modele szeregow czasowych - E-SGH
Transkrypt
modele szeregow czasowych - E-SGH
Modele szeregów czasowych Modele autoregresyjne rzędu p (autoregressive): yt = c + AR(p) : p X αk yt−k + ξt (1) k=1 Przykłady: AR(1) : AR(2) : yt = c + α1 yt−1 + ξt yt = c + α1 yt−1 + α2 yt−2 + ξt Modele średniej ruchomej rzędu q (moving average): MA(q) : yt = µ + q X βj ηt−j β0 = 1 (2) j=0 Przykłady: MA(1) : MA(3) : yt = µ + ηt + β1 ηt−1 yt = µ + ηt + β1 ηt−1 + β2 ηt−2 + β3 ηt−3 Modele autoregresyjne ze średnią ruchomą(autoregressive moving average): ARMA(p,q) : yt = c + p X αk yt−k + q X βj ηt−j (3) j=0 k=1 Przykłady: ARMA(3,1) : yt = c + α1 yt−1 + α2 yt−2 + α3 yt−3 + β0 ηt + β1 ηt−1 Jeśli y jest zintegrowany w stopniu d > 0 to używamy modeli ARIMA (autoregressive integrated moving average): d ARIMA(p,d,q) : ∆ yt = c + p X k=1 d αk ∆ yt−k + q X βj ηt−j j=0 Przykłady: ARIMA(3,1,1) : ∆yt = c + α1 ∆yt−1 + α2 ∆yt−2 + α3 ∆yt−3 + β0 ηt + β1 ηt−1 1 (4) Zapis przy pomocy wielomianów opóźnień Operator opóźnień (lag operator ) L: Lyt = yt−1 Lk yt = yt−k ∆d yt = (1 − L)d yt yt = c + α1 yt−1 + α2 yt−2 + . . . αp yt−p + ξt = c + α1 Lyt + α2 L2 yt + . . . αp Lp yt + ξt AR(p) : p X = c+ αk Lk yt + ξt k=1 φ(L) yt = c + ξt 2 gdzie: φ(L) = 1 − α1 L − α2 L − . . . − αp Lp yt = µ + β0 ηt + β1 ηt−1 + β2 ηt−2 + . . . + βq ηt−q = µ + β0 ηt + β1 Lηt + β2 L2 ηt + . . . + βq Lq ηt MA(q) : = µ+ q X βj Lj ηt j=0 = µ + θ(L) ηt 2 gdzie: θ(L) = β0 + β1 L + β2 L + . . . + βq L q yt = c + ARMA(p,q) : p X k αk L yt + q X βj Lj ηt j=0 k=1 φ(L) yt = c + θ(L) ηt ARIMA(p,d,q) : d (1 − L) yt = p X k αk L (1 − L) yt + k=1 d φ(L) (1 − L) yt = c + θ(L) ηt 2 d q X j=0 βj Lj ηt Modele uwzględniające zmienne egzogeniczne Modele ze (skończonym) rozkładem opóźnień (distributed lag ) DL(m) : yt = c + β0 xt + β1 xt−1 + β2 xt−2 + . . . + βm xt−m + εt = c+ m X βj xt−j + εt j=0 Przykłady: DL(0) : DL(4) : y t = c + β x t + εt yt = c + β0 xt + β1 xt−1 + β2 xt−2 + β3 xt−2 + β4 xt−4 + εt β0 - mnożnik bezpośredni (mnożnik krótkookresowy) β̃ = β0 + β1 + . . . + βm - mnożnik długookresowy Model z nieskończonym rozkładem opóźnień - model Koycka (patrz: skrypt) Modele autoregresyjne z rozkładem opóźnień (autoregressive distributed lag ) ADL(p,m) : yt = c + α1 yt−1 + . . . + αp yt−p + β0 xt + β1 xt−1 + . . . + βm xt−m + εt = c+ p X m X αk yt−k + βj xt−j + εt j=0 k=1 Przykłady: ADL(1,0) : ADL(2,2) : yt = c + α1 yt−1 + β xt + εt yt = c + α1 yt−1 + α2 yt−2 + β0 xt + β1 xt−1 + β2 xt−2 + εt β0 - mnożnik krótkookresowy Obliczenie mnożnika długookresowego: ȳ = c + p X αk ȳ + c 1− p X + αk m X β̃ = 1− βj j=0 m X 1− j=0 k=1 βj j=0 m X βj x̄ j=0 m X k=1 ȳ = m X βj j=0 3 x̄ βj Kointegracja Zmienne Xt i Yt są skointegrowane, jeśli Xt ∼ I(d) Yt ∼ I(d) a0 + a1 Xt + a2 Yt ∼ I(d − b) b>0 Przykład: Xt ∼ I(1) Yt ∼ I(1) Zt ∼ I(1) Yt = α0 + α1 Xt + α2 Zt + εt Yt − α0 − α1 Xt − α2 Zt = εt ∼ I(0) lub: Xt ∼ I(1) Yt ∼ I(2) Zt ∼ I(2) Zt − β0 − β1 Yt = ηt ∼ I(1) Xt + α0 + α1 ηt = Xt + α0 + α1 (Zt − β0 − β1 Yt ) ∼ I(0) Model korekty błędem (Error correction model ) przykład dla relacji kointegrującej yt = δ0 + δ1 xt + t : ECM : yt = c + γ et + p X αk yt−k + k=1 m X βj xt−j + εt j=0 et = yt − δ0 − δ1 xt gdzie γ - składnik korekty błędem - określa tempo powrotu zmiennej objaśnianej y do ścieżki równowagi, danej przez relację kointegrującą. Interpretacja γ: jaka część odchylenia zmiennej objaśnianej y od poziomu równowagi wygasa w pierwszym okresie. Jeśli −1 ¬ γ < 0 , to mechanizm korekty błędem działa. Okres połowicznego wygaśnięcia (half-life) odchylenia od poziomu równowagi: hl = ln 0, 5 ln(1 + γ) 4