Главная страница
Навигация по странице:

  • 4.2. Динамические модели Среди различных ARX моделей, в эконометрических исследованиях широкое применение нашли динамические

  • 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
    страница8 из 30
    1   ...   4   5   6   7   8   9   10   11   ...   30

    стабильность
    модели ARX. Последнее означает, что по мере продвижения в будущее (т.е. с ростом
    t ) устанавливается определенная
    “долговременная” (long-run)
    связь между переменными
    y
    t
    ,
    z
    t1
    ,
    z
    t2
    ,
    , z
    tM
    , по отношению к которой происходят достаточно быстрые осцилляции.
    4.2. Динамические модели
    Среди различных ARX моделей, в эконометрических исследованиях широкое применение нашли
    динамические
    модели
    (модели
    с
    авторегрессионно
    распределенными запаздываниями – ADL )
    y
    t
    = α
    0
    +
    a
    1
    y
    t – 1
    +
    a
    2
    y
    t – 2
    + … +
    a
    p
    y
    t – p
    +
    + (
    β
    10
    x
    1,
    t
    + β
    11
    x
    1, t – 1
    + … +
    β
    1r
    x
    1,
    t – r
    )
    +
    + … +
    + (
    β
    s 0
    x
    s,
    t
    + β
    s 1
    x
    s, t – 1
    + … +
    β
    s r
    x
    s,
    t – r
    )
    + ε
    t
    Для такой модели используют обозначение
    ADL(p,r; s)
    , где
    p – глубина запаздываний по переменной
    y
    t
    ,
    r – глубина запаздываний по переменным x
    1,
    t
    ,
    x
    2,
    t
    ,
    , x
    s,
    t
    , не являющимся запаздываниями переменной
    y
    t
    ,
    s – количество таких переменных. При такой форме записи допускается, что некоторые из коэффициентов

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    6
    β
    ij
    равны нулю, так что глубина запаздываний может быть различной для различных переменных
    x
    i, t
    Модель ADL(
    p,r; s) можно представить в компактном виде
    a(L) y
    t
    = µ + b
    1
    (
    L) x
    1,
    t
    + … +
    b
    s
    (
    L) x
    s,
    t
    + ε
    t
    , где
    a(L) = 1 a
    1
    L a
    2
    L
    2
    a
    p
    L
    p
    ,
    b
    i
    (
    L) = β
    i 0
    +
    β
    i 1
    L + … + β
    i r
    L
    r
    , i = 1, … , s .
    Если выполнено условие стабильности, то
    y
    t
    представляется в виде
    ,
    )
    (
    1
    )
    (
    )
    (
    1
    )
    (
    )
    (
    1
    )
    (
    1
    ,
    ,
    1 1
    t
    t
    s
    s
    t
    t
    L
    a
    x
    L
    b
    L
    a
    x
    L
    b
    L
    a
    L
    a
    y
    ε
    µ
    +
    +
    +
    +
    =
    K
    или
    ,
    )
    (
    1
    )
    (
    )
    (
    )
    (
    1
    ,
    ,
    1 1
    t
    t
    s
    s
    t
    t
    L
    a
    x
    L
    c
    x
    L
    c
    L
    a
    y
    ε
    µ
    +
    +
    +
    +
    =
    K
    где
    )
    (
    )
    (
    )
    (
    L
    a
    L
    b
    L
    c
    i
    i
    =
    Долговременную связь между переменными можно найти, полагая в выражении для
    y
    t
    L = 1, ε
    t
    ≡ 0.
    При этом получаем
    ;
    )
    1
    (
    )
    1
    (
    )
    1
    (
    1
    ,
    ,
    1 1
    t
    s
    s
    t
    t
    x
    c
    x
    c
    a
    y
    +
    +
    +
    =
    K
    µ
    строго говоря, в последнем выражении указание на момент
    t следует исключить:
    )
    1
    (
    )
    1
    (
    )
    1
    (
    1 1
    1
    s
    s
    x
    c
    x
    c
    a
    y
    +
    +
    +
    =
    K
    µ
    Коэффициенты
    с
    1
    (1)
    , … , с
    s
    (1) в последнем сотношении называются
    долгосрочными мультипликаторами (long-run multipliers)
    Поясним это название на примере модели ADL(1, 1; 1), которую запишем в виде
    (1 –
    α
    1
    L) y
    t
    = µ + β
    0
    x
    t
    +
    β
    1
    x
    t – 1
    + ε
    t
    При ‌
    α
    1
    ‌ < 1 получаем равносильное представление
    (
    )
    (
    )(
    )
    ,
    1 1
    1 1
    1 1
    0 1
    1
    t
    t
    t
    t
    x
    x
    L
    L
    y
    ε
    β
    β
    α
    µ
    α
    +
    +

    +

    =

    т.е.
    y
    t
    = (1 + α
    1
    +
    α
    1 2
    + …)
    µ + (1 +
    α
    1
    L + α
    1 2
    L
    2
    + …)(
    β
    0
    x
    t
    +
    β
    1
    x
    t – 1
    + ε
    t
    ), из которого последовательно находим:

    y
    t
    ⁄ ∂
    x
    t
    =
    β
    0
    ,

    y
    t +1
    ⁄ ∂
    x
    t
    = y
    t
    ⁄ ∂
    x
    t – 1
    =
    β
    1
    +
    α
    1
    β
    0
    ,

    y
    t +2
    ⁄ ∂
    x
    t
    = y
    t
    ⁄ ∂
    x
    t – 2
    =
    α
    1
    β
    1
    +
    α
    1 2
    β
    0
    ,

    y
    t +3
    ⁄ ∂
    x
    t
    = y
    t
    ⁄ ∂
    x
    t – 3
    =
    α
    1 2
    β
    1
    +
    α
    1 3
    β
    0
    ,

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    7
    и т.д. Правые части дают значения
    импульсных мультипликаторов
    , показывающих влияние единовременного (импульсного) изменения значения
    x
    t
    на текущее и последующие значения переменной
    y
    t
    . Просуммировав полученные выражения, получаем:

    y
    t
    ⁄ ∂
    x
    t
    + y
    t
    ⁄ ∂
    x
    t – 1
    + ∂
    y
    t
    ⁄ ∂
    x
    t – 2
    + ∂
    y
    t
    ⁄ ∂
    x
    t – 3
    + … =
    =
    β
    0
    (1 +
    α
    1
    +
    α
    1 2
    + …) +
    β
    1
    (1 +
    α
    1
    +
    α
    1 2
    + …) =
    = (1 –
    α
    1
    L)
    – 1
    (
    β
    0
    +
    β
    1
    ).
    Правая часть этого соотношения, как легко заметить, представляет собой долгосрочный мультипликатор рассматриваемой ADL(1, 1; 1). В соответствии с левой частью, этот мультипликатор показывает изменение значения
    y
    t
    при изменении на единицу текущего и всех предыдущих значений переменной
    x
    t
    Прежде, чем перейти к рассмотрению примера оценивания конкретной ADL модели, следует заметить следующее.
    При выполнении условий, обеспечивающих возможность использования стандартной техники регрессионного анализа (имеется в виду ее асимптотическая обоснованность – см. разд. 4.1, ситуация F):
    • Обычная t-статистика имеет асимптотическое N(0,1) распределение.
    • Если F – обычная F-статистика для проверки гипотезы о выполнении q
    линейных ограничений на коэффициенты модели, то статистика
    qF имеет асимптотическое
    2
    χ
    распределение с
    q степенями свободы.
    • При умеренном количестве наблюдений параллельно с асимптотическими распределениями для
    t и qF можно для контроля использовать и точные
    (стандартные) распределения (распределение Стьюдента для
    t-статистики, распределение Фишера для
    F-статистики). Согласованность получаемых при этом результатов подкрепляет уверенность в правильности соответствующих статистических выводов.
    • При наличии в правой части запаздывающих значений объясняемой переменной проверку гипотезы об отсутствии автокоррелированности у ряда
    ε
    t
    следует производить, используя
    критерий Бройша – Годфри
    . Критерий Дарбина –
    Уотсона не годится для этой цели, поскольку в данном случае значения

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    8
    статистики Дарбина – Уотсона
    d смещены в направлении значения d = 2, так что использование таблиц Дарбина – Уотсона приводит к неоправданно частому неотвержению указанной гипотезы (“презумпция некоррелированности
    ε
    t
    ”).
    Пример
    Рассмотрим модель ADL(3, 2; 1)
    (1
    0.5L – 0.1L
    2
    0.05L
    3
    )
    y
    t
    = 0.7 + (0.2 + 0.1 L + 0.05L
    2
    )
    x
    t
    +
    ε
    t
    Для нахождения долговременной связи между переменными
    y и
    x полагаем L =
    1 и
    ε
    t
    ≡ 0:
    (1
    0.50.1 0.05) y = 0.7 + (0.2 + 0.1 + 0.05) x
    , т.е. 0.35
    y = 0.7 + 0.35 x
    , или
    y = 2 + x .
    На приводимом ниже графике представлены смоделированная реализация ряда
    x
    t
    = 0.7
    x
    t–1
    +
    ε
    xt
    ,
    ε
    xt


    i.i.d. N(0, 1), и соответствующая ей реализация ряда y
    t
    , порождаемого указанной моделью ADL(3, 2; 1), где
    ε
    t

    i.i.d. N(0, 1), причем ряд ε
    t
    порождается независимо от ряда
    ε
    xt
    . В качестве начальных значений при моделировании были взяты:
    x
    1
    = 0,
    y
    1
    =
    y
    2
    =
    y
    3
    = 0.
    -4
    -2 0
    2 4
    6 10 20 30 40 50 60 70 80 90 100
    Y
    X
    Имея в распоряжении только эти две реализации, мы не знаем, с какой моделью имеем дело. Начнем с оценивания статической модели
    y
    t
    = µ + βx
    t
    +
    ε
    t
    методом наименьших квадратов; в результате получаем оцененную модель
    y
    t
    = 1.789+ 0.577x
    t
    +
    e
    t
    , где e
    t
    ряд остатков. График ряда остатков имеет вид:
    -6
    -4
    -2 0
    2 4
    10 20 30 40 50 60 70 80 90 100
    DELTA
    Здесь обнаруживается явная автокоррелированность ряда остатков, которая подтверждается построенной для него коррелограммой
    ACF PAC
    F C
    PAC
    Q-Stat Prob

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    9
    |*****
    |*****
    .696 0
    .696 4
    9.981 .000
    |****
    |*
    .536 0
    .099 7
    9.868 .000
    |***
    *|
    .364
    -
    0.081 9
    3.801 .000
    |**
    . |
    .227
    -
    0.056 9
    9.279 .000
    |*
    . |
    .130
    -
    0.015 1
    01.10 .000
    . |
    . |
    .057
    -
    0.020 1
    01.46 .000 и критерием Бройша – Годфри с запаздыванием на один шаг, который дает
    P- значение 0.0000. Это означает, что мы имеем дело не со статической, а с динамической моделью. Поэтому следует прежде всего рассмотреть характер поведения обоих рядов и произвести их идентификацию.
    Для ряда
    x
    t
    коррелограмма имеет вид
    ACF
    PACF
    AC
    PAC
    Q-Stat
    Prob
    . |*****
    . |*****
    0.686 0.686 48.468 0.000
    . |***
    *| .
    0.429
    -0.079 67.594 0.000
    . |*
    *| .
    0.193 -0.132 71.527 0.000
    . | .
    *| .
    0.024
    -0.066 71.591 0.000
    *| .
    | .
    -0.058 0.003 71.958 0.000
    *| .
    *| .
    -0.140 -0.107 74.090 0.000
    По этой коррелограмме ряд
    x
    t
    идентифицируется как AR(1).
    Для ряда
    y
    t
    коррелограмма имеет вид
    ACF PACF
    AC PAC Q-Stat
    Prob
    |******
    . |****** 0.767 0.767 60.58 0.000
    |*****
    . |*
    0.629 0.100 101.75 0.000
    |****
    . | .
    0.494 -0.042 127.37 0.000
    |***
    . | .
    0.399 0.019 144.32 0.000
    |**
    . | .
    0.318 -0.003 155.21 0.000
    |**
    . | .
    0.257 0.004 162.38 0.000 так что и этот ряд идентифицируется как AR(1).
    Такой предварительный анализ ограничивает рассмотрение моделью ADL с глубиной запаздываний, равной единице:
    y
    t
    = µ + a
    1
    y
    t – 1
    +
    β
    0
    x
    t
    + β
    1
    x
    t – 1
    +
    ε
    t

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    10
    Оценивая такую модель ADL(1, 1; 1), получаем:
    Dependent Variable: Y
    Variable Coefficient Std. Error t-Statistic Prob.
    C
    0.558588 0.157276 3.55163 0.0006
    Y(-1) 0.695204 0.066095 10.51828 0.0000
    X
    0.208971 0.126135 1.65673 0.1009
    X(-1) 0.161690 0.132352 1.22166 0.2249
    Анализ остатков не выявляет автокоррелированности (
    P-значение критерия
    Бройша–Годфри при AR(1) альтернативе равно 0.164), не выявляет значимых отклонений от нормальности распределения
    ε
    t
    (P-значение критерия Jarque – Bera =
    0.267), не обнаруживает гетероскедастичности (
    P-значение критерия Уайта = 0.159), так что можно, опираясь на приведенные выше факты, использовать асимптотическую теорию статистических выводов и на ее основе использовать результаты, получаемые при применении
    t- и F-критериев.
    При проверке гипотезы H
    0
    :
    β
    0
    = β
    1
    = 0 получаем при использовании
    F-
    распределения
    P-значение 0.0032; при использовании асимптотического распределения
    χ
    2
    (2) получаем
    P-значение 0.0022. В обоих случаях эта гипотеза отвергается. Исключение из правой части модели запаздывающей переменной
    x
    t–1
    , коэффициент при которой статистически незначим и имеет большее
    P-значение, чем коэффициент при
    x
    t
    , дает:
    Dependent Variable: Y
    Variable
    Coefficient Std. Error t-Statistic Prob.
    C 0.517868 0.154098 3.360648 0.0011
    Y(-1) 0.719738 0.063131 11.40064 0.0000
    X 0.310343 0.095241 3.258511 0.0015
    R-squared
    0.637523 Mean dependent var 1.844751
    Adjusted R-squared 0.629971 S.D. dependent var 1.709520
    S.E. of regression 1.039901 Akaike info criterion 2.945962
    Sum squared resid 103.8138 Schwarz criterion
    3.024602
    Log likelihood
    -142.8251 F-statistic
    84.42207
    Durbin-Watson stat 2.256404 Prob(F-statistic)
    0.000000
    Здесь все коэффициенты имеют высокую значимость, а остатки вполне удовлетворительны.
    Если из предыдущей модели исключить не
    x
    t – 1
    , а
    x
    t
    , то это приводит к оцененной модели
    Dependent Variable: Y
    Variable
    Coefficient Std. Error t-Statistic Prob.
    C 0.567821 0.158600 3.580215 0.0005
    Y(-1) 0.692523 0.066673 10.38690 0.0000
    X(-1) 0.305939 0.100582 3.041698 0.0030
    R-squared
    0.632818 Mean dependent var 1.844751
    Adjusted R-squared 0.625169 S.D. dependent var 1.709520
    S.E. of regression 1.046627 Akaike info criterion 2.958857
    Sum squared resid 105.1611 Schwarz criterion
    3.037497
    Log likelihood
    -143.4634 F-statistic
    82.72550
    Durbin-Watson stat 2.221594 Prob(F-statistic)
    0.000000

    Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm
    11
    По критерию Шварца чуть более предпочтительной выглядит модель с исключенной
    x
    t–1
    , так что на ней можно и остановиться. Посмотрим, к какому долговременному соотношению приводит такая модель.
    Итак, мы останавливаемся на оцененной модели
    (1 – 0.720
    L) y
    t
    = 0.518+ 0.310 x
    t
    + e
    t
    Полагая
    L = 1 и e
    t
    ≡ 0, получаем: 0.28
    y
    t
    = 0.518+ 0.310 x
    t
    , так что долговременное соотношение оценивается как
    y = 1.839 + 1.107x .
    Это соотношение, конечно, несколько отличается от теоретического. Посмотрим, однако, что дало бы оценивание динамической модели ADL(3, 2; 1). Оценивая такую модель, получаем:
    Dependent Variable: Y
    Variable
    Coefficient Std. Error t-Statistic Prob.
    C 0.539617 0.174057 3.100239 0.0026
    Y(-1) 0.590293 0.105583 5.590795 0.0000
    Y(-2) 0.153936 0.120517 1.277303 0.2048
    Y(-3) -0.031297 0.099814
    -0.313555 0.7546
    X 0.205570 0.129483 1.587626 0.1159
    X(-1) 0.191959 0.153608 1.249666 0.2147
    X(-2) -0.024779 0.138389
    -0.179053 0.8583
    R-squared
    0.643818 Mean dependent var 1.882787
    Adjusted R-squared 0.620072 S.D. dependent var 1.706160
    S.E. of regression 1.051648 Akaike info criterion 3.008022
    Sum squared resid 99.53667 Schwarz criterion
    3.193826
    Log likelihood
    -138.8891 F-statistic
    27.11327
    Durbin-Watson stat 1.999213 Prob(F-statistic)
    0.000000
    Если найти долговременное соотношение между
    y и x на основе такого оцененного уравнения по той же схеме, что и прежде, то получаем:
    y = 1.882 +1.300 x , и это соотношение отнюдь не ближе к теоретическому, чем то, которое мы получили по редуцированному уравнению. Впрочем, и по критерию Шварца полная оцененная модель хуже редуцированной.
    1   ...   4   5   6   7   8   9   10   11   ...   30


    написать администратору сайта