Integracja - Ekonometria
Transkrypt
Integracja - Ekonometria
Stacjonarność Integracja Integracja Integracja Stacjonarność Integracja Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: Integracja Stacjonarność Integracja Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: 1 wartość oczekiwana szeregu jest skończona i stała w czasie E (yt ) = µ < ∞ Integracja Stacjonarność Integracja Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: 1 wartość oczekiwana szeregu jest skończona i stała w czasie E (yt ) = µ < ∞ 2 wariancja szeregu jest skończona i stała w czasie Var(yt ) = σ 2 < ∞ Integracja Stacjonarność Integracja Biały szum AR(1) Słaba stacjonarność Szereg czasowy nazywamy słabo (wariancyjnie) stacjonarnym jeżeli: 1 wartość oczekiwana szeregu jest skończona i stała w czasie E (yt ) = µ < ∞ 2 wariancja szeregu jest skończona i stała w czasie Var(yt ) = σ 2 < ∞ 3 kowariancja między realizacjami nie zależy od czasu i jest jedynie funkcją odległości między obserwacjami cov(yt , yt+h ) = cov(yt0 , yt0+h ) = γh Integracja ∀t, t0, h Biały szum AR(1) −2 −1 Szereg czasowy 0 1 2 Stacjonarność Integracja 0 20 40 60 t Integracja 80 100 Biały szum AR(1) −2 Szereg czasowy 0 2 4 Stacjonarność Integracja 0 20 40 60 t Integracja 80 100 Biały szum AR(1) −10 −5 Szereg czasowy 0 5 10 Stacjonarność Integracja 0 20 40 60 t Integracja 80 100 Stacjonarność Integracja Biały szum AR(1) Proces białego szumu ma następujące własności: Integracja Stacjonarność Integracja Biały szum AR(1) Proces białego szumu ma następujące własności: E (yt ) = µ ∀t Integracja Stacjonarność Integracja Biały szum AR(1) Proces białego szumu ma następujące własności: E (yt ) = µ ∀t var(yt ) = σ 2 ∀t Integracja Stacjonarność Integracja Biały szum AR(1) Proces białego szumu ma następujące własności: E (yt ) = µ ∀t var(yt ) = σ 2 ∀t 2 σ t=s cov = 0 t= 6 s Integracja Biały szum AR(1) −3 −2 Szereg czasowy −1 0 1 2 Stacjonarność Integracja 0 20 40 60 t Integracja 80 100 Stacjonarność Integracja Biały szum AR(1) Proces AR(1) dany jest wzorem yt = ρyt−1 + εt εt ∼IID (0, σ 2 ) Integracja Stacjonarność Integracja Biały szum AR(1) Proces AR(1) dany jest wzorem εt ∼IID (0, σ 2 ) yt = ρyt−1 + εt Jest on stacjonarny dla | ρ |< 1 Integracja Stacjonarność Integracja Biały szum AR(1) Proces AR(1) dany jest wzorem εt ∼IID (0, σ 2 ) yt = ρyt−1 + εt Jest on stacjonarny dla | ρ |< 1 Dowód stacjonarności. Integracja Stacjonarność Integracja Biały szum AR(1) Proces AR(1) dany jest wzorem εt ∼IID (0, σ 2 ) yt = ρyt−1 + εt Jest on stacjonarny dla | ρ |< 1 Dowód stacjonarności. Zapiszmy równanie dla t − 1 yt−1 = ρyt−2 + εt Integracja Stacjonarność Integracja Biały szum AR(1) Proces AR(1) dany jest wzorem εt ∼IID (0, σ 2 ) yt = ρyt−1 + εt Jest on stacjonarny dla | ρ |< 1 Dowód stacjonarności. Zapiszmy równanie dla t − 1 yt−1 = ρyt−2 + εt Podstawiając do wzoru na AR(1) uzyskujemy yt = ρyt−1 + εt = ρρyt−2 + ρεt−1 + εt Integracja Stacjonarność Integracja Biały szum AR(1) Podstawiając rekurencyjnie uzyskamy yt = ∞ X ρi εt−i i=0 Integracja Stacjonarność Integracja Biały szum AR(1) Podstawiając rekurencyjnie uzyskamy yt = ∞ X ρi εt−i i=0 Wobec tego E (yt ) = E ∞ X i=0 ∞ X ρi εt−i = ρi εt−i E (εt−i ) = 0 | {z } i=0 Integracja 0 Biały szum AR(1) Stacjonarność Integracja Podstawiając rekurencyjnie uzyskamy yt = ∞ X ρi εt−i i=0 Wobec tego E (yt ) = E ∞ X i=0 var(yt ) = var ∞ X i=0 ∞ X ρi εt−i = ρi εt−i E (εt−i ) = 0 | {z } i ρ εt−i = i=0 0 ∞ X σ2 ρ2i var(εt−i ) = | {z } 1 − ρ2 i=0 Integracja σ2 Biały szum AR(1) Stacjonarność Integracja cov(yt , yt+h ) = cov ∞ X ρi εt−i , ∞ X i=0 i=0 Integracja ρi εt−i−h Biały szum AR(1) Stacjonarność Integracja cov(yt , yt+h ) = cov ∞ X ρi εt−i , ∞ X cov(yt , yt+h ) = cov i=0 i i=0 i=0 n−1 X ρi εt−i−h ρ εt−i + ∞ X h ρ εt−i−h , i=0 Integracja ∞ X i=0 ρi εt−i−h Biały szum AR(1) Stacjonarność Integracja cov(yt , yt+h ) = cov ∞ X ρi εt−i , ∞ X cov(yt , yt+h ) = cov i ρ εt−i + i=0 cov(yt , yt+h ) = ρh ∞ X h ρ εt−i−h , i=0 ∞ X i=0 i=0 n−1 X ρi εt−i−h ∞ X i=0 ρ2i var(εt−i−h ) = ρh i=0 Integracja ρi εt−i−h σ2 1 − ρ2 Biały szum AR(1) Stacjonarność Integracja cov(yt , yt+h ) = cov ∞ X ρi εt−i , ∞ X cov(yt , yt+h ) = cov i ρ εt−i + i=0 cov(yt , yt+h ) = ρh ∞ X h ρ εt−i−h , i=0 ∞ X i=0 i=0 n−1 X ρi εt−i−h ∞ X i=0 ρ2i var(εt−i−h ) = ρh i=0 ρi εt−i−h σ2 1 − ρ2 W obliczeniach założono, że | ρ |< 1. Jest ono konieczne do udowodnienia stacjonarności Integracja Biały szum AR(1) −2 −1 Szereg AR(1) 0 1 2 3 Stacjonarność Integracja 0 20 40 60 t Integracja 80 100 Stacjonarność Integracja Biały szum AR(1) Szereg trendostacjonarny Szereg czasowy nazywamy trendostacjonarnym, gdy szereg odchyleń jego wartości od trendu jest szeregiem stacjonarnym yt − E (yt ) Integracja Stacjonarność Integracja Biały szum AR(1) Niech yt = β0 + βt + εt Integracja Stacjonarność Integracja Biały szum AR(1) Niech yt = β0 + βt + εt wobec tego E (yt ) = β0 + βt Integracja Stacjonarność Integracja Biały szum AR(1) Niech yt = β0 + βt + εt wobec tego E (yt ) = β0 + βt a yt − E (yt ) = εt Integracja Stacjonarność Integracja Biały szum AR(1) Twierdzenie Wolda Jeżeli proces stochastyczny yt jest słabo stacjonarny to można go przedstawić jako sumę procesu deterministycznego i procesu MA(∞) ∞ X yt = E (yt | yt−1 , . . . , yt−p ) + θi εt−i i=0 Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Przykładem procesu niestacjonarnego jest błądzenie przypadkowe yt = yt−1 + εt εt ∼IID (0, σ 2 ) Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Przykładem procesu niestacjonarnego jest błądzenie przypadkowe yt = yt−1 + εt εt ∼IID (0, σ 2 ) Podstawiając yt−1 = yt−2 + εt−1 otrzymujemy yt = yt−2 + εt−1 + εt Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Przykładem procesu niestacjonarnego jest błądzenie przypadkowe yt = yt−1 + εt εt ∼IID (0, σ 2 ) Podstawiając yt−1 = yt−2 + εt−1 otrzymujemy yt = yt−2 + εt−1 + εt Powtarzając czynność rekurencyjnie uzyskujemy yt = y0 + t X i=0 Integracja εi Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna zatem yt jest sumą niezależnych zmiennych o jednakowym rozkładzie Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna zatem yt jest sumą niezależnych zmiennych o jednakowym rozkładzie E (yt ) = y0 < ∞ Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Stacjonarność Integracja zatem yt jest sumą niezależnych zmiennych o jednakowym rozkładzie E (yt ) = y0 < ∞ ale var(yt ) = var(y0 + t X εi ) = i=0 t X i=0 Integracja var(εi ) = tσ 2 Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Stacjonarność Integracja zatem yt jest sumą niezależnych zmiennych o jednakowym rozkładzie E (yt ) = y0 < ∞ ale var(yt ) = var(y0 + t X εi ) = i=0 oraz cov(yt , yt+h ) = t X var(εi ) = tσ 2 i=0 t−h X var(εi ) = (t − h)σ 2 i=1 Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Stacjonarność Integracja zatem yt jest sumą niezależnych zmiennych o jednakowym rozkładzie E (yt ) = y0 < ∞ ale var(yt ) = var(y0 + t X εi ) = i=0 oraz cov(yt , yt+h ) = t X var(εi ) = tσ 2 i=0 t−h X var(εi ) = (t − h)σ 2 i=1 zatem wariancja i kowariancja zależą od czasu Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna −10 −8 Bladzenie przypadkowe −6 −4 −2 0 Stacjonarność Integracja 0 20 40 60 t Integracja 80 100 Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Jeżeli od procesu błądzenia przypadkowego odejmiemy yt−1 z obu stron uzyskamy ∆yt = εt Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Jeżeli od procesu błądzenia przypadkowego odejmiemy yt−1 z obu stron uzyskamy ∆yt = εt Taki proces będziemy nazywać procesem zintegrowanym Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Jeżeli od procesu błądzenia przypadkowego odejmiemy yt−1 z obu stron uzyskamy ∆yt = εt Taki proces będziemy nazywać procesem zintegrowanym Procesy stacjonarne nazywa się procesami zintegrowanymi rzędu 0 i oznacza I(0) Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Jeżeli od procesu błądzenia przypadkowego odejmiemy yt−1 z obu stron uzyskamy ∆yt = εt Taki proces będziemy nazywać procesem zintegrowanym Procesy stacjonarne nazywa się procesami zintegrowanymi rzędu 0 i oznacza I(0) Proces który do d-krotnym różnicowaniu jest stacjonarny nazywamy zróżnicowanym stopnia d i oznaczamy I(d) Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Znaczenie szeregów I(1) w ekonomii Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Znaczenie szeregów I(1) w ekonomii Szeregi I(2) są stosowane do modelowania hiperinflacji Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Znaczenie szeregów I(1) w ekonomii Szeregi I(2) są stosowane do modelowania hiperinflacji Szeregi o wyższym stopniu integracji nie mają zastosowań w ekonomii Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Znaczenie szeregów I(1) w ekonomii Szeregi I(2) są stosowane do modelowania hiperinflacji Szeregi o wyższym stopniu integracji nie mają zastosowań w ekonomii Dla szeregu zintegrowanego funkcje ACF i PACF mają charakterystyczny przebieg Integracja 1.00 0 10 20 Lag Bartlett’s formula for MA(q) 95% confidence bands 30 40 −0.50 Autocorrelations of e6 −0.50 0.00 0.50 −1.00 Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Partial autocorrelations of e6 0.00 0.50 1.00 Stacjonarność Integracja 0 10 95% Confidence bands [se = 1/sqrt(n)] Integracja 20 Lag 30 40 Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Chcemy zbadać czy zmienna jest stacjonarna Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Chcemy zbadać czy zmienna jest stacjonarna Zapisujemy model w postaci AR(1) yt = ρyt−1 + εt εt ∼IID (0, σ 2 ) jeżeli ρ = 1 to yt jest błądzeniem przypadkowym Integracja (1) Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Chcemy zbadać czy zmienna jest stacjonarna Zapisujemy model w postaci AR(1) yt = ρyt−1 + εt εt ∼IID (0, σ 2 ) jeżeli ρ = 1 to yt jest błądzeniem przypadkowym jeżeli | ρ |< 1 to yt jest stacjonarny Integracja (1) Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Chcemy zbadać czy zmienna jest stacjonarna Zapisujemy model w postaci AR(1) yt = ρyt−1 + εt εt ∼IID (0, σ 2 ) jeżeli ρ = 1 to yt jest błądzeniem przypadkowym jeżeli | ρ |< 1 to yt jest stacjonarny H0 : yt jest niestacjonarny H1 : yt jest stacjonarny Integracja (1) Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Chcemy zbadać czy zmienna jest stacjonarna Zapisujemy model w postaci AR(1) yt = ρyt−1 + εt εt ∼IID (0, σ 2 ) jeżeli ρ = 1 to yt jest błądzeniem przypadkowym jeżeli | ρ |< 1 to yt jest stacjonarny H0 : yt jest niestacjonarny H1 : yt jest stacjonarny dla | ρ |> 1 to yt jest eksplozywny Integracja (1) Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Jeżeli od (1) odejmiemy yt−1 z obu stron to ∆yt = (ρ − 1)yt−1 + εt ∆yt = γyt−1 + εt Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Jeżeli od (1) odejmiemy yt−1 z obu stron to ∆yt = (ρ − 1)yt−1 + εt ∆yt = γyt−1 + εt Zatem aby przeprowadzić test wystarczy przeprowadzić regresję zmiennej zróżnicowanej na jej wartość opóźnioną Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Ale przy prawdziwej H0 yt jest zmienną niestacjonarną Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Ale przy prawdziwej H0 yt jest zmienną niestacjonarną Zatem statystyka testowa nie ma rozkładu t-Studenta Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Ale przy prawdziwej H0 yt jest zmienną niestacjonarną Zatem statystyka testowa nie ma rozkładu t-Studenta Dickey i Fuller wyprowadzili wartości krytyczne testu Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Ale przy prawdziwej H0 yt jest zmienną niestacjonarną Zatem statystyka testowa nie ma rozkładu t-Studenta Dickey i Fuller wyprowadzili wartości krytyczne testu Aby procedura była prawidłowa składnik losowy nie może podlegać autokorelacji Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Rozszerzenie polega na uwzględnieniu po prawej stronie równania opóźnionych wartości zmiennej zależnej ∆yt = γyt−1 + k X γi ∆yt−i + εt i=1 Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Rozszerzenie polega na uwzględnieniu po prawej stronie równania opóźnionych wartości zmiennej zależnej ∆yt = γyt−1 + k X γi ∆yt−i + εt i=1 stała k to najmniejsza liczba przy której reszty nie podlegają autokorelacji Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Rozszerzenie polega na uwzględnieniu po prawej stronie równania opóźnionych wartości zmiennej zależnej ∆yt = γyt−1 + k X γi ∆yt−i + εt i=1 stała k to najmniejsza liczba przy której reszty nie podlegają autokorelacji test przeprowadza się w sposób analogiczny do testu DF Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Dickey-Fuller test for unit root Number of obs = 131 ---------- Interpolated Dickey-Fuller --------Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value -----------------------------------------------------------------------------Z(t) -3.766 -3.500 -2.888 -2.578 -----------------------------------------------------------------------------MacKinnon approximate p-value for Z(t) = 0.0033 Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Test KPSS ma hipotezy zapisane w sposób ”tradycyjny” Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Test KPSS ma hipotezy zapisane w sposób ”tradycyjny” H0 : yt jest stacjonarny H1 : yt jest niestacjonarny Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna KPSS test for inflacja Maxlag = 12 chosen by Schwert criterion Autocovariances weighted by Bartlett kernel Critical values for H0: inflacja is trend stationary 10%: 0.119 5% : 0.146 2.5%: 0.176 1% : 0.216 Lag order 0 1 2 3 4 5 6 7 8 9 10 11 12 Test statistic 2.73 1.4 .951 .728 .595 .507 .444 .397 .361 .332 .309 .289 .273 Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Eksperyment Newbolda-Davisa Generujemy obserwacje dla dwóch niezależnych zmiennych yt = yt−1 + εt1 εt1 ∼ N (0, 1) xt = xt−1 + εt2 εt2 ∼ N (0, 1) cov(εt1 , εt2 ) = 0 Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Eksperyment Newbolda-Davisa Generujemy obserwacje dla dwóch niezależnych zmiennych yt = yt−1 + εt1 εt1 ∼ N (0, 1) xt = xt−1 + εt2 εt2 ∼ N (0, 1) cov(εt1 , εt2 ) = 0 Szacujemy parametry regresji εt1 na εt2 oraz yt na xt Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Eksperyment Newbolda-Davisa Generujemy obserwacje dla dwóch niezależnych zmiennych yt = yt−1 + εt1 εt1 ∼ N (0, 1) xt = xt−1 + εt2 εt2 ∼ N (0, 1) cov(εt1 , εt2 ) = 0 Szacujemy parametry regresji εt1 na εt2 oraz yt na xt zapamiętujemy statystykę t oraz DW dla każdej regresji Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Eksperyment Newbolda-Davisa Generujemy obserwacje dla dwóch niezależnych zmiennych yt = yt−1 + εt1 εt1 ∼ N (0, 1) xt = xt−1 + εt2 εt2 ∼ N (0, 1) cov(εt1 , εt2 ) = 0 Szacujemy parametry regresji εt1 na εt2 oraz yt na xt zapamiętujemy statystykę t oraz DW dla każdej regresji powtarzamy duża liczbę razy np. 1000 Integracja Stacjonarność Integracja średnia 5% percentyl % istotnych DW Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna teoretyczne 0,000 1,677 5 2,00 εt1 na εt2 0,0036 1,564 4,33 2,01 Integracja y na x 0,0048 8,293 63,24 0,33 Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Zignorowanie zjawiska regresji pozornej może prowadzić do zbudowania błędnego modelu Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Zignorowanie zjawiska regresji pozornej może prowadzić do zbudowania błędnego modelu Aby temu zapobiec można różnicować zmienne Integracja Stacjonarność Integracja Błądzenie przypadkowe Test Dickeya-Fullera Rozszerzony Test Dickeya-Fullera Test KPSS Regresja pozorna Zignorowanie zjawiska regresji pozornej może prowadzić do zbudowania błędnego modelu Aby temu zapobiec można różnicować zmienne Ale różnicowanie powoduje utratę informacji i uniemożliwia wyznaczenie relacji długookresowej Integracja