фиксированной матрице X имело вид N(0,
    σ
    2
    V ) с положительно определенной (невырожденной) матрицей V (в ситуации A΄ это единичная матрица). Однако при фиксированных значениях x
    t + 1
    = (1, y
    t
    , y
    t – 1
    , … , y
    t p + 1
    )
    T
    и x
    t значение ε
    t
    известно с полной определенностью.
    Тем не менее, если AR(p) модель стационарна, то положение вполне благополучно:
    Ситуация D
    • процесс y
    t
    порождается моделью
    y
    t
    = α + a
    1
    y
    t – 1
    + a
    2
    y
    t – 2
    + … + a
    p
    y
    t – p
    + ε
    t
    (ε
    t
    инновации);

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    2
    • все корни полинома 1 – a
    1
    z – a
    2
    z
    2
    – a
    p
    z
    p
    = 0 лежат за пределами единичного круга;

    ε
    t

    i.i.d., E(
    ε
    t
    ) = 0, D(
    ε
    t
    ) = σ
    2
    > 0, E(
    ε
    t
    4
    ) = µ
    4
    < ∞ .
    При выполнении перечисленных условий, для оценки наименьших квадратов
    n
    θ
    ˆ
    вектора коэффициентов
    θ
    = (
    α
    ,
    a
    1
    ,
    a
    2
    , … ,
    a
    p
    ), полученной по
    n
    наблюдениям, выполняется соотношение
    n
    1/2
    (
    n
    θ
    ˆ

    θ
    ) →
    N
    (0,
    σ
    2
    Q
    – 1
    ) , где
    Q
    положительно определенная матрица, элементы которой выражаются в явной форме через математическое ожидание и автокорреляции процесса
    y
    t
    Ковариационная матрица
    σ
    2
    Q
    –1 асимптотического распределения может быть оценена состоятельно посредством
    S
    n
    2
    (
    X
    n
    T
    X
    n

    n
    )
    –1
    , и это означает, что асимптотически обоснованны статистические процедуры, трактующие распределение
    n
    θ
    ˆ как
    N
    (
    θ
    ,
    S
    n
    2
    (
    X
    n
    T
    X
    n
    )
    – 1
    ). (Здесь
    X
    n

    матрица значений объясняющих переменных в
    n
    наблюдениях.)
    Иными словами, и в рассматриваемой ситуации можно пользоваться стандартными методами регрессионного анализа, имея в виду их асимптотическую обоснованность.
    Если перейти к процессам, стационарным относительно детерминированного тренда, то следует отметить возникающую здесь особенность, связанную со сходимостью распределения оценок наименьших квадратов к асимптотическому распределению. Мы поясним эту особенность на следующем примере.
    Пусть ряд
    y
    t
    порождается простой моделью временного тренда
    y
    t
    = α
    +
    β t
    +
    ε
    t
    , где
    ε
    t

    i.i.d.
    ,
    E
    (
    ε
    t
    ) = 0,
    D
    (
    ε
    t
    ) =
    σ
    2
    > 0,
    E
    (
    ε
    t
    4
    ) =
    µ
    4
    < ∞ . Если и здесь записать модель в стандартной форме
    y
    t
    = x
    t
    T
    θ
    +
    ε
    t
    ,
    x
    t
    = (1,
    t
    )
    T
    ,
    θ
    = (
    α
    ,
    β
    ), то чтобы получить невырожденное асимптотическое распределение оценки наименьших квадратов
    n
    θ
    ˆ = (
    n
    α
    ˆ ,
    n
    β
    ˆ ),
    приходится использовать различные нормирующие множители: (
    n
    α
    ˆ –
    n
    α
    ) умножается на
    T
    1/2
    , а (
    n
    β
    ˆ –
    n
    β
    )
    умножается на
    T
    3/2
    Однако это различие компенсируется тем, что аналогичным образом ведут себя и стандартные ошибки для
    n
    α
    ˆ
    и
    n
    β
    ˆ . Как результат, обычные
    t-
    статистики имеют асимптотическое
    N
    (0, 1) распределение. Иными словами, можно использовать стандартную технику регрессионного анализа, имея в виду ее асимптотическую обоснованность.
    Те же самые принципы можно использовать и для исследования процесса авторегрессии произвольного порядка, стационарного относительно детерминированного временного тренда.
    Cитуация E
    • процесс
    y
    t
    порождается моделью
    y
    t
    = α
    +
    β t
    +
    a
    1
    y
    t – 1
    +
    a
    2
    y
    t – 2
    + … +
    a
    p
    y
    t p
    +
    ε
    t
    (
    ε
    t

    инновации);

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    3
    • все корни полинома 1
    – a
    1
    z – a
    2
    z
    2


    – a
    p
    z
    p
    = 0 лежат за пределами единичного круга;

    ε
    t

    i.i.d.
    ,
    E
    (
    ε
    t
    ) = 0,
    D
    (
    ε
    t
    ) =
    σ
    2
    > 0,
    E
    (
    ε
    t
    4
    ) =
    µ
    4
    < ∞ .
    При выполнении этих предположений обычные
    t-
    статистики и статистики
    qF
    (где
    q –
    количество линейных ограничений на коэффициенты, а
    F –
    обычная
    F-
    статистика критерия для проверки выполнения этих ограничений) имеют асимптотические
    N
    (0, 1) и
    χ
    2
    (
    q
    ) распределения. Можно использовать стандартную технику регрессионного анализа, имея в виду ее асимптотическую обоснованность.
    Если не ограничиваться процессами авторегрессии, но оставаться в классе стационарных моделей, то и в этом случае все еще можно надеяться на возможность использования стандартной техники регрессионного анализа, опять имея в виду ее асимптотическую обоснованность.
    Рассмотрим линейную модель
    y = X
    θ
    +
    ε
    ,
    X =
    X
    n
    , или, в эквивалентной форме,
    y
    t
    = x
    t
    T
    θ
    +
    ε
    t
    ,
    t
    = 1, 2, …,
    n
    , где
    x
    t
    = (
    x
    t1
    ,
    x
    t2
    ,

    ,
    x
    tp
    )
    T

    вектор значений
    p
    объясняющих переменных в
    t-
    м наблюдении, и пусть
    n
    θ
    ˆ

    оценка наименьших квадратов вектора коэффициентов
    θ
    = (
    θ
    1
    ,
    θ
    2
    , … ,
    θ
    p
    )
    T
    , полученная по
    n
    наблюдениям. Известно (см., например, [Green (1997)]), что следующие три условия обеспечивают состоятельность и асимптотическую нормальность
    n
    θ
    ˆ при
    n → ∞
    :

    0 1
    plim
    1
    =







    =
    t
    n
    t
    t
    x
    n
    ε
    [в эквивалентной форме: plim (
    n
    – 1
    X
    n
    T
    ε
    ) = 0];

    Q
    x
    x
    n
    T
    t
    n
    t
    t
    =







    =1 1
    plim
    [в эквивалентной форме:
    (
    )
    Q
    X
    X
    n
    T
    n
    =
    −1
    plim
    ] , где
    Q –
    положительно определенная матрица;

    (
    )
    Q
    N
    x
    n
    t
    n
    t
    t
    2 1
    ,
    0 1
    σ
    ε








    =
    [в эквивалентной форме: (
    n
    – 1/2
    X
    n
    T
    ε
    )
    → N
    (0,
    σ
    2
    Q
    )].
    (Здесь plim

    предел по вероятности; стрелка в последнем условии обозначает сходимость по распределению.) Если эти условия выполнены, то при
    n → ∞
    , как и в ситуации D,
    n
    (
    θ
    θ

    n
    ˆ
    ) →
    N
    (0,
    σ
    2
    Q
    – 1
    ).
    В работе [Mann, Wald (1943)] авторы показали следующее
    (теорема Манна-
    Вальда)
    . Если

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    4

    Q
    x
    x
    n
    T
    t
    n
    t
    t
    =







    =1 1
    plim
    [в эквивалентной форме: plim (
    n
    – 1
    X
    n
    T
    X
    ) =
    Q
    ] , где
    Q –
    положительно определенная матрица,

    ε
    t

    i.i.d.
    ,
    E
    (
    ε
    t
    ) = 0,
    D
    (
    ε
    t
    ) =
    σ
    2
    > 0,
    E

    ε
    t

    m
    < ∞ для всех
    m
    = 1, 2, … ,

    E
    (
    x
    t
    ε
    t
    ) = 0,
    t
    = 1, 2, …,
    n
    , то тогда выполнены также первое и третье условия из предыдущей тройки условий, обеспечивающих состоятельность и асимптотическую нормальность
    n
    θ
    ˆ
    при
    n → ∞
    Заметим, что условие
    E
    (
    x
    t
    ε
    t
    ) = 0,
    t
    = 1, 2, …,
    n
    , в сочетании с
    E
    (
    ε
    t
    ) = 0, означает, что
    Cov
    (
    x
    t k
    ,
    ε
    t
    ) = 0 для
    k
    = 1, 2, …,
    p
    , т.е. означает некоррелированность значений объясняющих переменных с
    ε
    t
    в совпадающие моменты времени. Условие
    E

    ε
    t

    m
    < ∞ для всех
    m
    = 1, 2, … , выполняется, в частности, для нормального распределения
    ε
    t
    Цитированные результаты можно объединить теперь вместе.
    Ситуация F
    Пусть в линейной модели
    y
    t
    = x
    t
    T
    θ
    +
    ε
    t
    ,
    t
    = 1, 2, …,
    n
    , где
    x
    t
    = (
    x
    t1
    ,
    x
    t2
    ,

    ,
    x
    tK
    )
    T

    вектор значений
    K
    объясняющих переменных в
    t-
    м наблюдении,
    n
    θ
    ˆ

    оценка наименьших квадратов вектора коэффициентов
    θ
    = (
    θ
    1
    ,
    θ
    2
    , … ,
    θ
    K
    ), полученная по
    n
    наблюдениям. Пусть для этой модели выполнены следующие условия:

    ,
    1
    plim т.е.
    1
    plim
    1






    =
    =








    =



    Q
    X
    X
    n
    Q
    x
    x
    n
    n
    T
    n
    n
    n
    t
    T
    t
    t
    n
    где
    Q –
    положительно определенная матрица,

    ε
    t

    i.i.d.
    ,
    E
    (
    ε
    t
    ) = 0,
    D
    (
    ε
    t
    ) =
    σ
    2
    > 0,
    E

    ε
    t

    m
    < ∞ для всех
    m
    = 1, 2, … ,

    Cov
    (
    x
    t k
    ,
    ε
    t
    ) = 0 для
    k
    = 1, 2, …,
    K
    Тогда при
    n → ∞
    n
    (
    n
    θ
    ˆ

    θ
    ) →
    N
    (0,
    σ
    2
    Q
    – 1
    ).
    Предположим теперь, что
    x
    t

    стационарный векторный
    (K-мерный) ряд
    , так что
    E
    (
    x
    t
    ) =
    µ
    =
    const
    ,
    Cov
    (
    x
    t
    ) =
    Q
    ,
    Cov
    (
    x
    t k
    ,
    x
    t +s, l
    ) =
    γ
    kl
    (
    s
    ) при всех
    t
    ,
    s
    для каждой пары
    k
    ,
    l =
    1, 2, …,
    K
    . (Здесь
    γ
    kl
    (
    s
    ) –
    кросс-корреляция
    значений
    k
    -ой и
    l
    -ой компонент векторного ряда
    x
    t
    , разнесенных на
    s
    единиц времени.
    Если рассматривать
    s
    как аргумент, а
    γ
    kl
    (
    s
    ) как функцию от
    s
    , то
    γ
    kl
    (
    s
    ) –
    кросс-
    корреляционная функция k
    -ой и
    l
    -ой компонент векторного ряда
    x
    t
    .) Тогда первое из трех условий, перечисленных в ситуации F, обеспечивает возможность оценивания

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    5
    неизвестной ковариационной матрицы
    Cov
    (
    x
    t
    ) =
    Q
    простым усреднением доступных наблюдению матриц
    x
    t
    x
    t
    T
    по достаточно длинному интервалу
    t
    = 1, 2, …,
    n
    В рамки ситуации F помещается достаточно распространенный класс
    ARX моделей
    :
    y
    t
    = a
    1
    y
    t – 1
    +
    a
    2
    y
    t – 2
    + … +
    a
    p
    y
    t – p
    +
    z
    t
    T
    β
    +
    ε
    t
    , где
    z
    t
    = (
    z
    t1
    ,
    z
    t2
    ,

    ,
    z
    tM
    )
    T
    ,
    β
    = (
    β
    1
    ,
    β
    2
    , … ,
    β
    M
    )
    T
    Подобная модель вписывается в ситуацию F , если положить
    x
    t
    = (
    y
    t – 1
    ,
    y
    t – 2
    ,

    ,
    y
    t – p
    ,
    z
    1
    ,
    z
    2
    , … ,
    z
    M
    )
    T
    ,
    θ
    = (
    a
    1
    ,
    a
    2
    ,
    … ,
    a
    p
    ,
    β
    1
    ,
    β
    2
    , … ,
    β
    M
    )
    T
    Пусть для этой модели выполнены следующие условия:

    z
    t

    стационарный векторный (
    M-
    мерный) ряд;

    ,
    1
    plim
    1
    Z
    T
    t
    n
    t
    t
    n
    Q
    z
    z
    n
    =







    =


    где
    Z
    Q положительно определенная матрица;

    ε
    t
    i.i.d., E(
    ε
    t
    ) = 0,
    D(
    ε
    t
    ) =
    σ
    2
    > 0,
    E
    ε
    t

    m
    < ∞ для всех
    m = 1, 2, … ;
    Cov(z
    t m
    ,
    ε
    t
    ) = 0 для
    m = 1, 2, …, M ;
    Cov(y
    t – j
    ,
    ε
    t
    ) = 0 для
    j = 1, 2, …, p ;
    • все корни уравнения a(z) = 1 a
    1
    z a
    2
    z
    2
    a
    p
    z
    p
    = 0 лежат вне единичного круга.
    Тогда (см. [Green (1993)]) выполнено и первое условие ситуации F, и при
    n → ∞
    n
    1/2
    (
    n
    θ
    ˆ
    θ) → N(0, σ
    2
    Q
    – 1
    ).
    Последнее из перечисленных условий, касающееся корней уравнения
    a(z) = 0, обеспечивает
    1   2   3   4   5   6   7   8   9   10   ...   30


    написать администратору сайта