Главная страница
Навигация по странице:

  • инновациями

  • Условие стабильности

  • (эндогенные переменные)

  • Долговременную (долгосрочную, стабильную, long-run ) связь

  • 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
    страница9 из 30
    1   ...   5   6   7   8   9   10   11   12   ...   30

    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
    y
    1t

    y
    2t
    есть
    y
    1

    y
    2
    = 0.4 .
    Соответственно, с течением времени, независимо от начальных условий, ряд
    y
    1t
    начинает осциллировать вокруг уровня 5.2, а ряд
    y
    2t
    начинает осциллировать вокруг уровня 4.8; разность (
    y
    1t

    y
    2t
    )
    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) y
    t
    = µ + B(L) x
    t
    + ε
    t
    , где
    A(L) = I Π
    1
    L Π
    2
    L
    2
    Π
    p
    L
    p
    и
    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
    y
    t
    = A
    – 1
    (
    L) µ + С(L) x
    t
    + 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:
    y
    t
    = A
    – 1
    (1)
    µ + С(1) x
    t
    Матрица
    С(1) называется
    матрицей долгосрочных мультипликаторов.
    Ее (
    i ,
    j)-йэлемент c
    ij
    (1) представляет влияние единичного изменения
    x
    jt
    на
    y
    it
    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
    y
    1t
    = 0.6+ 0.7 y
    1,
    t – 1
    + 0.2 y
    2,
    t – 1
    + 0.1
    x
    1,
    t – 1
    + 0.2
    x
    2,
    t
    +
    ε
    1t
    ,
    y
    2t
    = 0.4 + 0.2 y
    1,
    t – 1
    + 0.7 y
    2,
    t – 1
    + 0.2
    x
    1,
    t
    + 0.4
    x
    2, t – 1
    +
    ε
    2t
    Здесь
    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
    


    


    =
    


    


    +
    


    


    =
    +
    =
    L
    L
    L
    L
    B
    B
    L
    B
    4 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
    


    


    =
    +
    =
    B
    B
    B
    Матрица 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
    B
    A
    C
    , так что стабильное решение есть
    


    


    


    


    +
    


    


    =
    


    


    2 1
    2 1
    2 3
    6 1
    8 2
    4 1
    8 4
    2 5
    x
    x
    y
    y
    , т.е.
    2 3
    6 1
    8 4
    ,
    8 2
    4 1
    2 5
    2 1
    2 2
    1 1
    x
    x
    y
    x
    x
    y
    +
    +
    =
    +
    +
    =
    Ниже приведены графики смоделированных реализаций этой открытой системы в случае, когда x
    1,
    t
    и x
    2, t
    – независимые друг от друга AR(1) ряды,
    x
    1,
    t
    = 0.7 x
    1, t – 1
    + ν
    1t
    , x
    2,
    t
    = 0.5 x
    2, t – 1
    + ν
    2t
    ; ν
    1t
    и ν
    2t

    i.i.d. N(0, 1).
    В качестве начальных значений при моделировании взяты
    x
    11
    = x
    21
    = 0, y
    11
    = y
    21
    = 0 (вариант 1)
    x
    11
    = x
    21
    = 0, y
    11
    = 5.2, y
    21
    = 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:
    y
    1t
    = 0.8 y
    1,
    t – 1
    + 0.2 y
    2,
    t – 1
    + ε
    1t
    ,
    y
    2t
    = 0.2 y
    1,
    t – 1
    + 0.8 y
    2,
    t – 1
    + ε
    2t
    Для этой системы
    ,
    8 0
    2 0
    2 0
    8 0
    2 1
    2 1
    2 1
    


    


    +
    


    


    


    


    =
    


    


    t
    t
    t
    t
    t
    t
    y
    y
    L
    L
    L
    L
    y
    y
    ε
    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
    


    






    =
    L
    L
    L
    L
    L
    A
    8 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 y
    11
    = y
    21
    = 0.
    Перемоделируем реализации, полагая начальные значения приблизительно равными наблюдаемому “конечному” уровню: y
    11
    = y
    21
    = 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.
    1   ...   5   6   7   8   9   10   11   12   ...   30


    написать администратору сайта