Wst¦p do ekonometrii II Plan kursu
Transkrypt
Wst¦p do ekonometrii II Plan kursu
Wst¦p do ekonometrii II Szkoªa Gªówna Handlowa studia doktoranckie dr Andrzej Torój SGH Zakªad Ekonometrii Stosowanej Instytut Ekonometrii semestr letni 2015/2016 Plan kursu Zjazd 1 Modele dynamiczne analiza COMFAC Stacjonarno±¢ i niestacjonarno±¢ szeregów czasowych Zjazd 2 Modele ARIMA Modele o zmiennej wariancji skªadnika losowego Zjazd 3 Modele VAR Modele SVAR Zjazd 4 Kointegracja i modele VEqCM Filtr Kalmana i modele w przestrzeni stanów Informacje wst¦pne I uko«czony wykªad Wst¦p do ekonometrii I I materiaªy I http://akson.sgh.waw.pl/ ∼atoroj/wde2/ I andrzej.toroj (at) gmail.com I egzamin: rozwi¡zywanie 4-5 zada« przy u»yciu komputerów Plan prezentacji Zjazd 1 Modele dynamiczne analiza COMFAC Stacjonarno±¢ i niestacjonarno±¢ szeregów czasowych Zjazd 2 Modele ARIMA Modele o zmiennej wariancji skªadnika losowego Zjazd 3 Modele VAR Modele SVAR Zjazd 4 Kointegracja i modele VEqCM Filtr Kalmana i modele w przestrzeni stanów Modele ADL I ADL(I,J): autoregressive distributed lag J I P P βj xt−j + εt j=0 Zaªó»my, »e εt jest sferycznym zaburzeniem. yt = α0 + i=1 αi yt−i + I Na przykªad: I ADL(1,1): yt = α0 + α1 yt−1 + β0 xt + β1 xt−1 + εt I ADL(2,2): yt = α0 + α1 yt−1 + α2 yt−2 + β0 xt + β1 xt−1 + β2 xt−2 + εt Restrykcje wspólnego czynnika (COMFAC) I ADL(1,1): yt = α1 yt−1 + β0 xt + β1 xt−1 + εt I w notacji wielomianu opó¹nie«: (1 − α1 L) yt = (β0 + β1 L) xt + εt jest to równoznaczne z: (1 − α1 L) yt = β0 1 + I co by byªo gdyby −α1 = gdy jej nie odrzucimy: β1 β0 ? Testujemy β1 β0 L x t + εt H0 : −α1 β0 = β1 I jest wspólny czynnik, przez który mo»emy podzieli¢ obie strony, by upro±ci¢ model... I ...ale to wpªywa na skªadnik losowy! i Skªadnik losowy przy COMFAC H0 : (1 − α1 L) yt = β0 (1 − α1 L) xt + εt εt Podzielmy przez (1 − α1 L): yt = β0 xt + 1−α L | {z 1 } I Przy I vt I εt 1−α1 L vt = (1 − α1 L) vt = εt vt = α1 vt−1 + εt Restrykcja wspólnego czynnika w modelu ADL(1,1)... ...prowadzi do modelu statycznego yt = β0 xt + vt z autokorelacj¡ skªadnika losowego! Taki model powinien by¢ szacowany uogólnion¡ MNK. Estymator UMNK (1) y = Xβ + ε ε ∼ E [ε] = 0, E εεT = σ 2 Ω Przy dobrze zdeniowanej, symetrycznej macierzy Ω... ...istnieje jednoznaczna dekompozycja Ω −1 = V T V . Mno»ymy obie strony równania lewostronnie przez V Vy T: = VXβ + Vε Skªadnik losowy w tym modelu jest sferyczny: h i T var (Vε) = E (Vε) (Vε) = E VεεT VT = = VE εεT VT = Vσ 2 ΩVT = −1 T −1 T 2 T 2 − 1 T = σ V V V V = σ VV V V = σ2I Estymator UMNK (2) Vy = VXβ + Vε Assume that V (and, hence, Ω) is known. Then the estimation of the original equation with GLS is equivalent to the estimation of the above equation with OLS (using transformed data): β̂ OLS β̂ = GLS −1 T X y XT X = = h T i−1 (VX)T (Vy) = T −1 −1 T −1 T T X V Vy = X Ω X X Ω y (VX) (VX) T T −1 X V VX Estymacja przy COMFAC β̂ GLS = −1 T −1 −1 T X Ω X X Ω y I Skonstruujmy macierz I I I Ω Var (vt ) = σ 2 Cov (vt , vt−1 ) = Cov (α1 vt−1 + εt , vt−1 ) = α1 Var (vt−1 ) = α1 σ 2 Cov (vt , vt−2 ) = Cov (α1 vt−1 + εt , vt−2 ) = α1 Cov (vt−1 , vt−2 ) = α1 Cov (vt , vt−1 ) = α12 σ 2 I itd. I α1 1 α12 α1 1 α1 Ω = σ 2 α2 α1 1 1 .. .. .. . . . α1n−1 · · · α12 I σ2 · · · α1n−1 .. . . . . .. . .. α12 . α1 α1 1 nie ma znaczenia (skalar, dwukrotnie we wzorze na UMNK skraca si¦) I α1 estymowane (ale nie dowolnie to parametr strukturalny w równaniu!) COMFAC w modelu ADL(2,2) I ADL(2,2): yt = α1 yt−1 + α2 yt−2 + β0 xt + β1 xt−1 + β2 xt−2 + εt I W notacji wielomianu opó¹nie«: 1 − α1 L − α2 L2 yt = β0 1 + β1 β0 L + β2 2 β0 L x t + εt I Faktoryzujemy wielomiany: (1 − Lγ1 ) (1 − Lγ2 )yt = (1 − Lτ1 ) (1 − Lτ2 )xt + εt I 2 testowalne restrykcje: γ1 = τ1 i γ2 = τ2 : I ª¡czne odrzucenie obu restrykcji: model bez zmian I odrzucenie 1 z 2: model upraszcza si¦ do ADL(1,1) ze skªadnikiem losowym AR(1) I nieodrzucenie »adnej: model upraszcza si¦ do modelu statycznego ze skªadnikiem losowym AR(2) Mo»liwe przypadki I w modelu ADL(1,1): I brak wspólnego czynnika I 1 wspólny czynnik model upraszcza si¦ do statycznego z resztami AR(1) I w modelu ADL(2,2): I brak wspólnego czynnika I 1 wspólny czynnik model upraszcza si¦ do AR(1) z resztami AR(1) I 2 wspólne czynniki model upraszcza si¦ do statycznego z resztami AR(2) I restrykcje COMFAC I s¡ nieliniowe I ...ale czasami przybli»enie i powinny by¢ testowane w adekwatny sposób liniowy test Walda uznawany za wystarczaj¡ce (zob: Greene) wiczenie Przykªad 19.6 z Greene, s. 585-586: Rozwa»amy model obja±niaj¡cy logarytm realnej konsumpcji przez logarytm PKB. Oszacuj model statyczny. Co z autokorelacj¡ reszt? Oszacuj model ADL(1,1). Zwerykuj hipotez¦ wspólnego czynnika. Oszacuj model ADL(2,2). Zwerykuj hipotezy wspólnych czynników. Czy s¡ 2 wspólne czynniki w modelu ADL(2,2)? Testowanie restrykcji liniowych Test Walda H0 : Rβ = q, tzn. liniowe restrykcje dla H1 : Rβ 6= q, i.e. tzn. liniowe restrykcje dla Statystyka testowa: F = β s¡ prawdziwe β s¡ odrzucane przez dane (RRSS−URSS)/m ma rozkªad URSS/(T −k) F (m, T − k), RRSS : suma kwadratów reszt w modelu z restrykcjami URSS : suma kwadratów reszt w modelu bez restrykcji m: liczba restrykcji T: liczba obserwacji k: gdzie: liczba szacowanych parametrów w modelu bez restrykcji ADL(1,1), nieliniowo±¢ I restrykcja −α1 β0 = β1 jest nieliniowa (wzgl¦dem parametrów) I tym bardziej restrykcje dotycz¡ce modelu ADL(2,2) skomplikowane funkcje parametrów strukturalnych I test Walda dla nieliniowych restrykcji I hipoteza zerowa i alternatywna: jak w te±cie Walda I szczegóªy: zobacz plik xls (zakªadka: oszacowaniach ADL(1,1) z Gretla ADL_11) bazuje na ADL(2,2), 2 restrykcje COMFAC I H0 : λ1 = τ1 ∧ λ2 = τ2 I model z 2 restrykcjami: yt = α0 + (λ1 + λ2 ) yt−1 − λ1 λ2 yt−2 + β0 xt − β0 (λ1 + λ2 ) xt−1 + β0 λ1 λ2 xt−2 + εt ADL(2,2), 2 restrykcje COMFAC, nieliniowo±¢ I H0 : β1 = −α1 β0 ∧ β2 = −α2 β0 (dwa wspólne czynniki) I test mo»e, ale nie musi by¢ prosty to zale»y od hipotezy alternatywnej: I brak wspólnych czynników restrykcje ªatwo wyrazi¢ jako funkcje parametrów strukturalnych I jeden wspólny czynnik nie mo»na wówczas ªatwo wyj¡¢ jednego z dwóch równa« z H0 , lecz musimy rozªo»y¢ na czynniki wielomian opó¹nie« I xls, zakªadka ADL22_2_cumulative ADL(2,2), 1 COMFAC I I 1 − α1 L − α2 L2 yt = α0 + β0 1 + β1 β0 L + β2 2 β0 L xt + εt (1 − Lλ1 ) (1 − Lλ2 )yt = α0 + (1 − Lτ1 ) (1 − Lτ2 )xt + εt 2 1 − (λ1 + λ2 ) L + λ1 λ2 L yt = α0 + β0 1 − (τ1 + τ2 ) L + τ1 τ2 L2 xt + εt yt = α0 + (λ1 + λ2 ) yt−1 − λ1 λ2 yt−2 + β0 xt − β0 (τ1 + τ2 ) xt−1 + β0 τ1 τ2 xt−2 + εt I Testujemy λ1 = τ1 . (Czy ma znaczenie, czy testujemy λ1 = τ1 czy λ2 = τ2 ?) ADL(2,2), 1 COMFAC, nieliniowo±¢ I L2 β1 β0 L β2 2 β0 L − α1 L − α2 yt = α0 + β0 1 + + xt + εt (1 − Lλ1 ) (1 − Lλ2 ) yt = α0 + β0 (1 − Lτ1 ) (1 − Lτ2 ) xt + εt 1 I Jaka dokªadnie jest relacja mi¦dzy (wspólnymi) czynnikami a parametrami? ∆ = α12 − 4 (−α2 ) = α12 + 4α2 ∆ = β12 −s4β0 β2 − β1 ± √ λ1,2 = α1 ± α21 +4α2 2α2 β τ1,2 = 0 β2 1 −4 β2 β0 0 β 2 β2 0 β2 I jeden wspólny czynnik s α1 ± √ α21 +4α2 2α2 pierwiastków = H0 : λ1 = τ1 β2 β 1 −4 β2 − β1 ± β0 β2 0 0 przynajmniej dla jednej pary β 2 β2 0 I mno»ymy obie strony przez 2α2 β2 , pierwiastki kwadratowe β0 umieszczamy po prawej stronie równania, podniosimy obie strony do kwadratu i redukujemy α1 β1 − 2β0 α2 + 2β2 ± q α12 + 4α2 β12 − 4β0 β2 = 0 I s¡ dwa równania i jeden wspólny czynnik, je»eli jedno z nich zostanie odrzucone I xls, zakªadka ADL22_1_incremental ADL(1,1), zakªadamy liniowo±¢ Oszacuj ADL(1,1) w Gretlu: suma kwadratów reszt? Oszacuj COMFAC-ADL(1,1) w Gretlu Model / Modele nieliniowe / Nieliniowa MNK: suma kwadartów reszt? genr alpha0 = -0.0853309 genr beta0 = 0.584210 genr alpha1 = 0.904584 l_realcons = alpha0 + alpha1 * l_realcons(-1) + beta0 * l_realgdp - alpha1 * beta0 * l_realgdp(-1) deriv alpha0 = 1 deriv alpha1 = l_realcons(-1) - beta0 * l_realgdp(-1) deriv beta0 = l_realgdp - alpha1 * l_realgdp(-1) F (1, 199) = (0,010057−0,009585)/1 0,009585/(203−4) ≈ 9, 80 p-value 0, 002 wspólny czynnik ODRZUCONY ADL(2,2), 2 restrykcje COMFAC, zakªadamy liniowo±¢ genr alpha0 = 0.1 genr beta0 = 0.1 genr rho1 = 0.1 genr rho2 = 0.1 l_realcons = alpha0 + rho1 * l_realcons(-1) - rho2 * l_realcons(-2) + beta0 * l_realgdp - beta0 * rho1 * l_realgdp(-1) + beta0 * rho2 * l_realgdp(-2) deriv alpha0 = 1 deriv beta0 = l_realgdp - rho1 * l_realgdp(-1) + rho2 * l_realgdp(-2) deriv rho1 = l_realcons(-1) - beta0 * l_realgdp(-1) deriv rho2 = -1 * l_realcons(-2) + beta0 * l_realgdp(-2) RRSS=0,009124 F (2, 196) = (0,009124−0,008863)/2 0,008863/(202−6) ≈ 2, 89 z p-value 0,058 Odrzucenie (lub nie) hipotezy, »e model ADL(2,2) ze sferycznymi resztami upraszcza si¦ do modelu statycznego z resztami AR(2) zale»y od wybranego poziomu istotno±ci. ADL(2,2), 1 restrykcja COMFAC, zakªadamy liniowo±¢ genr alpha0 = 0.5 genr beta0 = 0.5 genr lambda1 = 0.5 genr lambda2 = 0.5 genr tau2 = 0.5 l_realcons = alpha0 + (lambda1+lambda2) * l_realcons(-1) (lambda1*lambda2) * l_realcons(-2) + beta0 * l_realgdp beta0*(lambda1+tau2) * l_realgdp(-1) + beta0*lambda1*tau2*l_realgdp(-2) deriv alpha0 = 1 deriv beta0 = l_realgdp - (lambda1+tau2) * l_realgdp(-1) + lambda1*tau2*l_realgdp(-2) deriv lambda1 = l_realcons(-1) - lambda2*l_realcons(-2) beta0*l_realgdp(-1) + beta0*tau2*l_realgdp(-2) deriv lambda2 = l_realcons(-1) - lambda1*l_realcons(-2) deriv tau2 = -beta0*l_realgdp(-1) + beta0*lambda1*l_realgdp(-2) RRSS=0,008874 URSS=0,008863 F (1, 198) = H0 (0,008874−0,008863)/1 0,008863/(202−6) ≈ 0, 246 with p-value=0,62 o 1 wspólnym czynniku nieodrzucona. ADL(2,2) ze sferycznymi resztami upraszcza si¦ do modelu ADL(1,1) z resztami AR(1). Lektury I Greene: rozdziaª Models With Lagged Variables Plan prezentacji Zjazd 1 Modele dynamiczne analiza COMFAC Stacjonarno±¢ i niestacjonarno±¢ szeregów czasowych Zjazd 2 Modele ARIMA Modele o zmiennej wariancji skªadnika losowego Zjazd 3 Modele VAR Modele SVAR Zjazd 4 Kointegracja i modele VEqCM Filtr Kalmana i modele w przestrzeni stanów Zmienne losowe denicje Yt zmienna losowa przyjmuje warto±ci z okre±lonymi prawdopodobie«stwami (opisuje je funkcja g¦sto±ci dystrybuantaF f (y )/ (y )) warto±ci + prawdopodobie«stwa, z jakimi mog¡ zosta¢ przyj¦te: rozkªad zmiennej losowej {Yt } proces stochastyczny ci¡g zmiennych losowych Yt uporz¡dkowanych wedªug czasu {yt } szereg czasowy realizacja procesu stochastycznego w konkretnej próbie Warto±¢ oczekiwana Wariancja zmiennej losowej: zmiennej losowej: E (X ) = ´ +∞ −∞ xf (x) dx D 2 (X ) = E (X − E (X ))2 Poj¦cie stacjonarno±ci procesu Stacjonarno±¢ I rodzaju (w w¦»szym sensie / mocna) Rozkªad procesu jest niezmienny w czasie (w ka»dym okresie realizacj¡ zmiennej Yt yt jest o identycznym rozkªadzie) Stacjonarno±¢ II rodzaju (w szerszym sensie / sªaba) - ±rednia i wariancja procesu s¡ staªe w czasie E (Yt ) = µ < ∞ D 2 (Yt ) = δ 2 < ∞ - kowariancja mi¦dzy zmiennymi zale»y wyª¡cznie od ich odlegªo±ci w czasie (a nie od konkretnego momentu) Cov (Yt , Yt+h ) = Cov (Yt+k , Yt+k+h ) = γ(h) Biaªy szum Biaªy szum denicja E (εt ) = 0 2 [wahania maj¡ tendencj¦ do znoszenia si¦] 2 D (εt ) = δ < ∞ [staªo±¢ wariancji w czasie homoskedastyczno±¢] Cov (εt , εt+h ) = 0, h 6= 0 [brak autokorelacji] Wªasno±ci biaªego szumu powinien wykazywa¢ skªadnik losowy w klasycznym modelu regresji liniowej. εt ∼ IID(0, δ 2 ) I independent I indentically D distributed Zmienna stacjonarna biaªy szum Zmienna niestacjonarna proces bª¡dzenia losowego Proces bª¡dzenia losowego denicja yt = yt−1 + εt yt = yt−1 + εt = yt−2 + εt−1 + εt = yt−3 + εt−2 + εt−1 + εt = . . . = T PT y 0 =0 X y0 + t=1 εt = εt t=1 | {z } trend stochastyczny Wªasno±ci bª¡dzenia losowego E (yt ) = E ( PT t=1 εt ) D 2 (yt ) = D 2 ( PT = t=1 εt ) PT t=1 E (εt ) = 0 cov (εt ,εt−h )=0 = PT t=1 D 2 (εt ) = T δ 2 cov (yt , yt−h ) = E (yt , yt−h ) − E (yt )E (yt−h ) = T −h T −h X X P −h PT −h P −h PT −h 2 2 E( T ε ε )−E ( ) E ( ) = D2( T t=1 t t=1 t t=1 εt ) = t=1 D (εt ) = (T −h)δ t=1 t=1 | {z }| {z } 0 0 Zmienna niestacjonarna proces bª¡dzenia losowego Stopie« integracji zmiennej O zmiennej stacjonarnej mówimy, »e jest zintegrowana w stopniu 0. Denicja zintegrowania zmiennej Zmienna yt jest zintegrowana w stopniu d (yt ∼ I (d)), je»eli mo»na j¡ sprowadzi¢ do stacjonarno±ci po d-krotnym ró»nicowaniu. yt = yt−1 + εt jest zintegrowany w stopniu 1 (yt ∼ I (1)), bo yt − yt−1 = εt , za± εt ∼ I (0) z denicji. Np. proces Pierwsze ró»nice: ∆yt = yt − yt−1 Drugie ró»nice: ∆∆yt = ∆yt − ∆yt−1 = yt − yt−1 − yt−1 + yt−2 = yt − 2yt−1 + yt−2 (ltr (1,-2,1)) Zmienna niestacjonarna proces bª¡dzenia losowego z dryfem Proces bª¡dzenia losowego z dryfem denicja yt = α0 + yt−1 + εt yt = α0 + yt−1 + εt = α0 + α0 + yt−2 + εt−1 + εt = y 0 =0 α0 + α0 + α0 + yt−3 + εt−2 + εt−1 + εt = . . . = T α0 + T X εt t=1 | {z } trend stochastyczny Wªasno±ci bª¡dzenia losowego z dryfem E (yt ) = E (T α0 + PT t=1 εt ) = T α0 + PT t=1 E (εt ) = T α0 Wariancja i kowariancja takie same, jak w przypadku bª¡dzenia przypadkowego, bo przesuniecie o staª¡ nie wpªywa na dyspersj¦ procesu. Zmienna niestacjonarna proces bª¡dzenia losowego z dryfem Test Dickey'a-Fullera (DF) Dickey i Fuller, 1979, 1981 yt = α1 yt−1 + εt I proces jest stacjonarny, je»eli I proces jest niestacjonarny, je»eli α1 < 1 α1 = 1 (wtedy bª¡dzenie losowe) H0 : α1 = 1 H1 : α1 < 1 I H0 → zmienne w równaniu s¡ niestacjonarne → estymator obci¡»ony → hipotezy nie mo»na werykowa¢ bezpo±rednio prawdziwo±¢ KMNK Test DF konstrukcja statystyki testowej W celu wyeliminowania potencjalnej niestacjonarno±ci zmiennej obja±nianej w regresji testowej, od obu stron równania odejmujemy yt−1 i w ten sposób otrzymujemy zró»nicowan¡ (a wi¦c potencjalnie stacjonarn¡) zmienn¡ obja±nian¡. Ostatecznie regresja testowa testu Dickey'a-Fullera ma posta¢: ∆yt = (α1 − 1) yt−1 + εt | {z } δ H0 : δ = 0 ⇐⇒ α1 = 1 ⇐⇒ yt ∼ I (1) H1 : δ < 0 ⇐⇒ α1 < 1 ⇐⇒ yt ∼ I (0) DF emp = δ̂ Sˆδ ∼ DF (konstrukcja jak w te±cie t-Studenta, tylko inne rozkªady statystyk testowych zob. MacKinnon (1996) ) Je»eli DF emp < DF ∗ , to odrzucamy H0 na rzecz H1 , czyli proces uznajemy za stacjonarny. W przeciwnym wypadku nie ma podstaw do odrzucenia niestacjonarno±ci procesu. H0 o Test DF algorytm post¦powania o zrobi¢ w przypadku braku podstaw do odrzucenia H0 ? W takim przypadku wiemy, ze zmienna jest niestacjonarna, ale nie wiemy, czy nie jest zintegrowana w stopniu wy»szym ni» 1... Znowu testujemy... Zmienna jest zintegrowana w stopniu 2 (yt ∼ I (2)), je»eli staje si¦ ona stacjonarna dopiero po dwukrotnym ró»nicowaniu, wi¦c sprawdzamy, czy do ustacjonarnienia zmiennej wystarczyªo jednokrotne ró»nicowanie, czyli czy zmienna jednokrotnie zró»nicowana jest stacjonarna: ∆(∆yt ) = δ∆yt−1 + εt H0 : δ = 0 ⇐⇒ yt ∼ I (2) H1 : δ < 0 ⇐⇒ yt ∼ I (1) DF emp = δ̂ Sˆδ ∼ DF Test DF szeregi I(2) Co zrobi¢ w przypadku ponownego braku podstaw do odrzucenia H0 ? W takim wypadku nie wiemy, czy zmienna jest zintegrowana w stopniu 2, czy te» nieodrzucenie H0 nie wynika przypadkiem z niskiej mocy testu... Znowu testujemy... ∆3 yt = δ∆2 yt−1 + εt H0 : δ = 0 ⇐⇒ yt ∼ I (3) H1 : δ < 0 ⇐⇒ yt ∼ I (2) DF emp = δ̂ Sˆδ ∼ DF Je±li ponownie nie ma podstaw do odrzucenia, to oznacza, »e test ma sªab¡ moc (zbyt rzadko odrzuca nieprawdziw¡ hipotez¦ zerow¡), poniewa» w ekonomii niespotykane s¡ szeregi zintegrowane w stopniu wy»szym ni» 2. Test ADF Said i Dickey, 1985 I Test Dickey'a-Fullera opiera si¦ na zaªo»eniu, i» skªadnik losowy regresji testowej (εt ) jest biaªym szumem. Je±li jednak wyst¦puje autokorelacja skªadnika losowego w regresji testowej, znacz¡co spada moc testu. I Z tego wzgl¦du nale»y pozby¢ si¦ autokorelacji skªadnika losowego z regresji testowej! I Najprostszym sposobem na jej usuni¦cie jest zdynamizowanie modelu poprzez dodanie opó¹nionych zmiennych obja±nianych... Augmented Dickey-Fuller test ADF ∆yt = δyt−1 + γ1 ∆yt−1 + γ2 ∆yt−2 + . . . + γk ∆yt−k + εt Test ADF ile opó¹nie«? I ogólna zasada: nale»y zrealizowa¢ cel, jakim jest usuni¦cie autokorelacji skªadnika losowego I UWAGA! do oceny nie stosujemy testu DW (opó¹niona zmienna obja±niana jako regresor...) I algorytmy wspomagaj¡ce: I wskazujemy maksymalny rz¡d opó¹nie« i wybieramy najlepsz¡ regresj¦ testow¡ przy u»yciu kryteriów informacyjnych (AIC, SIC, HQC) I wskazujemy maksymalny rz¡d opó¹nie« i sprawdzamy, czy ostatnie z nich jest istotne w modelu; je»eli nie, usuwamy je i powtarzamy a» do uzyskania istotnego ostatniego opó¹nienia... Test ADF specykacja regresji testowej k P ∆yt = δyt−1 + γ i ∆yt−i + εt i=1 ewentualne rozszerzenia: ∆yt = β + δyt−1 + k P i=1 + εt → H 0 : γ i ∆yt−i proces niestacjonarny z dryfem dodatkowo mo»na uwzgl¦dnia¢ trend, trend kwadratowy, sezonowe zmienne zerojedynkowe... Test (A)DF trendostacjonarno±¢ ∆yt = β + δyt−1 + k P i=1 γ i ∆yt−i + εt rozszerzenie: ∆yt = β + δyt−1 + → je»eli odrzucimy trendostacjonarny → k P i=1 H0 , je»eli nie odrzucimy γ i ∆yt−i + γt + εt a trend t oka»e si¦ istotny szereg jest H0 , szereg jest niestacjonarny (w dotychczasowym rozumieniu mo»e by¢ przyrostostacjonarny) Zadanie 1 Otwórz plik adf.gdt i dokonaj oceny stopnia zintegrowania poszczególnych 3 zmiennych zawartych w pliku za pomoc¡ ró»nych wariantów testu ADF. Test ADF-GLS Elliot, Rothenberg, and Stock, 1996 I próba zwi¦kszenia mocy testu ADF w przypadku procesów silnie autoregresyjnych Krok 1: z szeregu usuwamy ±redni¡ (i ewentualnie trend) przez oszacowanie regresji szeregu wzgl¦dem staªej (i ewentualnie trendu) za pomoc¡ estymatora GLS (UMNK) Krok 2: reszty z kroku 1 do testu ADF Zadanie 2 Powtórz zadanie 1 dla testu ADF-GLS. Czy wyniki s¡ zbie»ne? Test KPSS (1) Kwiatkowski, Phillips, Schmidt, Shin (1992) H0 : yt ∼ I (0) H1 : yt ∼ I (1) UWAGA: INNY UKAD HIPOTEZ NI W TECIE ADF! krok 1: estymacja OLS parametrów modelu (z trendem lub bez) yt = α + βt + εt obliczamy reszty εt Test KPSS (2) krok 2: obliczamy sumy reszt St = t X dla t = 1, . . . , T εr , r =1 i warto±¢ zgodnego estymatora wariancji dªugookresowej reszt (z wagami Newey'a - Westa lub Bartletta) S 2 (k) = T −1 " T X et2 + 2 t=1 k X s=1 wagi Bartletta: w (s, k) = 1 − k w (s, k) - dobieramy arbitralnie (np. k =8 T X # et et−s t=s+1 s k +1 dla danych kwartalnych) Test KPSS (3) krok 3: obliczamy statystyk¦ testow¡ PT η= 2 t=1 St T 2 S 2 (k) i porównujemy z warto±ciami krytycznymi (np. produkowanymi przez gretla), je±li η > ηkryt odrzucamy H0 . Zadanie 3 a) Otwórz plik kpss.gdt i dokonaj oceny stopnia zintegrowania zmiennej. b) Na podstawie informacji zawartych w prezentacji skonstruuj plik xls, w którym wykonasz test KPSS. Wynik porównaj z wynikiem z Gretla. Test Phillipsa-Perrona (1) Phillips-Perron (1988) I inna modykacja testu DF maj¡ca na celu usuni¦cie autokorelacji w regresji testowej H0 : yt ∼ I (1) H1 : yt ∼ I (0) krok 1: regresja testowa DF ∆yt = β + δyt−1 + γt + εt Test Phillipsa-Perrona (2) krok 2: obliczamy statystyk¦ testow¡ r Z = c0 δ̂ − S 2 (k) SE δ̂ gdzie estymator OLS K δ PT t=1 z kroku 1 liczba parametrów oszacowanych w regresji testowej (3) SE δ̂ 2 2 et2 s = , T −K T −K 2 s , c0 = T 2 δ̂ 1 T · SE δ̂ S 2 (k) − c0 p S 2 (k)s 2 - bª¡d standardowy oszacowania tego parametru S (k) = T −1 T P t=1 2 et + 2 k P s=1 w (s, k) T P t=s+1 et et−s (jak w te±cie KPSS) Test Phillipsa-Perrona (3) krok 3: warto±ci statystyki porównujemy z warto±ciami krytycznymi testu DF, wnioskowanie jest analogiczne (ten sam ukªad hipotez) Zadanie 4 Na podstawie danych z pliku kpss.gdt oraz informacji zawartych w prezentacji wykonaj w Excelu test PP, a nast¦pnie porównaj warto±¢ statystyki testowej z odpowiednimi warto±ciami krytycznymi. Inne testy I testy DHF i HEGY na zaj¦ciach nt. sezonowo±ci I Elliott-Rothenberg-Stock Point Optimal (wariant ADF-GLS dla danych quasi-ró»nicowanych, szczegóªy w pracy ERS) I Phillips (1987) test uwzgl¦dniaj¡cy zªamanie strukturalne (zob. Syczewska, 1998) I Ng-Perron (2001) I ª¡czny test ADF-KPSS (Charemza i Syczewska, 1998; K¦bªowski i Welfe, 2004) Praca domowa 1 Ze strony Eurostatu ±ci¡gnij dla wybranego pa«stwa Unii Europejskiej 5 szeregów czasowych: I zharmonizowany indeks cen konsumenta (HICP), procentowe przyrosty rok do roku, dane miesi¦czne I PKB, oczyszczone sezonowo dane kwartalne, w jednostkach waluty krajowej lub euro na 1 mieszka«ca I realny efektywny kurs walutowy (REER), indeks jednopodstawowy, dowolne uj¦cie I dªugoterminowa stopa procentowa (np. Maastricht criterion series), dane miesi¦czne I stopa bezrobocia, dowolne uj¦cie Plan prezentacji Zjazd 1 Modele dynamiczne analiza COMFAC Stacjonarno±¢ i niestacjonarno±¢ szeregów czasowych Zjazd 2 Modele ARIMA Modele o zmiennej wariancji skªadnika losowego Zjazd 3 Modele VAR Modele SVAR Zjazd 4 Kointegracja i modele VEqCM Filtr Kalmana i modele w przestrzeni stanów Wprowadzenie I modele ARMA geneza w pracach Boxa i Jenkinsa w latach 70. XX w. I jednowymiarowa analiza szeregów czasowych: wiedza o przyszªo±ci szeregu zakl¦ta w jego przeszªo±ci :-) I podstawowe zastrze»enia: szeregów stacjonarnych tylko do prognoz krótkookresowych model ateoretyczny I tylko do I I Model AR AR ang. autoregression, bie»¡ca (w okresie zale»y od p t) proces autoregresyjny warto±¢ stacjonarnego szeregu czasowego warto±ci poprzedzaj¡cych: yt = c + φ1 · yt−1 + φ2 · yt−2 + ... + φp · yt−p + εt = c + Notacja wielomianu charakterystycznego: 1 yt − φ1 L − φ2 L2 − ... − φp Lp yt = c + εt p P i=1 φi yt−i + εt Model MA MA ang. moving average, bie»¡ca (w okresie zale»y od q t) ±rednia ruchoma warto±¢ stacjonarnego szeregu czasowego yt poprzedz¡jacych warto±ci reszt losowych: yt = c + θ1 · εt−1 + θ2 · εt−2 + ... + θq · εt−q + εt = c + q P j=1 θj εt−j + εt Notacja wielomianu charakterystycznego: yt − c = 1 + θ1 L + θ2 L2 + ... + θq Lq εt Model ARMA poª¡czenie AR i MA Przy odpowiednich zaªo»eniach (zob. dalsze slajdy) mo»na proces AR przeksztaªci¢ do postaci MA(∞) i na odwrót. W praktyce zadowalaj¡ce dopasowanie uzyskuje si¦ dzi¦ki kombinacji niewielkiej liczby regresorów typu AR i MA, czyli yt = c + p P i=1 φi yt−i + q P j=1 θj εt−j + εt Umieszczenie w modelu regresorów zarówno typu AR, jak i MA, pozwala uzyska¢ rozs¡dne przybli»enie, cho¢ identykacja parametrów piq takiego modelu jest trudna. Notacja wielomianu charakterystycznego: 1 − φ1 L − φ2 L2 − ... − φp Lp yt = c + 1 + θ1 L + θ2 L2 + ... + θq Lq εt Model ARIMA Szeregi niestacjonarne... 1. analiza wielowymiarowa (kointegracja i model korekty bª¦dem zob. Ekonometria szeregów czasowych (SM)); 2. analiza jednowymiarowa tworzymy model ARMA na szeregu zró»nicowanym tyle razy, aby uzyska¢ jego stacjonarno±¢: ∆Yt = Yt − Yt−1 ∆2 Yt = ∆Yt − ∆Yt−1 Model ARIMA(p ,d ,q ): 4d y t =c+ p P i=1 φi 4d yt−i + q P j=1 θj εt−j + εt ARMA a ARIMA Model ARMA jest szczególnym przypadkiem modelu ARIMA (z parametrem d=0). Model ARIMAX ARIMAX model ARIMA uzupeªniony o zestaw egzogenicznych regresorów: ∆d yt = c + xt β + p P i=1 φi ∆d yt−i + q P j=1 θj εt−j + εt Zadanie A Wygeneruj w arkuszu kalkulacyjnym licz¡ce po 500 obserwacji realizacje procesów: I AR(1) I AR(2) I MA(1) I MA(2) dla wspólnego skªadnika losowego o rozkªadzie normalnym standardowym, warto±ci pocz¡tkowych zero i wybranej przez siebie parametryzacji. Utwórz wykresy. Przydatne funkcje: =ROZKAD.NORMALNY.S.ODW(LOS()) losuje liczb¦ z rozkªadu normalnego standardowego Zadanie B 1. Poka», »e model AR(1) mo»na przedstawi¢ jako MA(∞). Sformuªuj odpowiedni warunek. 2. Poka», »e model MA(1) mo»na przedstawi¢ jako AR(∞). Sformuªuj odpowiedni warunek. Stacjonarno±¢ procesu Proces AR jest ... stacjonarny ...je»eli wszystkie pierwiastki wielomianu charakterystycznego (tzn. rozwi¡zania równania 1 − φ1 L − φ2 L2 ... − φp Lp = 0 wzgl¦dem L) le»¡ poza koªem jednostkowym, tzn. s¡ co do moduªu > 1. I Stacjonarny proces AR(p ) mo»na przedstawi¢ jako MA(∞). W modelu AR bie»¡ca warto±¢ szeregu zale»y od p poprzednich, a na poprzednie skªada sie niesko«czona liczba opó¹nionych szoków (ε). W modelu MA tych szoków model "widzi" tylko q. Odwracalno±¢ procesu Proces MA jest ... odwracalny ...je»eli wszystkie pierwiastki wielomianu charakterystycznego (tzn. rozwi¡zania równania 1 + θ1 L + θ2 L2 ... + θq Lq = 0 wzgl¦dem le»¡ poza koªem jednostkowym, tzn. s¡ co do moduªu > 1. I Odwracalny proces MA(q ) mo»na przedstawi¢ jako AR(∞). L) Czym jest koªo jednostkowe? I Pierwiastki wielomianu mog¡ by¢ liczbami zespolonymi, tzn. mie¢ cz¦±¢ rzeczywist¡ a i urojon¡ b (a + bi ). I Mo»na je przedstawi¢ na pªaszczy¹nie jako punkt w przestrzeni dwuwymiarowej o wspóªrz¦dnych (a,b ). I |a + bi| = √ a2 + b 2 , wi¦c warunek stacjonarno±ci/odwracalno±ci a 2 + b 2 > 12 |a + bi| > 1 oznacza (pole poza okr¦giem o ±rodku (0, 0) i promieniu 1, czyli koªem jednostkowym). I Niektóre programy ekonometryczne podaj¡ pierwiastki w formie odwrotno±ci (Inverse Roots). Skoro 1 |a + bi| > 1, to |a+bi| < 1. W tej sytuacji odwrotno±¢ pierwiastka musi le»e¢ wewn¡trz koªa jednostkowego. Zadanie C Sprawd¹, czy nast¦puj¡ce procesy s¡ stacjonarne / odwracalne: 1. yt = 0, 9yt−1 + εt 2. yt = 1, 1yt−1 + εt 3. yt = 1, 2yt−1 − 0, 4yt−2 + εt 4. yt = 0, 1yt−1 − 1, 5yt−2 + εt 5. yt = εt + 0, 9εt−1 6. yt = εt + 1, 4εt−1 − 0, 3εt−2 7. yt = 1, 2yt−1 − 0, 4yt−2 + εt + 1, 4εt−1 − 0, 3εt−2 Wielomian charakterystyczny procesu AR(2) przykªad (1) Fakt 1. Ka»dy proces AR(p ) mo»emy zapisa¢ jako AR(1) po przedeniowaniu zmiennej na wektor zawieraj¡cy jej opó¹nienia. Np. yt = ayt−1 + byt−2 + εt ⇔ yt a b yt−1 yt−2 = + yt−1 1 0 ∗ + ε∗ yt∗ = Ayt− t 1 ∗ ∗ ∗ Fakt 2. Gdy proces yt = Ayt−1 + εt dotyczyª jednej zmiennej (A n liczb¡), to oczekiwali±my, »e przy stacjonarno±ci A → 0 dla n → ∞. Podobnie w przypadku macierzy A oczekujemy, »e An → 0 dla n → ∞. εt 0 Wielomian charakterystyczny procesu AR(2) przykªad (2) Fakt 3. Niech P macierz zªo»ona z wektorów wªasnych macierzy A, D macierz zawieraj¡ca warto±ci wªasne macierzy A na gªównej przek¡tnej (w kolejno±ci odpowiadaj¡cej kolumnom w P) i zera poza ni¡. Istnieje dekompozycja: A = PDP−1 Fakt 4. Z algebry macierzy: An = PDn P−1 Wniosek: An →0 dla n→∞ n gdy D →0 . D jest macierz¡ diagonaln¡, a wi¦c d¡»y do zerowej gdy diagonalne elementy d¡»¡ do 0 przy podnoszeniu do kolejnych pot¦g. Czyli ich warto±ci bezwzgl¦dne musz¡ by¢ < 1. Wielomian charakterystyczny procesu AR(2) przykªad (3) Warto±ci wªasne macierzy A: a−λ b 1 0−λ =0 (a − λ) (0 − λ) − b = 0 λ2 − aλ − b = 0 Rozwa»my podstawienie 1 L= − aL − bL2 = 0 1 λ . Wówczas: Odpowiada to wielomianowi charakterystycznemu procesu AR(2) yt = ayt−1 + byt−2 + εt . Gdy wszystkie pierwiastki (z podstawienia) wszystkie λ<1 L > 1, wówczas i warunek stacjonarno±ci jest speªniony. Prognoza 1. Horyzont prognozy musi nale»e¢ do zakresu czasowego pliku. 2. W pliku musz¡ by¢ wszystkie niezb¦dne warto±ci zmiennych egzogenicznych w horyzoncie prognozy (je»eli to model ARIMAX). 3. Analiza / Prognoza... w oknie modelu. 4. Je»eli model jest dynamiczny (opó¹nienia zmiennej endogenicznej), mo»na wybra¢ prognoz¦ dynamiczn¡ lub statyczn¡: 4.1 dynamiczna: jako przyszªe warto±ci yt−1 , yt−2 itd. w charakterze zmiennych obja±niaj¡cych u»yte zostan¡ poprzednie prognozy; 4.2 statyczna: jako przyszªe warto±ci yt−1 , yt−2 u»yte dane z pliku (o ile s¡ dost¦pne). itd. zostan¡ Zadanie B Otwórz plik arma.gdt i oszacuj dla tych danych pewien oszcz¦dnie sparametryzowany proces ARMA. 1. Oce« jego stacjonarno±¢ / odwracalno±¢ na podstawie podanej przez Gretl informacji o pierwiastkach wielomianu charakterystycznego. 2. Dokonaj jego prognozy na 10 okresów w przód. Zadanie C Plik arma_identykacja.gdt zawiera 9 szeregów czasowych, wygenerowanych przez procesy ARMA(p ,q ), przy czym q = 0, 1, 2 p = 0, 1, 2 (wszystkie mo»liwe kombinacje). Zidentykuj poszczególne procesy. i Funkcja autokorelacji (ACF) Pokazuje korelacj¦ warto±ci szeregu z kolejnymi opó¹nieniami tego samego szeregu: opó¹nienie 1 r1 opó¹nienie 2 r2 opó¹nienie 3 r3 itd. Szacujemy na podstawie danych, obliczaj¡c wspóªczynniki korelacji liniowej Pearsona. Wspóªczynnik korelacji cz¡stkowej Wspóªczynnik korelacji mi¦dzy rij.l = i oraz j z wykluczeniem wpªywu rij −ril ·rjl (1−ril2 )·(1−rjl2 ) q l: Funkcja autokorelacji cz¡stkowej (PACF) Pokazuje korelacj¦ warto±ci szeregu z kolejnymi opó¹nieniami tego samego szeregu, z wykluczeniem wpªywu opó¹nie« ni»szego rz¦du: opó¹nienie 1 r1 (tak samo jak w ACF) opó¹nienie 2 korelacja cz¡stkowa warto±ci bie»¡cej z 2 opó¹nieniem z wykluczeniem wpªywu 1 opó¹nienia opó¹nienie 3 korelacja cz¡stkowa warto±ci bie»¡cej z 3 opó¹nieniem z wykluczeniem wpªywu 1 i 2 opó¹nienia opó¹nienie 4 korelacja cz¡stkowa warto±ci bie»¡cej z 4 opó¹nieniem z wykluczeniem wpªywu 1, 2 i 3 opó¹nienia itd. Funkcje ACF i PACF jako kryterium doboru p ,q Sposób post¦powania podpowiadany przez korelogram: I dla modeli AR(p): szukamy punktu uci¦cia na wykresie PACF I dla modeli MA(q): szukamy punktu uci¦cia na wykresie ACF I dla modeli ARMA(p,q): zwi¦kszamy stopniowo p i q, staraj¡c si¦ wyczy±ci¢ wykres ACF i PACF Zaczynamy od Zmienna / Korelogram. Nast¦pnie, po oszacowaniu modelu ARMA, ogl¡damy ACF i PACF reszt losowych. ACF i PACF: przykªad (1) Proces AR(1): Correlogram of P2 Autocorrelation Partial Correlation AC 1 2 3 4 5 6 7 8 9 10 11 12 PAC Q-Stat Prob 0.817 -0.012 -0.018 -0.046 -0.005 -0.058 0.046 0.078 -0.039 -0.067 0.005 -0.051 98.762 164.35 206.97 232.66 247.86 255.38 259.61 263.05 265.31 266.24 266.61 266.62 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 AC PAC Q-Stat Prob 0.514 0.056 0.045 0.027 -0.002 -0.082 -0.081 0.033 0.062 0.016 -0.093 -0.220 0.514 -0.282 0.225 -0.151 0.094 -0.192 0.118 0.003 0.039 -0.038 -0.130 -0.156 39.057 39.526 39.824 39.932 39.932 40.973 41.976 42.148 42.751 42.789 44.156 51.912 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.817 0.663 0.533 0.412 0.316 0.221 0.165 0.149 0.120 0.077 0.048 0.010 ACF i PACF: przykªad (2) Proces MA(1): Correlogram of P4 Autocorrelation Partial Correlation 1 2 3 4 5 6 7 8 9 10 11 12 Testy statystyczne i miary dopasowania I testy istotno±ci (t ) I testy autokorelacji Q (Ljung-Box) i efektów ARCH I UWAGA! Interpretacja R-kwadrat mo»e by¢ myl¡ca zwracamy raczej uwag¦ na kryteria informacyjne I pomagaj¡ rozstrzyga¢ mi¦dzy konkurencyjnymi modelami I kompromis mi¦dzy dopasowaniem a oszcz¦dn¡ parametryzacj¡ Ró»nicowanie sezonowe Model ARIMA z sezonowo±ci¡ nazywamy SARIMA (Seasonal ARIMA). Dodatkowe parametry (w stosunku do ARIMA): I s dªugo±¢ cyklu sezonowo±ci (4 dla danych kwartalnych, 12 dla miesi¦cznych, 5 lub 7 dla dziennych itp.) I D parametr sezonowego ró»nicowania d = 1: ∆s yt = yt − yt−s ∆2s yt = ∆s yt − ∆s yt−s Ogólnie: D−1 y − ∆D−1 y ∆D t t−s s yt = ∆s s . . . Dla . . . ∆s (∆d yt ) = ∆d yt − ∆d yt−s ∆2s (∆d yt ) = ∆s (∆d yt ) − ∆s (∆d yt−s ) d D−1 (∆d y ) − ∆D t s (∆ yt ) = ∆s D− 1 d ∆s (∆ yt−s ) Model SARIMA Dla uproszczenia notacji: niech yt∗ = ∆Ds (∆d yt ) oznacza odpowiednio zró»nicowany szereg. Oprócz sezonowego ró»nicowania szeregu wyj±ciowego, mo»emy w modelu uwzgl¦dni¢ sezonowe regresory typu AR i MA. Model ARIMA (p ,d ,q ): 1 − φ1 L − φ2 L2 − ... − φp Lp yt∗ = c + 1 + θ1 L + θ2 L2 + ... + θq Lq εt Model SARIMA (p ,d ,q )x(P ,D ,Q )s : − Φ1 L1·s − Φ2 L2·s − ... − ΦP LP·s yt∗ = c + 1 + θ1 L + θ2 L2 + ... + θq Lq 1 + Θ1 L1·s + Θ2 L2·s + ... + ΘQ LQ·s εt 1 − φ1 L − φ2 L2 − ... − φp Lp 1 Model SARIMA - parametryzacja P rz¡d opó¹nie« sezonowych typu AR Q rz¡d opó¹nie« sezonowych typu MA Parametryzacja modelu SARIMA: (p ,d ,q )x(P ,D ,Q )s Uwagi: Model ARIMA jest szczególnym przypadkiem modelu SARIMA z P=0, D=0 i Q=0. Brak sezonowo±ci sprowadza si¦ do ustalenia parametru s=1, przez co P, D i Q trac¡ sens bytu (staj¡ si¦ nierozró»nialne od odpowiednio p, d i q). Zadanie A Jakie dokªadnie równanie szacujemy w przypadku nast¦puj¡cych modeli SARIMA? 1. (1, 0, 1) × (1, 0, 0)12 2. (1, 0, 1) × (0, 0, 1)12 Ile jest szacowanych parametrów, a ile regresorów? Omów restrykcje naªo»one na parametry w takich równaniach. Zadanie B Oszacuj model SARIMA dla zmiennej pass w pliku pass.gdt. Znajd¹ odpowiedni¡ specykacj¦. Wyznacz prognoz¦ dla kilku okresów w przód. Praca domowa 2 Wybierz 2 z szeregów czasowych analizowanych na pierwszych zaj¦ciach (z wyj¡tkiem stopy bezrobocia). Oszacuj dla nich modele ARIMA o specykacji, któr¡ uznasz za najbardziej adekwatn¡ na podstawie testów stacjonarno±ci oraz znanych Ci kryteriów doboru opó¹nie« (ACF, PACF, kryteria informacyjne, testy istotno±ci i autokorelacji). Przedstaw uzasadnienie wybranej specykacji. Oce« stacjonarno±¢ / odwracalno±¢ obu procesów (przedstaw wªasne obliczenia, traktuj¡c wynik z Gretla jako sprawdzenie ich poprawno±ci). Dokonaj prognozy na 4 okresy w przód. Plan prezentacji Zjazd 1 Modele dynamiczne analiza COMFAC Stacjonarno±¢ i niestacjonarno±¢ szeregów czasowych Zjazd 2 Modele ARIMA Modele o zmiennej wariancji skªadnika losowego Zjazd 3 Modele VAR Modele SVAR Zjazd 4 Kointegracja i modele VEqCM Filtr Kalmana i modele w przestrzeni stanów Czym s¡ efekty ARCH? I niestaªa wariancja skªadnika losowego (heteroskedastyczno±¢) I klastrowanie wariancji (ang. volatility clustering): blisko siebie skupione s¡ obserwacje o wysokiej wariancji skªadnika losowego, w innych okresach koncentruj¡ si¦ obserwacji o niskiej wariancji I pasuje schemat autoregresyjny dla wariancji skªadnika losowego, jako warunkowej wzgl¦dem najbli»szej przeszªo±ci: AutoRegressive Conditional Heteroskedasticity Test efektów ARCH Test mno»nika Lagrange'a ARCH Engle (1982) 1. Szacujemy równanie regresji, resztami z niego s¡ ε̂t . 2. Szacujemy równanie pomocnicze: ε̂2t = α0 + α1 ε̂2t−1 + . . . + αq ε̂2t−q + ηt 3. Je»eli efekty ARCH nie wyst¦puj¡, to R2 z modelu (2) powinno by¢ niskie: H0 : α1 = . . . = αq = 0 H1 : ∃j αj 6= 0 4. Statystyka testowa: LM = T · R 2 , gdzie T liczba obserwacji. 2 Rozkªad χ (q). Wysokie warto±ci statystyki testowej prowadz¡ do odrzucenia H0 o braku efektów ARCH. Alternatywne specykacje testów ARCH I T· q P k=1 ρ2 (k) ∼ χ2 (q), gdzie ρ2 (k) autokorelacji kwadratów reszt (rz¦du wspóªczynniki k) z oszacowanego równania podstawowego I T (T + 2) q P k=1 1 2 (k) T −k ρ ∼ χ2 (q) (odpowiednik testu Ljunga-Boxa) Specykacja modelu ARCH(q) Engle (1982) yt = µ + xt β + εt εt = σt t t ∼ N (0; 1) q P 2 σt = α0 + αi ε2t−i i=1 Ostatnie równanie (wariancji) szacowane jest jako: ε2 t = α0 + q P i=1 αi ε2t−i + ηt Zadanie 1 Rozwa»amy procesy ARCH(1) i ARCH(2). : 1. Dla ka»dego z nich wyznacz stacjonarn¡ (bezwarunkow¡) wariancj¦ skªadnika losowego σ̄ 2 , tzn. tak¡ staª¡ wariancj¦, która wyst¦powaªaby pod nieobecno±¢ wstrz¡sów w równaniu wariancji (ηt ). 2. Udowodnij, »e dla procesu ARCH(1) σt2 = σ̄ 2 + α1 ε2t−1 − σ̄ 2 . Zinterpretuj t¦ zale»no±¢. Specykacja modelu GARCH(p,q) Bollerslev (1986) I równanie wariancji ró»ni si¦ od modelu ARCH: q p P P σt2 = α0 + i=1 αi ε2t−i + j=1 2 βj σt−j I rozszerzenie specykacji analogiczne do przechodzenia z procesów MA o wysokim rz¦dzie opó¹nie« do oszcz¦dnie sparametryzowanych procesów AR Warunek stacjonarno±ci modelu GARCH(p, q ) wg Bollersleva: q P i=1 αi + p P j=1 βj < 1 Zadanie 2 1. Wyznacz stacjonarn¡ (niezale»n¡) wariancj¦ procesu GARCH(1,1). 2. Przeksztaª¢ proces GARCH(1,1) do postaci procesu ARCH. Jaki jest parametr q dla takiego procesu ARCH? Co mo»na powiedzie¢ o wagach przypisanych poszczególnym opó¹nieniom? Zadanie 3 1. Dokonaj oceny stopnia zintegrowania szeregu PLN i w razie potrzeby zaproponuj odpowiedni¡ transformacj¦. 2. Oszacuj model AR(2) dla ostatecznie wybranego szeregu i przeprowad¹ test wyst¦powania efektów ARCH. 3. Oszacuj modele ARCH i GARCH dla szeregu. 4. Porównaj prognozy z modeli ARCH i GARCH z prognoz¡ z modelu AR(2). Zwró¢ uwag¦ na dªugo±¢ przedziaªów ufno±ci. Zaprezentuj prognoz¦ na wykresie zawieraj¡cym 1000 poprzedzaj¡cych obserwacji. Zadanie 4 Wygeneruj proces: 1. AR(1) z wybranym parametrem 2 staªej wariancji σ φ1 2. AR(1) z tym samym parametrem i skªadnikiem losowym o φ1 i skªadnikiem losowym GARCH(1,1) sparametryzowanym w ten sposób, aby dªugookresowa wariancja byªa równa σ2 Porównaj wykresy obu procesów. Plan prezentacji Zjazd 1 Modele dynamiczne analiza COMFAC Stacjonarno±¢ i niestacjonarno±¢ szeregów czasowych Zjazd 2 Modele ARIMA Modele o zmiennej wariancji skªadnika losowego Zjazd 3 Modele VAR Modele SVAR Zjazd 4 Kointegracja i modele VEqCM Filtr Kalmana i modele w przestrzeni stanów Modele VAR - wprowadzenie (1) Modele VAR pojawiªy si¦ w ekonometrii w latach osiemdziesi¡tych (Sims, 1980) jako odpowied¹ na wady wielkich modeli strukturalnych: I aprioryczny (na podstawie teorii)podziaª na zmienne endo- i egzogeniczne I apriorycznie okre±lana struktura dynamiczna (rz¡d opó¹nie«) systemu zwykle niewystarczaj¡ca I problem identykacji I sªabe wªasno±ci prognostyczne Modele VAR - wprowadzenie (2) Wªasno±ci modeli VAR: I brak podziaªu a priori na zmienne endogeniczne i egzogeniczne I ateoretyczno±¢ jedynie wybór zmiennych do modelu podyktowany jest teori¡ I bardzo dobre wªasno±ci prognostyczne w krótkim okresie I parametry w zasadzie nieinterpretowalne, za± ze wzgl¦du na siln¡ wspóªliniowo±¢, istotno±ci zmiennych nie mo»na testowa¢ za pomoc¡ standardowych statystyk t-Studenta; inne kryteria: I ksztaªt oraz znak funkcji reakcji na impuls I kryteria informacyjne (rozstrzyganie mi¦dzy konkurencyjnymi modelami najcz¦±ciej rz¦dami opó¹nie«) Modele VAR - posta¢ zredukowana (1) VAR(p): yt = A0 dt + A1 yt−1 + A2 yt−2 + ... + Ap yt−p + εt = [y1t yt 2 ... ytk ]T I yt - wektor zmiennych endogenicznych I dt wektor zmiennych deterministycznych (staªa, trend, zmienne 0-1, zmienne sezonowe) I A0 macierz parametrów (k × k) przy zmiennych deterministycznych I Ai i = 1, ..., p macierz parametrów (k × k) przy i -tych opó¹nieniach zmiennych endogenicznych I εt k -wymiarowy wektor skªadników losowych (zaªo»enie o biaªoszumowo±ci) Modele VAR - posta¢ zredukowana (2) I model VAR(p) dla k zmiennych endogenicznych skªada si¦ z... I k równa« o identycznej strukturze I w ka»dym równaniu w roli zmiennych obja±niaj¡cych wyst¦puje p opó¹nie« wszystkich zmiennych w systemie... I oraz zmienne deterministyczne) i-te równanie modelu: yit = a0 dt + a1,i 1 y1,t−1 + a1,i 2 y2,t−1 + ... + a1,ik yk,t−1 + +a2,i 1 y1,t−2 + a2,i 2 y2,t−2 + ... + a2,ik yk,t−2 + ... ... + ap,i 1 y1,t−p + ap,i 2 y2,t−p + ... + ap,ik yk,t−p + εit Estymacja modeli VAR I w przypadku zredukowanej postaci modelu VAR (posta¢ bez równoczesnych powi¡za« pomi¦dzy zmiennymi) nie wyst¦puje problem endogeniczno±ci (skorelowania zmiennych obja±niaj¡cych ze skªadnikiem losowym, które skutkuje niezgodno±ci¡ estymatorów) I z tego wzgl¦du model mo»e by¢ szacowany za pomoc¡ KMNK (ka»de równanie oddzielnie) Quick -- Estimate VAR... Utworzenie modelu VAR(4) z 3 zmiennymi i trendem deterministycznym: var mvar.ls 1 4 m1 gdp tb3 @ @trend Dobór rz¦du opó¹nie« I jedyna oprócz skªadu wektora zmiennych i ew. komponentów deterministycznych decyzja w sprawie specykacji modelu I kryteria: I kryteria informacyjne (AIC, HQC, SIC) ich warto±ci zale»¡ od (i) stopnia dopasowania do danych (+), (ii) liczby oszacowanych parametrów (-) wybieramy warto±¢ jak najni»sz¡ I brak autokorelacji skªadnika losowego I testu zasadno±ci restrykcji, jakie wi¡»¡ si¦ z zerowymi parametrami przy wy»szych rz¦dach opó¹nie« Test restrykcji LR testu ilorazu wiarygodno±ci test istotno±ci kolejnych opó¹nie« wszystkich zmiennych w poszczególnych równaniach: I H0 : dane potwierdzaj¡ zasadno±¢ naªo»onych restrykcji (mniejszy rz¡d opó¹nie«) I LR = T (logLR − logLU ) ∼ χ2p I logLR - logarytm naturalny funkcji wiarygodno±ci modelu z restrykcjami (wykluczenie ostatnich opó¹nie«) I logLU - logarytm naturalny funkcji wiarygodno±ci modelu bez restrykcji I p = liczba restrykcji = liczba parametrów, na które naªo»ono restrykcj¦ zerow¡ Testy reszt losowych w modelu VAR I test autokorelacji Q (np. Ljunga-Boxa): autokorelacja skªadnika losowego do H0 nie wyst¦puje rz¦du p wª¡cznie I rozwi¡zanie: wy»szy rz¡d opó¹nie« I test normalno±ci rozkªadu reszt (np. Doornika-Hansena wielowymiarowe uogólnienie testu Jarque-Bera): H0 rozkªad reszt losowych jest normalny I rozwi¡zanie: np. zmienne zerojedynkowe przy obserwacjach odstaj¡cych I test efektów ARCH: H0 nie wyst¦puj¡ efekty ARCH (tzn. wariancja skªadnika losowego jest staªa) I rozwi¡zanie: model z efektami ARCH Szczegóªy: EViews 7 User's Guide II, s. 464 nn. Stabilno±¢ modelu VAR I przez analogi¦ do procesów AR: warto±ci wªasne tzw. macierzy towarzysz¡cej musz¡ by¢ co do moduªu <1 (le»e¢ wewn¡trz koªa jednostkowego) I co to jest macierz towarzysz¡ca? I dla modelu VAR(1): yt = A1 yt−1 + εt badamy macierz A1 : |A1 − λI| = 0 I dla modelu VAR(2) i wy»szych rz¦dów opó¹nie« tworzymy i badamy tzw. macierz towarzysz¡c¡ (ang. comanion/accompanying matrix), yt = A1 yt−1 + A2 yt−2 + εt yt A1 A2 = yt−1 I 0 {z } | np. yt−1 yt−2 + T (macierz towarzyszaca) |T − λI| = 0 Przykªad stabilnego modelu VAR Pierwiastki równania charakterystycznego VAR εt 0 Przyczynowo±¢ w sensie Grangera Denicja Zmienna x jest przyczyn¡ w sensie Grangera zmiennej y, je»eli bie»¡ce warto±ci zmiennej y mo»na wyprognozowa¢ z wi¦ksz¡ dokªadno±ci¡ (mniejszy bª¡d prognozy) korzystaj¡c z przeszªych warto±ci zmiennej x ni» nie korzystaj¡c z nich. Je»eli oka»e si¦, »e x nie jest przyczyn¡ w sensie Grangera zmiennej y, to y jest zmienn¡ egzogeniczn¡. View -- Lag Structure -- Granger Causality/Block Exogeneity Test nazwa_obiektu.testexog H0 : zmienna x nie jest przyczyn¡ w sensie Grangera zmiennej y (parametry przy opó¹nieniach zmiennej x w równaniu ze zmienn¡ y jako obja±nian¡ s¡ ª¡cznie równe 0) Werykacja hipotezy na podstawie testu ilorazu wiarygodno±ci: LR = 2(logLR − logLU ) W ostatnim wierszu (all): ª¡czna istotno±¢ opó¹nie« wszystkich zmiennych w modelu (poza opó¹nieniami zmiennej zale»nej) Przykªad var.wf1 Szacujemy model VAR na potrzeby analizy transmisji polityki pieni¦»nej w USA. Model zawiera 3 zmienne: luk¦ PKB, stop¦ inacji i realn¡ stop¦ procentow¡. W modelu s¡ 2 opó¹nienia i staªa. Jakie jest równanie modelu i wymiary macierzy parametrów? Ile parametrów nale»y w sumie oszacowa¢? Jaki jest stopie« zintegrowania szeregów czasowych? Jaki rz¡d opó¹nie« nale»aªoby wybra¢ w naszym przypadku? Czy wybrany rz¡d opó¹nie« gwarantuje usuni¦cie autokorelacji skªadnika losowego? Czy model jest stabilny? Czy skªadnik losowy ma rozkªad normalny? Czy wyst¦puj¡ efekty ARCH? Plan prezentacji Zjazd 1 Modele dynamiczne analiza COMFAC Stacjonarno±¢ i niestacjonarno±¢ szeregów czasowych Zjazd 2 Modele ARIMA Modele o zmiennej wariancji skªadnika losowego Zjazd 3 Modele VAR Modele SVAR Zjazd 4 Kointegracja i modele VEqCM Filtr Kalmana i modele w przestrzeni stanów Funkcje odpowiedzi na impuls (IRF) I narz¦dzie ekonomicznej interpretacji i oceny modelu I jak b¦d¡ zmieniaªy si¦ poszczególne zmienne w modelu po 1, 2, 3... okresach od wyst¡pienia jednostkowego zaburzenia (ε2 , ε1 ε3 )? y1,t y1,t−1 y1,t−2 ε1t y2,t = A1 y2,t−1 + A2 y2,t−2 + ε2t , y3,t y3,t−1 y3,t−2 ε3t ε ∼ (0, Σ), Σ diagonalna I analogicznie do modelu AR, wektor zmiennych obja±nianych mo»emy przedstawi¢ w postaci niesko«czonej sumy bie»¡cych i przeszªych szoków: IRF (2) View -- Impulse response IRF (3) IRF (4) IRF nazwa_obiektu.impulse(horyzont, a, imp=chol, widok, matbyr=nazwa_macierzy) zmienne_odpowiedzi @ zmienne_szoki nazwa_macierzy nazwa macierzy, w której zapisane zostan¡ odpowiedzi kolejnych zmiennych na kolejne impulsy (w pierwszej kolumnie odpowied¹ pierwszej zmiennej na pierwszy szok, w drugiej kolumnie odpowied¹ pierwszej zmiennej na drugi szok itd.) widok: g pojedynczy rysunek, m oddzielne rysunki, t tabela IRF w modelu VAR: problem y1,t y1,t−1 y1,t−2 ε1t y2,t = A1 y2,t−1 + A2 y2,t−2 + ε2t , y3,t y3,t−1 y3,t−2 ε3t ε ∼ (0, Σ), Σ diagonalna czym wªa±ciwie jest macierzy Σ εt i jak zada¢ impuls? (zaªo»enie o diagonalnej rzadko mo»liwe do uwzgl¦dnienia w praktyce) (1): niediagonalna macierz kowariancji skªadnika losowego y1,t y1,t−1 y1,t−2 ε1t y2,t = A1 y2,t−1 + A2 y2,t−2 + B ε2t , y3,t y3,t−1 y3,t−2 ε3t Bε ∼ 0, BT ΣB ...ale jak zada¢ impuls, skoro B i Σ nierozró»nialne? (2): jednoczesne zwi¡zki mi¦dzy zmiennymi y1,t y1,t−1 y1,t−2 ε1t A0 y2,t = A1 y2,t−1 + A2 y2,t−2 + ε2t , y3,t y3,t−1 y3,t−2 ε3t ε ∼ (0, Σ) y1,t y2,t = y3,t y1,t−1 y1,t−1 ε1t −1 −1 −1 ε2t , A0 A1 y2,t−1 + A0 A2 y2,t−1 + A0 y y3,t−1 ε3t 3,t−1 −1 −1 T 1 A0 ε ∼ 0, A0 ΣA− 0 ...problem ten sam co przy B (mog¡ wyst¦powa¢ jednocze±nie niejednostkowe macierze A0 i B) Rozwi¡zania problemu IRF 1. zignorowanie korelacji jednoczesnych w analizie IRF (residual ) 2. uªo»enie zbioru bie»¡cych zmiennych w kolejno±ci od najbardziej z góry ustalonej do najbardziej endogenicznej (dekompozycja Choleskiego) 3. inne restrykcje na macierz A0 prowadz¡ce do jej identykowalno±ci (SVAR krótkookresowy) 4. Cholesky dla ka»dej zmiennej na pocz¡tku Pesaran and Shin (1998) (generalized IRF ) 5. inne restrykcje na macierz B prowadz¡ce do jej identykowalno±ci (SVAR krótkookresowy) 6. restrykcje na skumulowane IRF (macierz mno»ników dªugookresowych C) prowadz¡ce do identykowalno±ci (SVAR dªugookresowy) Dekompozycja Choleskiego I przeksztaªcenie do systemu równa« rekurencyjnych (bardzo wa»na kolejno±¢!): Σ = LLT L 1 0 ... ... ... 0 γ2,1 1 ... = ... γk−1,k−2 0 γk,1 ... γk,k−1 1 I zaªo»enia: I szok dotykaj¡cy pierwszej zmiennej w modelu ma bezpo±redni wpªyw na wszystkie zmienne w systemie (zmienna najbardziej egzogeniczna), I szok dotykaj¡cy drugiej wpªywa bezpo±rednio na wszystkie zmienne w systemie oprócz pierwszej, I szok dotykaj¡cy ostatni¡ zmienn¡ ma równoczesny wpªyw wyª¡cznie na ni¡ sam¡ (zmienna najbardziej endogeniczna) Model Blancharda-Quah I Blanchard i Quah (1989) I przykªad SVAR dªugookresowego I zaªo»enie (ekonomiczne): szoki popytowe nie wpªywaj¡ na poziom produkcji w dªugim okresie I zaªo»enia (ekonometryczne): I wektor 2 I wektor 2 ∆yt zmiennych: πt ε1 wstrz¡sów: ε2 I macierz restrykcji dªugookresowych wykazuje wpªywu na yt C= ∗ ∗ 0 ∗ , tzn. (skumulowanego wpªywu na ε2 ∆yt ) Przykªad svar.wf1 Dane o dynamice PKB oraz stopie inacji w Polsce, stree euro (17) i Niemczech. Zidentykujmy wstrz¡sy popytowe i poda»owe w tych gospodarkach. Zbadajmy reakcje gospodarek na takie wstrz¡sy. Narz¦dzie: model SVAR z restrykcjami Blancharda-Quah. nie Plan prezentacji Zjazd 1 Modele dynamiczne analiza COMFAC Stacjonarno±¢ i niestacjonarno±¢ szeregów czasowych Zjazd 2 Modele ARIMA Modele o zmiennej wariancji skªadnika losowego Zjazd 3 Modele VAR Modele SVAR Zjazd 4 Kointegracja i modele VEqCM Filtr Kalmana i modele w przestrzeni stanów Niestacjonarno±¢ zmiennych I budowanie modeli na podstawie szeregów niestacjonarnych: I OLS: regresja pozorna I ARMA, VAR: niestabilno±¢ I I(0)+I(1): niestacjonarne reszty + bª¦dne wnioskowanie statystyczne I rozwi¡zanie: ró»nicowanie danych I(1) I OLS, ARIMA, VAR: adekwatne narz¦dzia I usuni¦cie z danych zale»no±ci DUGOOKRESOWYCH Kointegracja szeregów czasowych I zale»no±ci pomi¦dzy zm. niestacjonarnymi czasami stabilne w czasie I takie zale»no±ci nazywami RELACJAMI KOINTEGRUJCYMI Kointegracja Szeregi czasowe y1 i y2 s¡ skointegrowane (rz¦du d,b), je»eli s¡ zintegrowane w stopniu d, za± istnieje ich liniowa kombinacja, która jest rz¦du d-b: y1 , y2 ∼ CI (d, b) ⇐⇒ y1 ∼ I (d) ∧ y2 ∼ I (d) ∧ ∃β6=0 yT β |{z} ∼ I (d − b) y1 β1 +y2 β2 Zwykle kointegracja dotyczy zmiennych zintegrowanych w stopniu 1, za± ich kombinacja jest stacjonarna. Kointegracja: alternatywne spojrzenia I istnieje pewien mechanizm, który sprawia, i» po wytr¡ceniu z równowagi system sam do niej powróci I kointegracja = niestacjonarne zmienne zawieraj¡ wspólny trend stochastyczny: y1t = γ1 zt + ε1t y2t = γ2 zt + ε2t , gdzie zt = zt−1 + ξt I wykrycie relacji kointegruj¡cejpozwala zdekomponowa¢ w modelu zmienno±¢ krótko- i dªugookresow¡ Testowanie kointegracji Procedura Engle'a-Grangera (Engle, Metoda Johansena (Johansen, Granger, 1987) 1988) Procedura Engle'a-Grangera I etap 1. Testujemy stopie« zintegrowania zmiennych 2. W przypadku tego samego stopnia zintegrowania szeregów budujemy model na poziomach zmiennych y1t = β0 + β1 y2t + t 2.1 parametry szacujemy KMNK (superzgodno±¢) 2.2 znajomo±¢ parametrów pozwala oszacowa¢ szereg reszt (ˆt ) Procedura Engle'a-Grangera II etap W II etapie procedury testujemy stacjonarno±¢ reszt otrzymanych w I kroku analizy: y1 , y2 ∼ CI =⇒ ˆt ∼ I (0) je»eli szereg reszt jest stacjonarny, to zmienne uznajemy za skointegorwane Kointegracyjny test Dickey'a-Fullera Hipotezy testowe: H0 : ˆt ∼ I (1) H1 : ˆt ∼ I (0) Regresja i statystyka testowa jak w te±cie DF/ADF, ale inne warto±ci krytyczne!!! Model korekty bª¦dem (1) Twierdzenie Grangera Skointegrowanie zmiennych jest równoznaczne z istnieniem mechanizmu korekty bª¦dem. Przykªad: model ADL(1,1,1) model autoregresyjny z rozkªadem opó¹nie« (1 opó¹nienie zmiennej zale»nej, 1 zmienna niezale»na, 1 opó¹nienie zmiennej niezale»nej): yt = α0 + α1 yt−1 + β0 xt + β1 xt−1 + εt Przej±cie od modelu ADL do ECM: yt = α0 + α1 yt−1 + β0 xt + β1 xt−1 + εt +yt−1 − yt−1 + xt−1 − xt−1 + β0 xt−1 − β0 xt−1 + α1 xt−1 − α1 xt−1 ECM(1,1,1) (Error Correction Model): ∆yt = (α1 − 1)(yt−1 − | α0 β0 + β1 − xt−1 ) + β0 ∆xt + εt 1 − α1 1 − α1 {z } ECT : t− ˆ 1 Model korekty bª¦dem (2) I w przypadku modelu korekty bª¦dem II krok procedury Engle'a-Grangera polega na oszacowaniu modelu ECM za pomoc¡ KMNK I uznajemy, »e zmienne s¡ skointegrowane, je»eli oszacowanie (α1 − 1) < 0 I wielko±¢ tego parametru okre±la tempo powrotu systemu do równowagi I δ = β0 +β1 mno»nik dªugookresowy 1−α1 I β0 mno»nik krótkookresowy Przykªad ecm.wf1 Ocena elastyczno±ci rynku pracy przez pryzmat modelu korekty bª¦dem dla: pªac realnych (zmienna obja±niana) wydajno±ci bezrobocia Na przykªadzie Zasova, Melihovs (2005) Metoda Johansena Metoda Engle'a-Grangera 1. Wady statystyczne 2. Wybór zmiennych obja±nianej istotny dla szeregu reszt w krótkich próbach 3. Mo»liwo±¢ oszacowania najwy»ej 1 relacji kointegruj¡cej, b¦d¡cej kombinacj¡ wi¦kszej ich liczby... I ...w systemie n zmiennych mo»e ich by¢ do n-1! Metoda Johansena I pozwala przezwyci¦»y¢ wady dwustopniowej procedury Engle'a-Grangera I procedur¦ Johansena przeprowadzamy w ramach modelu VAR z kointegracj¡ I VEqCM Vector Equilibrium Correction Model Model VEqCM I VAR z p opó¹nieniami (dla zmiennych niestacjonarnych): yt = A0 Dt + A1 yt−1 + A2 yt−2 + ... + Ap yt−p + εt I przej±cie od modelu VAR do VEqCM: yt = A0 Dt + A1 yt−1 + A2 yt−2 + ... + Ap yt−p + εt + +yt−1 − yt−1 + (A1 − I)yt−2 − (A1 − I)yt−2 + +(A1 + A2 − I)yt−3 − (A1 + A2 − I)yt−3 + ... I model VEqCM z p− P1 ∆yt = p−1 opó¹nieniami: Π ∆yt−i + Πyt−1 + εt i=1 Pp Π = i= P1 pAi − I Π = − j=i+1 Aj i i Dekompozycja macierzy Q ECM: ∆y1t = β0 ∆y2t + (α1 − 1)(1y1,t−1 − VEqCM: I Q β ∆yt = = αβ , i=1 macierz n×n 1 α0 − 1−α 1 - macierz dostosowa« bª¦dem y2,t−1 ) + εt Πi ∆yt−i + Πyt−1 + t - macierzh wektorów kointegruj¡cych i wektorowi α p− P1 β0 +β1 α0 1−α1 1 − 1−α1 (α1 − 1) r × n, +β1 − β10−α 1 n × r , odpowiada odpowiada parametrowi korekty Rz¡d macierzy Q 3 zmienne endogeniczne (n 1. 2. = 3), ∗ ∗ ∗ Π= ∗ ∗ ∗ ∗ ∗ ∗ r (Π) = 0 zmienne stacjonarne ∗ ∗ ∗ ∗ Π = ∗ ∗ ∗ = αβ = ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ | {z } r (Π)=1 3. 4. ∗ ∗ ∗ Π = ∗ ∗ ∗ = αβ = ∗ ∗ ∗ | r (Π) = 3 Rz¡d macierzy ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ {z } r (Π)=2 zmienne niestacjonarne i brak kointegracji Π = liczba relacji kointegruj¡cych! Badanie rz¦du macierzy Q Rz¡d macierzy jest równy liczbie jej niezerowych warto±ci wªanych, a wi¦c testy rz¦du kointegracji polegaj¡ na badaniu, czy oszacowane warto±ci wlasne macierzy Q s¡ istotnie ró»ne od zera. 1. Test ±ladu: H0 : R = r H1 : R > r P TRACE = −T ki=r +1 ln(1 − λ̂i ) ∼ χ2 2. Test najwi¦kszej warto±ci wªasnej: H0 : R = r H1 : R = r + 1 MAX = −Tln(1 − λrˆ+1 ) ∼ χ2 Identykacja macierzy αiβ I aby zdekomponowa¢ macierz Q = αβ , nale»y naªo»y¢ r2 restrykcji: I r = 1: wystarczy restrykcja normalizacyjna (β I r > 1: konieczne inne restrykcje (β I restrykcje na α lub na = 1 0 0 1 = 1 ∗ ∗ ) ∗ ) ∗ β Procedura Johansena w EViews 1. Stopie« zintegrowania zmiennych 2. VAR na zmiennych I(1) wybór rz¦du opó¹nienia, diagnostyka. 3. Wymiar przestrzeni kointegruj¡cej (test ±ladu i najwi¦kszej warto±ci wªasnej). 4. Restrykcje identykuj¡ce i estymacja parametrów modelu VEqCM. 5. Restrykcje testowane (zerowe, homogeniczno±ci, sªabej egzogeniczno±ci). Procedura Johansena (1) View -- Cointegration Test Procedura Johansena (2) 1. staªa = 0 w caªym modelu (bardzo restrykcyjne!) 2. staªa tylko w relacji kointegruj¡cej (brak liniowych trendów w danych) 3. staªa w relacji kointegruj¡cej oraz równaniach VAR (s¡ liniowe trendy w danych, ale znosz¡ si¦ w relacji kointegruj¡cej) 4. staªa i trend w relacji kointegruj¡cej (s¡ liniowe trendy w danych i nie znosz¡ si¦ w relacji kointegruj¡cej) 5. staªa i trend w relacji kointegruj¡cej oraz równaniach VAR (s¡ kwadratowe trendy w danych) Szacowanie modelu VEqCM (1) Proc -- Specify/Estimate -- Vector Error Correction Szacowanie modelu VEqCM (2) Skªadnia EViews Estymacja modelu VEqCM var beer.EC(C,1) 1 1 Q BS TOT R NFA DEBT @ D9805 I c specykacja komponentów deterministycznych I a wersja 1, b wersja 2, c wersja 3, d wersja 4 I 1 liczba relacji kointegruj¡cych I 1 1 opó»nienia (w cz¦±ci krótkookresowej) od 1 do 1 Testowanie restrykcji w modelu VEqCM Test ilorazu wiarygodno±ci: H0 : restrykcje nie s¡ odrzucane przez dane Statystyka testowa: LR = T Pr i=1 [ln(1 − λR ) − ln(1 − λU )] ∼ χ2p λR warto±¢ f. wiarygodno±ci, model z ograniczeniami (Restricted) λU warto±¢ f. wiarygodno±ci, model bez ogranicze« (Unrestricted) p liczba restrykcji Przykªad veqcm.wf1 / veqcm.prg Replikujemy obliczenia z pracy B¦zy-Bojanowskiej i MacDonalda (2009) dotycz¡ce kursu równowagi BEER dla PLN/EUR: q: realny kurs PLN/EUR deowany PPI r: dysparytet realnych stóp procentowych PL i EA bs: wzgl¦dna wydajno±¢ pracy w PL na tle EA (proxy efektu Balassy-Samuelsona) tot: terms of trade w PL wzgl¦dem DE nfa: aktywa zagraniczne netto def: decyt bud»etowy / PKB debt: zadªu»enie SP / PKB Plan prezentacji Zjazd 1 Modele dynamiczne analiza COMFAC Stacjonarno±¢ i niestacjonarno±¢ szeregów czasowych Zjazd 2 Modele ARIMA Modele o zmiennej wariancji skªadnika losowego Zjazd 3 Modele VAR Modele SVAR Zjazd 4 Kointegracja i modele VEqCM Filtr Kalmana i modele w przestrzeni stanów Filtr Kalmana idea I problem ekstrakcji sygnaªu I identykacja i pomiar zmiennej nieobserwowalnej na podstawie sieci zale»no±ci mi¦dzy ni¡ a obserwowalnymi I estymacja parametrów modeli ze zmiennymi nieobserwowalnymi I pozwala skonstruowa¢ funkcj¦ wiarygodno±ci I stworzony na potrzeby nauk technicznych (maszyny produkcyjne, armia i zbrojenia, fale radiowe) I ró»ne wersje specykacji modelu I wªa±ciwo±ci stochastyczne, zmienne egzogeniczne, dynamika... Model w przestrzeni stanów Liniowy, Gaussowski: ( αt yt = c + Tαt −1 + Rηt = d + Zαt + t STATE: m×1 I αt I ηt ∼ N (0, Q) wektor zmiennych modelu (nieobserwowalnych) wstrz¡sy w modelu SIGNAL: I yt I t ∼ N (0, H) wektor n×1 zmiennych obserwowalnych bª¦dy pomiaru Filtr Kalmana (1): inicjalizacja Przed okresem t znamy: I yt−1 I at−1 warto±¢ oczekiwana α t −1 warunkowa wzgl¦dem yt−1 I Pt−1 macierz wariancji-kowariancji wzgl¦dem yt−1 Problem inicjalizacji: a0 , P 0 bezwarunkowe (Hamilton, I I α t −1 warunkowa zwykle dªugookresowe warto±ci 1994): a0 = c vecP0 = [Im2 − (T ⊗ T)]−1 · vec (Q) EViews) I estymacja bayesowska diuse priors Filtr Kalmana (2): predykcja Równania predykcji (ex ante w t ): I at|t−1 = Tat−1 + c I yt|t−1 = Zat|t−1 + d I Pt|t−1 = TPt−1 TT + RQRT Macierz wariancji-kowariancji yt : I Ft = ZPt|t−1 ZT + H (warto±¢ domy±lna w Filtr Kalmana (3): aktualizacja Kalman gain: I Kt 1 = Pt|t−1 ZT F− t Równania aktualizacji (ex I post w t ): υ t = yt − yt|t−1 I at = at|t−1 + Kt υ t warto±¢ oczekiwana αt warunkowa wzgl¦dem yt I Pt = Pt|t−1 − Kt ZPt|t−1 Funkcja wiarygodno±ci a ltr Kalmana I ltr Kalmana pozwala na zapisanie (i maksymalizacj¦) funkcji wiarygodno±ci... I ...w obecno±ci zmiennych nieobserwowalnych L [y, θ] = − Tn 2 ln (2π) + T T X 2 ln |Ft | − t=1 → max θ 1 2 T X t=1 1 υ Tt F− t υt Wyprowadzenie Filtr Kalmana w EViews I Object -- New Object -- SSpace I specykacja: I automatyczna: I r¦czna: Spec Proc -- Define State Space Specykacja równa« Przykªadowe równania STATE i SIGNAL @state sv1 = c(2)*sv1(-1) + c(3)*sv2(-1) + [var = exp(c(5))] @state sv2 = sv1(-1) @signal y = sv1 + sv2*x1 + sv3*x2 + sv4*y(-1) + [var=exp(c(1))] log(passenger) = c(1) + c(3)*x + sv1 + c(4)*sv2 I @state oznacza równanie stanu, @signal lub nic równanie obserwacji I w równaniach stanu nie mog¡ si¦ pojawi¢ opó¹nienia pó¹niejsze ni» pierwsze I równania nie mog¡ by¢ nieliniowe ze wzgl¦du na stan I w równaniach sygnaªu mo»e si¦ pojawia¢ tylko bie»¡ca zmienna stanu Specykacja wstrz¡sów I deniowanie wstrz¡sów przez wariancj¦ wyklucza ich skorelowanie I alternatywa: @ename (deklaracja wstrz¡su) I @evar pozwala zdeniowa¢ ich wariancje i kowariancje Bª¡dzenie losowe z bª¦dem pomiaru y = c(1) + sv1 + e1 @state sv1 = sv1(-1) + e2 + c(2)*e1 @ename e1 @ename e2 @evar cov(e1, e2) = c(2) @evar var(e1) = exp(c(3)) Warto±ci pocz¡tkowe I warto±ci startowe dla estymacji: param c(1) .15 c(2) .5 I inicjalizacja ltru Kalmana: I I I @mprior v1 @vprior m1 gdzie: v1 wektor, m1 a1|0 : P1|0 : EViews macierz w przestrzeni roboczej Wykresy i prognozy w EViews ONE-STEP AHEAD... warunkowa warto±¢ oczekiwana na podstawie informacji do t-1 wª¡cznie one-step ahead predicted signal: yt|t−1 one-step ahead predicted state: Pt|t−1 FILTERED... warunkowa warto±¢ oczekiwana na podstawie informacji do t wª¡cznie ltered state: at SMOOTHED... warto±¢ oczekiwana przy zaªo»eniu dost¦pno±ci informacji z caªej próby (wcze±niejsze wyprowadzenia zakªadaªy warto±ci oczekiwane na podstawie informacji do t-1 albo do t wª¡cznie) Przykªad kalman.xls / kalman.prg Szacujemy NATURALN STOP PROCENTOW dla Polski. (Zmodykowana) replikacja badania Problemy z estymacj¡: por. te» Bencika (2009) dla Sªowacji. Laubach i Williams (2003) Kalibracja wybranych ilorazów wariancji szoków Równania ln(NAGDPSAt ) = LYPOTt + LYGAPt REALMMIRt = Rt + RGAPt ∆ ln (CPICt ) = α0 + α1 · LYGAPt + (1 − α2 − α3 ) · ∆ ln (EURPLNt−1 ) + α2 · ∆ ln (CPICt−1 ) + α3 · ∆ ln (CPIEXt ) + 1,t ∆ ln (1/EURPLNt ) = RGAPt−1 − RGAPt−2 + β1 ∆ ln (CPISKt /CPIEUt ) + 2,t LYGAPt = γ1 RGAPt−1 + γ2 RGAPt−2 + γ3 RGAPt−3 + ε1,t LYPOTt = δ0 + LYPOTt−1 + LYPOTSHOCKt LYPOTSHOCKt = η1 LYPOTSHOCKt−1 + ε2,t Rt = Rt−1 + ε3,t RGAPt = ϕ1 RGAPt−1 + ε4,t