|
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
4.3. Векторная авторегрессия Полулярной моделью связи между временными рядами является векторная авторегрессия (VAR – vector autoregression) В своей простейшей форме такая модель связывает два ряда y 1t и y 2t следующим образом: y 1t = µ 1 + π 11.1 y 1, t – 1 + π 12.1 y 2, t – 1 + ε 1t , y 2t = µ 2 + π 21.1 y 1, t – 1 + π 22.1 y 2, t – 1 + ε 2t , т.е. , в отличие от простого процесса авторегрессии, значение y 1t связывается не только с запаздыванием y 1,t–1 , но и с запаздыванием y 2,t–1 второй переменной y 2t Случайные величины ε 1t и ε 2t являются инновациями : • Cov(ε jt , ε ls ) = 0 для t ≠ s при любых j , l = 1, 2; • Cov(ε jt , y l, t – r ) = 0 для r ≥ 1 при любых j , l = 1, 2. Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm 12 В то же время, для совпадающих моментов времени случайные величины ε 1t и ε 2t могут быть коррелированными. Модель векторной авторегрессии для двух рядов допускает включение в правые части уравнений для y 1t и y 2t и большего количества запаздываний этих переменных. Наибольший порядок запаздываний, включаемых в правую часть, называется порядком векторной авторегрессии. Если этот порядок равен p , то для такой модели используют обозначение VAR(p) В общем случае рассматривается k временных рядов y 1t , y 2t , …, y kt . Модель векторной авторегрессии порядка p предполагает, что связь между этими рядами имеет вид y 1t = µ 1 + π 11.1 y 1, t – 1 + π 11.2 y 1, t – 2 + … + π 11.p y 1, t – p + + π 12.1 y 2, t – 1 + π 12.2 y 2, t – 2 + … + π 12.p y 2, t – p + + … + + π 1k. 1 y k, t – 1 + π 1k. 2 y k, t – 2 + … + π 1k.p y k, t – p + ε 1t , y 2t = µ 2 + π 21.1 y 1, t – 1 + π 21.2 y 1, t – 2 + … + π 21.p y 1, t – p + + π 22.1 y 2, t – 1 + π 22.2 y 2, t – 2 + … + π 22.p y 2, t – p + + … + + π 2k.1 y k, t – 1 + π 2k.2 y k, t – 2 + … + π 2k.p y k, t – p + ε 2t , y k t = µ k + π k1.1 y 1, t – 1 + π k1.2 y 1, t – 2 + … + π k1.p y 1, t – p + + π k2.1 y 2, t – 1 + π k2.2 y 2, t – 2 + … + π k2.p y 2, t – p + + … + + π kk. 1 y k, t – 1 + π kk. 2 y k, t – 2 + … + π kk.p y k, t – p + ε kt , где π ij.r - коэффициент при y j, t – r в уравнении для y i t Здесь ε 1t , ε 2t , …, ε kt – случайные величины, для которых • Cov(ε jt , ε ls ) = 0 для t ≠ s при любых j , l = 1, …, k ; • Cov(ε jt , y l, t – r ) = 0 для r ≥ 1 при любых j , l = 1, …, k ; • Cov(ε jt , ε lt ) могут отличаться от нуля. Cлучайные величины ε 1t , ε 2t , …, ε kt образуют случайный вектор ε t = ( ε 1t , ε 2t , …, ε kt ) T , компоненты которого некоррелированы по времени и не коррелированы с запаздывающими значениями переменных y 1t , y 2t , …, y kt . Этот вектор называют вектором инноваций (обновлений) относительно информационного множества Y t – 1 = ( y 1, t – 1 , y 1, t – 2 , … , y 1, t – p , … , y k, t – 1 , y k, t – 2 , … , y k, t – p ) Пример Рассмотрим следующую модель VAR(1) для двух рядов ( k = 2, p = 1): y 1t = 0.6+ 0.7 y 1, t – 1 + 0.2 y 2, t – 1 + ε 1t , y 2t = 0.4 + 0.2 y 1, t – 1 + 0.7 y 2, t – 1 + ε 2t Приводимый ниже график иллюстрирует поведение смоделированной пары y 1t , y 2t порождаемой этой моделью для t = 2, 3, …, 100. В качестве начальных значений
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm 13 были взяты y 11 = y 21 = 0; ε 1t и ε 2t моделировались как независимые случайные величины, имеющие одинаковое нормальное распределение N(0, 0.1 2 ). 0 1 2 3 4 5 6 10 20 30 40 50 60 70 80 90 100 Y1 Y2 Следующий график представляет поведение разности ( y 1t – y 2t ). 0.0 0.2 0.4 0.6 0.8 10 20 30 40 50 60 70 80 90 100 Y1-Y2 Мы видим, что с течением времени поведение рядов стабилизируется: они осциллируют вокруг установившихся уровней. Второй график показывает, что установившийся уровень для ряда y 1t превышает установившийся уровень для ряда y 2t приблизительно на 0.4 (среднее арифметическое разности y 1t – y 2t равно 0.403). Такой характер поведения пары y 1t , y 2t указывает на стабильность данной модели VAR . Предсказать стабильный характер поведения реализаций рядов, связанных VAR моделью, можно, анализируя коэффициенты модели. Для этого удобно записать VAR( p) модель для k рядов в более компактной форме y t = µ + Π 1 y t – 1 + Π 2 y t – 2 + … + Π p y t – p + ε t Здесь y t = (y 1t , y 2t , … , y kt ) T , µ = (µ 1 , µ 2 , … , µ k ) T , ε t = ( ε 1t , ε 2t , …, ε kt ) T , Π r = ( π ij.r ) – матрица размера k × k коэффициентов при y 1, t – r , y 2, t – r , … , y k, t – r в k уравнениях. Последнее представление можно записать как y t – Π 1 y t – 1 – Π 2 y t – 2 – … – Π p y t – p = µ + ε t , ( I k – Π 1 L – Π 2 L 2 – … – Π p L p ) y t = µ + ε t , или A(L) y t = µ + ε t , где A(L) = I k – Π 1 L – Π 2 L 2 – … – Π p L p .
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm 14 Условие стабильности такой VAR модели состоит в следующем: • Все k корней уравнения det( I k – z Π 1 – z 2 Π 2 – … – z p Π p ) = 0 (т.е. det A(z) = 0) лежат за пределами единичного круга на комплексной плоскости (т.е. модули всех k корней больше единицы). Если это условие выполняется, то при продвижении вперед по оси времени система постепенно “забывает” о том, при каких начальных значениях y 1 , y 2 , … , y p она начала реализовываться. Стабильное состояние системы находится путем приравнивания L = 1 и 0 = t ε . При этом получаем A(1) y t = µ , так что стабильное состояние определяется как y t = A – 1 (1) µ . Пример Продолжим рассмотрение модели VAR(1) для двух рядов y 1t = 0.6+ 0.7 y 1, t – 1 + 0.2 y 2, t – 1 + ε 1t , y 2t = 0.4 + 0.2 y 1, t – 1 + 0.7 y 2, t – 1 + ε 2t В компактной форме эта система имеет вид y t = µ + Π 1 y t – 1 + ε t , где = t t t y y y 2 1 , = 4 0 6 0 µ , = Π 7 0 2 0 2 0 7 0 1 , = t t t 2 1 ε ε ε , или A(L) y t = µ + ε t , где 7 0 1 2 0 2 0 7 0 1 7 0 2 0 2 0 7 0 1 0 0 1 ) ( 1 2 − − − − = − = Π − = L L L L L L L L L I L A , так что 6 4 4 6 ) 1 ( , 3 0 2 0 2 0 3 0 ) 1 ( 1 = − − = − A A Уравнение det A(z) = 0 принимает здесь вид , 0 7 0 1 2 0 2 0 7 0 1 ) ( det = − − − − = z z z z z A т.е. (1 – 0.7 z) 2 – (0.2 z) 2 = 0 , или (1 – 0.9 z)(1 – 0.5 z) = 0 . Оба корня z = 1/0.9 и z = 1/0.5 больше 1, т.е. условие стабильности выполняется. Долгосрочное (стабильное) поведение системы находим по формуле = = = − 8 4 2 5 4 0 6 0 6 4 4 6 ) 1 ( 1 µ A y t . Таким образом, стабильное состояние системы определяется здесь как y 1t = 5.2, y 2t = 4.8,
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm 15 так что стабильное состояние разности y1 t – y2 t есть y1 – y2 = 0.4 . Соответственно, с течением времени, независимо от начальных условий, ряд y1 t начинает осциллировать вокруг уровня 5.2, а ряд y2 t начинает осциллировать вокруг уровня 4.8; разность ( y1 t – y2 t) осциллирует вокруг уровня 0.4 . Именно такое поведение смоделированных реализаций рассматриваемой VAR(1) мы и наблюдали ранее. Векторные авторегрессии, определенные так, как было указано выше, называют также замкнутыми VAR, отличая тем самым эти модели от открытых VAR, в правые части которых наряду с запаздывающими значениями переменных, находящихся в левых частях уравнений (эндогенные переменные), входят и некоторые другие переменные и их запаздывания (экзогенные переменные). Проводя различие между эндогенными и экзогенными переменными, по-существу предполагают, что значения экзогенных переменных формируются вне рассматриваемой системы , а значения эндогенных переменных порождаются в рамках этой системы . Фактически, система в этом случае рассматривается как условная по отношению к экзогенным переменным. Заметим, что в замкнутой VAR экзогенные переменные отсутствуют. Открытую VAR можно представить в виде A( L) yt= µ + B( L) xt+ ε t, где A( L) = I – Π 1 L – Π 2 L2 – … – Π p Lpи B( L) – матричные полиномы. Если все решения уравнения det A( z) = 0 лежат за пределами единичного круга на комплексной плоскости, что необходимо для обеспечения стабильности системы, то тогда справедливо также представление yt= A – 1 ( L) µ + С( L) xt+ A – 1 ( L) ε t, где С( L) = A – 1 ( L) B( L) – передаточная функция (transfer function). Функция С( L) – матричная функция; она устанавливает влияние единичных изменений в экзогенных переменных на эндогенные переменные. Долговременную (долгосрочную, стабильную, long-run ) связь между экзогенными и эндогенными переменными можно найти, полагая в последнем представлении L = 1 и ε t ≡ 0. При этом получаем: yt= A – 1 (1) µ + С(1) xtМатрица С(1) называется матрицей долгосрочных мультипликаторов. Ее ( i , j)-йэлемент cij(1) представляет влияние единичного изменения xjt на yit в долговременном плане (см. интерпретацию долгосрочных мультипликаторов в разд. 4.2). Пример На базе рассмотренной выше замкнутой модели VAR(1) для двух рядов построим открытую VAR y1 t = 0.6+ 0.7 y1, t – 1 + 0.2 y2, t – 1 + 0.1 x1, t – 1 + 0.2 x2, t + ε1 t , y2 t = 0.4 + 0.2 y1, t – 1 + 0.7 y2, t – 1 + 0.2 x1, t + 0.4 x2, t – 1 + ε2 tЗдесь µ и матричный полином A( L) – те же, что и ранее, а Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm 16 = + = + = LLLLBBLB4 0 2 0 2 0 0.1 4 0 0 0 1 0 0 2 0 2 0 0 ) ( 1 0 , так что 4 0 2 0 2 0 1 0 ) 1 ( 1 0 = + = BBBМатрица долгосрочных мультипликаторов равна = = = − 2 3 6 1 8 2 4 1 4 0 2 0 2 0 1 0 6 4 4 6 ) 1 ( ) 1 ( ) 1 ( 1 BAC, так что стабильное решение есть + = 2 1 2 1 2 3 6 1 8 2 4 1 8 4 2 5 xxyy, т.е. 2 3 6 1 8 4 , 8 2 4 1 2 5 2 1 2 2 1 1 xxyxxy+ + = + + = Ниже приведены графики смоделированных реализаций этой открытой системы в случае, когда x1, t и x2, t – независимые друг от друга AR(1) ряды, x1, t = 0.7 x1, t – 1 + ν1 t, x2, t = 0.5 x2, t – 1 + ν2 t ; ν1 t и ν2 t i.i.d. N(0, 1). В качестве начальных значений при моделировании взяты • x11 = x21 = 0, y11 = y21 = 0 (вариант 1) • x11 = x21 = 0, y11 = 5.2, y21 = 4.8 (вариант 2). В результате получаем: 0 2 4 6 8 10 20 30 40 50 60 70 80 90 100 Y1 Y2 Variant 1 1 2 3 4 5 6 7 10 20 30 40 50 60 70 80 90 100 Y1 Y2 Variant 2 В первом случае, из-за несоответствия начальных значений переменных стабильным соотношениям, системе требуется некоторое время, чтобы выйти на стабильный режим. Во втором случае начальные значения переменных согласованы с долговременными соотношениями между переменными. Рассмотрим следующую замкнутую VAR(1) для двух переменных: y1 t = 0.8 y1, t – 1 + 0.2 y2, t – 1 + ε1 t , y2 t = 0.2 y1, t – 1 + 0.8 y2, t – 1 + ε2 tДля этой системы , 8 0 2 0 2 0 8 0 2 1 2 1 2 1 + = ttttttyyLLLLyyε ε Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru www.iet.ru/mipt/2/text/curs_econometrics.htm 17 так что − − − − = LLLLLA8 0 1 2 0 2 0 8 0 1 ) ( При этом = 2 0 2 0 2 0 2 0 ) 1 ( A, определитель этой матрицы равен нулю, и матрица A– 1 (1) не определена. Уравнение det A( z) = 0 имеет здесь вид (1 – 0.8 z) 2 – (0.2 z) 2 = 0, т.е. (1 – z)(1 – 0.6 z) = 0. Корни этого уравнения равны (1/0.6) и 1. Наличие корня, равного 1, нарушает условие стабильности системы. Как ведут себя в этом случае реализации системы? Ниже приводится соответствующий график. -8 -6 -4 -2 0 2 10 20 30 40 50 60 70 80 90 100 Y1 Y2 Здесь стабилизации системы не наблюдается. Можно предположить, что это происходит из-за неудачного выбора начальных значений y11 = y21 = 0. Перемоделируем реализации, полагая начальные значения приблизительно равными наблюдаемому “конечному” уровню: y11 = y21 = 5. Новые реализации -2 0 2 4 6 8 10 20 30 40 50 60 70 80 90 100 Y1 Y2 по-прежнему не стабилизируются, и это отражает фундаментальное отличие рассматриваемой нестабильной модели VAR от стабильной. |
|
|