Emilia Gosińska Testowanie zmiany strukturalnej w
Transkrypt
Emilia Gosińska Testowanie zmiany strukturalnej w
B ank i Kredy t 46(6), 2015, 579-600 Testowanie zmiany strukturalnej w modelu VEC Emilia Gosińska* Nadesłany: 27 sierpnia 2015 r. Zaakceptowany: 15 października 2015 r. Streszczenie Wprowadzenie do przestrzeni kointegrującej zmiennej zero-jedynkowej charakteryzującej zmianę strukturalną w okresie t jest równoważne przyjęciu, że w procesie generującym dane zmiana strukturalna nastąpiła w okresie t − 1. Jednocześnie, jeśli to zmiana strukturalna jest przyczyną wprowadzenia zmiennej zero-jedynkowej do przestrzeni kointegrującej, to odpowiednie zmienne zero-jedynkowe muszą się znaleźć także poza przestrzenią kointegrującą. Aby przetestować zmianę wyrazu wolnego w składowej deterministycznej, zastosowano statystykę Walda. Wartości krytyczne i moc testu zostały wyznaczone symulacyjnie w zależności od rzędu kointegracji, liczby zmiennych endogenicznych, wielkości zmiany strukturalnej, momentu wystąpienia zmiany strukturalnej oraz rozkładu składników losowych (normalnego i t-Studenta). Moc testu zmiany wyrazu wolnego zależy głównie od wielkości zaburzenia oraz liczebności próby. Model VECM ze zmianą wyrazu wolnego został wykorzystany do modelowania kursu walutowego złoty/euro. W systemie zidentyfikowano dwa wektory kointegrujące, z których jeden można interpretować jako długookresowe równanie kursu walutowego złoty/euro. Drugi wektor kointegrujący jest równaniem krajowych, realnych, długookresowych stóp procentowych uwzględniających ryzyko. W celu określenia momentu wystąpienia zaburzenia w składowej deterministycznej procesu generującego dane wykorzystano statystykę supWALD. Słowa kluczowe: zmiana strukturalna, VECM, test Walda, testowanie występowania zmiany strukturalnej, modelowanie kursu walutowego złoty/euro JEL: C1, C12, C32 * Uniwersytet Łódzki, Wydział Ekonomiczno-Socjologiczny, Katedra Modeli i Prognoz Ekonometrycznych; e-mail: [email protected]. 580 E . Go siń ska 1. Wstęp Gospodarki podlegają transformacjom, które niejednokrotnie mają gwałtowny charakter. Jest to skutkiem rozwoju gospodarczego, ale również przeprowadzanych reform, polityki ekonomicznej oraz wydarzeń o charakterze zewnętrznym (np. wpływ kryzysu greckiego na gospodarki europejskie). Gospodarka Polski podlegała transformacjom, które w ciągu ostatnich 30 lat miały znaczenie fundamentalne. Należy do nich, po pierwsze, zmiana ustroju, polegająca na przejściu od gospodarki centralnie planowanej do gospodarki rynkowej. Kolejną była zmiana reżimu kursu walutowego, a następną − przystąpienie do Unii Europejskiej. W ostatnim okresie zaburzenia struktury są utożsamiane ze skutkami kryzysu finansowego. Zmiany strukturalne są istotnym elementem rzeczywistości ekonomicznej, gdyż mają wpływ na funkcjonowanie mechanizmów ekonomicznych, co powoduje konieczność ich uwzględnienia w modelach ekonometrycznych. Pojawienie się zaburzeń struktury sprawia, że standardowo stosowane metody weryfikacji hipotez nie dają satysfakcjonujących rezultatów i wymagają odpowiednich modyfikacji. Ponadto nieuwzględnienie w modelu istotnej zmiany strukturalnej pociąga za sobą błąd specyfikacji. W przypadku modelowania zmiennych ekonomicznych generowanych przez niestacjonarne procesy stochastyczne wykorzystywany jest model VAR z restrykcją kointegracji − CVAR (Johansen 1995; Welfe 2009). W modelach VAR zaburzenia struktury ujawniają się jako niezwykle silne szoki, które powodują, że składniki losowe nie pochodzą z rozkładów normalnych. Zignorowanie tego problemu ma zatem poważne konsekwencje dla wnioskowania statystycznego. Proces generujący dane można przedstawić jako sumę składowej stochastycznej i deterministycznej (Lütkepohl 2005). Pojawienie się zaburzeń struktury może się wówczas objawiać odpowiednim uzmiennieniem parametrów w części deterministycznej, a końcowa postać modelu VEC ulega odpowiednim modyfikacjom. W przypadku modelowania z uwzględnieniem zmian strukturalnych ważnym elementem wnioskowania statystycznego jest testowanie występowania zmiany strukturalnej. W wielowymiarowym modelu korekty błędem o standardowej postaci (Johansen 1995) testowanie występowania zmiany strukturalnej było rozważane przez kilku autorów (zob. porównanie metod u Perrona 2006). Z badań wynika, że do testowania zmiany w wyrazie wolnym i trendzie w przypadku znanego momentu przełączenia można wykorzystać statystykę LR (Johansen 1995). Z kolei w przypadku nieznanego momentu zaburzenia można zastosować statystykę LM oraz jej modyfikacje: Sup LM, Mean LM i Exp LM (Seo 1998). Do testowania stabilności parametrów modelu wykorzystuje się wartości własne wyznaczone na podstawie estymacji rekursywnej (Hansen, Johansen 1999). Jeśli proces generujący dane jest sumą składowej deterministycznej i stochastycznej (Lütkepohl 2005), to zmiana strukturalna może wystąpić w każdej z nich, co wymaga oddzielnego testowania. Jeśli składowa deterministyczna procesu generującego dane zawiera wyraz wolny, wówczas zmiana strukturalna może być reprezentowana przez uzmiennienie wyrazu wolnego. Do testowania zmiany strukturalnej składowej deterministycznej w znanym okresie zaproponowano statystykę Walda, natomiast w przypadku nieznanego momentu zaburzenia statystykę supWALD. Cel pracy sformułowano następująco. Po pierwsze, wyprowadzono końcową postać modelu VEC przy założeniu, że zmiana strukturalna następuje w składowej deterministycznej procesu generującego dane. Po drugie, opracowano statystykę służącą do testowania występowania zmiany strukturalnej składowej deterministycznej procesu generującego dane. Po trzecie, zastosowano model VEC ze zmianą strukturalną składowej deterministycznej do modelowania kursu walutowego złoty/euro. Testowanie zmiany strukturalnej... 581 2. Wektorowy model korekty błędem ze zmianą strukturalną w części DGP y = [ y ... y ] T ydeterministycznej = [ y ... y ] T t 1t Mt t 1t Mt yt = [ y1 t ... yMt ] T yt = [ y1 t ... yMt ] T T ΠNiech ( L)y t y=t ξ=t [ y1 t ... yMt ] reprezentuje Π( L)wektor y t = ξt M zmiennych zintegrowanych w stopniu pierwszym. JeśliΠwymiar kointegrującej wynosi R ∈ (0, M), to dla modelu VAR Π( L)y t = ξt , gdzie ( L)y t = ξprzestrzeni t T ξ ( L ) y = ξ ... ] ξt = [ ξΠ t t jest wektorem białoszumowych losowych o wymiarach M × 1, istnieje po]T ξt = [ ξ1t ... ξMt składników 1t Mt T ξt = [ ξ1t ... ξMt ]T ξ ξ = [ ... ] ξ 1(por. t t Mt stać VECM Johansen 1995; Majsterek 2008): T ξt = [ ξ1t ... S 1ξ Mt ] S 1 Δyt = Πy t 1 + Σ ΓTs S Δ1y t s + ξt S 1 Δyt = Πy t 1 + Σ Γs Δy t s + ξt (1) yt y1 tΠ ...y ys Mt =1 ] s =1 y = y + Π Δ 1 S Γ y + + Δ=yt[ = Δ ξ Σ Γs Δy t s + ξt 1 t t Σ t t 1 s t s s =1 gdzie: S Δyt = Πy t 1 s+=1 Σ Γs Δy t s + ξt S yt = [ y1 t ... yMt ] T s =1 S = Σ s – I, Π=( LsΣ )y =sS–ξtI, T yt ==1=[ tyΣ ... y ] s =1 y = [ y ... y = Σ s – I, – I , S ]T 1t s Mt T 1 t t Mt Π( L)y t = ξt s =1 –TI, yyt t ==S [[ yys=1=1t1t... ...ξ yyMtMt Ts]] S ξt = [ ξ1t ...sΣ =1Mt ] = (–LΣ = – (Π i +1 + Π i + 2 + ... + Π Γi Π )y Π S + Π S ), Γi S =), – Σ t =sSξt ΠΠ ( Ls )=y t– =(ξΠξit=+1 [+ξ Π...i +ξ2 + ... ]T +1 – s = i= 1 t t Mt – S = Γ – = + s i 1 Π = + + + ( ... ), Π Π Γ Π Π L y ( ) = ξ Π( Li )ytt =Σξtt s S 1 i +1 Σ Π s = – (Π i +1 + Π i +2 + .. i i +2 S s = i +1 = s = i–+1Σ ΠTs = – (Π i +1 + Π i + 2 + ... + Π S ), Γ i ...y ξ 1 +] Σ Γs TΔy t s + ξt ξ y=t [=Tξ1Π T Π =ΔtAB . t s[=t iyMt + 1 ... S 1 ] Π = ABξT.t = [ ξ1t ... ξMt ] 1 t ]TTs =y ξξt t ==y[[ξtξ11t=t ... ...TξξMtMt ] 1Mt y = y + Π Δ Π = AB . Σ=1 Γs Δy t s + ξt Π = AB T. 1 t t S T S 1 s Π(=L)AB S 1 Γ Πyytts –1=.+Iξ,t SΣ Δy=t Π=Σ S 11 s Δy t s + ξt S s =1 y y = + Π Δ 1 s = Σ Γ–s Δy t s + ξt Macierze i+ A Σo Γ × R mają standardową t t 1 yyB vt Δ = Hd Γss Δ = Σinterpretację. Π Δyyyt tt ==+Π Δyyt t ss ++ ξξM t t 11 + t t vt = yt + Hd t Σ wymiarach s = 1 s I, SS ss==11 T s = 1 vt ξ=t =yt [ ξ ... ξ ] vt = yt + Hd t +1tHd S – I,–T t(Mt SS =Π ss = == –vΣ + Π i + 2 + ... + Π S ), Πt i do y Hd + T +1 powyższego yt ΓPo =i = [wprowadzeniu ys1t=Σ ... y ] t wolnego i trendu otrzymamy pięć różnych po– I,S =wyrazu 1 yt modelu = [ y 1 t ... yΣ –– II,, Mt ] s s =ti +1 ssMt =Σ T TS 1 s =1 Γ = – + Π i +Juselius ), Πparametry y2006, yt s=sΣ ] =modelu, Σ i s = – (Π i +1 (por. 2 + ... + Π =11[ y 1 t ... y staci tego wynikających z restrykcji nakładanych na t S = [s.y 199−100). t ... yMt ] Mt S T s = i +1 yΔt y=tT.=[ Π y 1yTt ... ] Γs Δy t s + ξt t 1 y+ Mt Σ Interpretacja zero-jedynkowych, Γ=i =[ d–AB 1 Π i + 2 + ... + Π S ), które mogą dt Π dzmiennych S Π s =] – (Π i +1s =+ dt = [ d 1 t ... dZtS] T znaleźć się w przestrzeni kointegrującej i pozaT 1Σ tS... Zt TΠ = i + 1Π S = – (Π T Π S ), dze=zmian Π=s =AB Γi = – ΣΠ == ––=sΣ ++... ΠSS),), = d–Zt(Π +Π ...++ Π i + 2 + ... +wynikać Πi i++22trudności, [ d 1 t ...strukdZt ] nią,ΓΓ napotyka zwłaszcza jeśli ich– (obecność [ dΠ1jednak ]poważne ii d sts... i i++11 + Σ . i +1 + Πmiałaby t t T s = i +1 – = + s i 1 = I , = + s i 1 d [ d ... Σ s dZt ] 1 t t T turalnych, nietypowych. HΠ = [=h 1ABa nie hZ ] =1 z obserwacji H = [h 1 … hZ ] . s… T vtH = =yt[znalezienia T+ T Hd t … właściwej = [hgenerating … hZ ] ] h h W celu interpretacji załóżmy, że proces generujący dane (ang.Hdata Π Π = AB AB = . 1 Π = AB .1. S Z [ ] H = h … h T 1 Z v = y Hd + process, stochastyczną podobnie czyni Lütkepohl – (Π i +1 + Π t T deterministyczną; t t + Π S ),i składową Γzi1 =…–zawiera h z y= [=hDGP) Σh zMyΠMt]s ]=T składową i + 2h+ ... z = [h z 1 … h zM ] [ y 1 ts... T T = i +1 (2005,vtths.=z 256): h z = [h z 1 … h zM ] ] = h zHd … h yt [+ zM 1 t T T yt = [ y ... yMt ] =+ [Hd h zT1 … h zM ] ==hyyzM (2) HdZt 1 t , Hd m z =.t t1,..., =vvt1t ,..., t + t = T Z , zyt =+1,..., Π[td= m = 1,...,vM AB T d = ... d ] t = [ y1 t ... yZt ] yt m gdzie: m = 1,..., M , z = 1,..., Z 1 t M ,Mtz = 1,..., Z = 1,..., T T T ... yyMtMt],]TTz =− 1w,..., Z M dzmiennych = y[ d 1]t T... dw d t y=yt t [1==m[[u=yyt111]t,..., ektor y =zintegrowanych [ yd1 tt ... Zt ]stopniu pierwszym, o wymiarach t ... M Mt t = [1 t u t ] T Hd=t [=h 1[1 u t… d t = [1 u t ]T dt = v[ d = d+Zt] Hd ] TT hMZ ]× 1, por. (1), 1 t ... y t uu ] T t v t =d y=t d + th= +[1h v t = y t + hdeterministycznych, + h uH = [h …o wymiarach hZ ] dt t = [[tdd111t t... ...d3dZtZtt t]] T − wektor Z zmiennych Z × 1, dt 1= [ d3 1 tt ... dZt1 ] T T v t = y t + h1 + h 3ut v = y + h + h t = [h t …1 h 3u t T ] h zM y h − m acierz o wymiarach M × Z parametrów związanych ze zmiennymi ] Hz =vy[tht =1 z=1y t[ +y… ... ] Mt3ut Z 1ht 1 + h T 1== [[hhdla t … t… 1 t dla t 0 ] H h [ ] h = h … h ] H h deterministycznymi, 11 ZZ ut = ut = H = [h 1 0 z …z 1 h ZzM] , 1 dla t t 0 1M dla t = 1t,..., 0T TZ . , t dla t < m z =0 = 1 ,..., ut = t 0 dla t < u 0 h z t = d[ht =z 1 1[… h zMdt ]Zt ]t 0 0 d 1dla t ... 0 dla t < t 0 dla t < t]0TT ut[[hh=0 … m = 1,..., M T, z = 1,..., Z hhzz == ]t hzM zz11 …Th 2 S zM 2 S 0 dla t < d [ 1 u ] = – Π – – – , a , gdzie Π ( L ) I L L .... L = ( L ) Π t Πt ΠΠ2 ( L) , gdzie h z =Π hLz 1) =… 0 Π1 ΠS , a ΠS L Π2 –części .... – Ldeterministycznej S [( SI –hL Π]1 –zmianę zM Występowanie zmiany strukturalnej może zatem oznaczać lub [h 1, zΠ mΠ=( L1H M ,..., =(1L… ,..., T Π( L) , gdzie Π ( L) = I – L Π1 – ) =ZI – hLZΠ]1 – L2 Π2 – .... – LS ΠdS , =a [Π ) , =gdzie 1 u ] S t t 2 S części dane. ,, zz ==Π ==Π 1S) 1procesu mtstochastycznej 1,..., ,..., – LΠ – L1,.., – .... –W ,Mgdzie Π , a Π S od charakteru zmiany otrzymujemy ( L)ZZ= I generującego L zależności (,..., L) M Π2S) v1,.., = y1,..., (s = m t + h1 +T h 3ut (s1 = Z m = 1,..., M S, z = 1,..., d(st == 1,.., [1odmienne ut ] T VEC. zasadniczo modele (s = 1,.., S) S) h z = [h zT1T … h zM ] v t = y t + h1 + h 3ut d [ 1 u ] = [ 1 u ] = 1,.., S) = Π(Przyjmijmy, Π Π Π Ld)tvt(s = ( L ) y + ( L ) h + ( L ) h u t t składową procesu geΠ3( Lt )wpływa Π( L)h 3 udeterministyczną v = Π ( Lwyłącznie )y + Π ( TL)na h1 + t tt zmiana 1strukturalna t 1+ h dlaże vuΠ h)3yut 0t + Π ( L)h + Π( L)h tu d t = [1t u t ] =( Ly)tvdane. Πa(efekt Π ( L)y t + Π ( L)h 1 + Π L) vt =zmiany tt = 1 +( L t =Π t w składowej 1 3 t nerującego Jeśli deterministycznej występuje tylko wyraz wolny, M 1ht,..., ,...,( LZ)h 1 +S Π( L)h 3 u t 1 dla t t 0 tu,0t)tzy2 t=+1Π < vvt t ==Πym h h L y(t0tL+=+) vdla +tΠ h(33u 11=+ T ut1 –=L2 Π – ....odpowiedniej LΠΠ =przez h Π( L)h 1 = (I –wLokresie Π1 – L tΠ strukturalnej wprowadzenie – yL Π – AB T h 1 zero-jedyn– LS Π S )h 1 = zmiennej ( LS))hh11 =v (t I–=AB 2 – .... –uwzględnić 0 można h 32udla t +1h1T+ 0 t t <t 2 S 1 t dla t T 0 – – 0 – 2 S – – Π( L)h 1 = (I – L Π1 – L2 Π 2 – ... = (I (LL (L ), hgdzie .... L Π S )dane AB h1 Π1, aI L–proces ΠΠ kowej, generujący postać: uΠt(to =L)d –h 1L=Πma Π , a L Π t 1 = [1 Πu t ]) = 22 1 – L Π2 – S.... TS S Π( L)h 3Π – .... –h Π Shht –113u–t –Π u 1= hdla ut tt–t(< ut1– 1––LΠΠ h 3Suh – AB –ut.... IΠ–ttt10h L3u3Π )th (–L –33u 2h 2 )–hΠ S 2=h 3ut – 2 – Π3 h 3ut – 3 – .... – Π S h 3u t – S = 3dla 0L3Π 1 t=– Π 1 = 2 3Π t = 1 3u uutt == t( L01) dla 0 S Π1hS 3ut – 1 – Π , gdzie (L ) = I – L Π1 – L2Π ( L ) Π Π Π(2L–)h....3u–t L = hΠ3uS t, –a Π 1 t dla t Π( Lv)h=003=h – – – – – Π Π .... udla h u h u h u h u h = Π Π 0 Su 3u– ty tt+ 2 h3 ut – 2 – Π3 h3 u–t ––3 + t–S = 3h 1 h3 ut – 1 – Π – t t < u u + dla t < + h h u – 0 h h h h h u u u u = + + – – – Π Π 1,.., S) (s =Π 3 t 3 t 1 3 t 1 1 3 t 1 2 3 t 2 u = t t 1 0 3 t –2 ––1.... –3Πt – 1h u 1 = –1 3 t 3 t 3 t 2 3 t t – – – Π (, L ) h u h u h u h u h u = Π Π 3 .... t – 2– LS–Π 3 3, a t – 3Π S 3 t–S 3 t 1 Π 3 t ––1 L2 Π2 – = h u – h 3ut – 1 + h 3u Π( L) gdzie h 3(u uLt3)–=thI3u–t –L ΠΠ dla 1 3u t – 1 –h 2Π S2 h 1 +h 3u–t –.... 1 –0 3 uu tt– 2S<+t= h u1h + Π=2Π – .... – Π S h 3ut – S = 3 t h h u 3 t – 1 – Π2 h 3ut – 1 – Π t– 3 + Suh 31 –t – Π SS)0 1,.., (s = 22 3 3 SΠ S – 2 3 t 2 3 t – 1 – Π3 h 3ut – 3 – – – h h h h h u u u u u = + + Π Π – Π ––3)–Lh – – , a Π ( L ) I L .... L = – Π Π Π – – , a gdzie Π –2 ( L ) I L L .... L – 1+ – – = 3 t t 3 t 1 1 3 t 1 2 3 t Π((LL))v,,tgdzie Π Π Π Π Π Π = Π1( LΠ ) y + ( L ( L ) h u 1 2 S S S – Π Sh u + Π2 h 3ut – 1 – Π2 h 3u 1 21h 3ut – 1 –23 Π t 3 h 3ut – 3 – .... = –Π h u = Πt(2Iht –3uΠ Π tt–01 – Π S.... – ( I3 h + )h 3u t – 1 + Π ut31– 3–t ––Π h 3 u+t dla –S3Π =h + 2h 3h 3u t –u1t +Π 3 Π t –2S2 h 3 u t – 1 – ΠS3 h 3ut – 3 – .... – Π S h 3u t – S = (s = 1,.., u=t =S) tS– 1 – 3u –(.... – uL Π S , a Π S –v ut – 1 – Π u,t –gdzie h uLtI)–2yS–)h=L + Π2 h 3u1 t – 1 – 2Π2 h Π –( L.... ( L ) L = ( L ) Π Π Π Π 3 3 3 3 S 3 Π Π Π Π L ) = ( + ( L ) h + ) h 1 2 = h u + (I – Π – Π =0 hdlaut < + (t I – Π – Π )h u + Π h u –t Π h u t – .... – Π 1h u = 3 t d =t [ d 1...t d Zt] y 1 th...zMy]MtTv]t T= yt + tHd t 1 t h Zt= [Th … h ] T h z =yt[h=z 1 [… zM yt = [ y 1 t ... zyMt ] z 1 H =y[h[h]1T …… h h ]Z ] = yt T = [ y H ... Z 1t Mt1 m = 1d,..., M , z = 1,..., Z t = [ d 1 t ... dZt ] m = 1 T,..., M , z = 1,..., Z E . Go siń ska 582 dt = [ d 1 t ... dZt ] T h z=d=[h][hT z 1……h h zM] T] d t =H[1= [uht ]T …dt = [hd 1h]t ... z z zM 1 Zt d t = [1 u t ]T 1 Z H = [h 1 hZ ] … 1,...,MM,h,z z]= =1,..., 1,...,Z Z v t = y t + h1 + h 3ut H = [h mm= =1… ,..., T 1 v t =Z y t + h1 + h 3ut (3) h z = [h z 1 … h zM ] T ]T h z d= [=h z[11 …u Th]zM d t= [1 uT ]t 1 dla t t = [h z 1 t… h zM ] t gdzie ut = m = 1,..., M , 0 zh=z1,..., 1 dla t t 0 Z uh,t 1z=+=h13,..., 0 dla t < t 0 y + mv tv==t 1=,..., M Z t y t + h1 + h 3u0tut dla t < t0 T , m M z Z = 1 ,..., = 1 ,..., d t = [1 u t ] 2 T – LS Π , a Π – – – , gdzie ( L ) I L L .... = ( L ) Π Π Πd1t = [1Π2u t ] S 1 dla t0 S Taka definicja zmiennej ut jest równoważna założeniu, – L Π1 – tylko – .... –zmiana a ΠS L2 Π2jedna LS Π S , struk= Izachodzi Π( Lt )t , tgdzie Π ( L)że u =T 1 dla 0 t d = [ 1 u ] u = v t = y t + h1 + h 3ut t t t t 0 dla t < turalna w 1,.., znanym to można uogólnić na przypadek wystąpienia wielu zmian S) okresie t0. Założenie (s = 0 v t = y t 0+ hdla 1 + th< 3utt0 strukturalnych. v t = y t + h1 + h 3u(st = 1,.., S) 2 S – .... ,hgdzie L Π–1 –L2LΠ Π2– .... Π( L) vlewostronnie Πt(przez Π y t +t (3) = Π1( L)dla +Π 0L )h 1 Π S (s = 1,..., S) 3 u t ΠΠ – –LSLΠΠ ,S a, aΠΠ (tL()L=) =I I– –L Π ( L(()LL1,))gdzie Mnożąc utt = 1 2 S S dla t 0 = Π ( L)y + Π ( L )h + Π( L )h u Π ( L ) v u = t 0 dla t < t t 1 3 t t oznaczają macierze parametrów wymiarach M× M, otrzymujemy: 0 1o (s dla = t1,.., 0S) t < t 0 tdla – LSS) ....1,.., Π S )h 1 =0 – AB T h 1 Π( L)h 1 = (I – L Π1 –utL2=Π 2 (s– = t 02 Π2 – .... – LS Π S , a Π S 2 –L L Πt1 < Π( L) , gdzie Π ( L) = I0 – dla – L)hΠ1+–Π –u .... L()L(hL)1y) = =+(Π LS Π, aS (Π )Π h 1 = – AB T h 1(4) ΠΠ L–S Π Π ( L ) v ()LΠ )h–2u3.... , gdzie II(–L–(L)L.... L(2L ( L ) t tu 1– t– Π Π Π Π Π ( L2)hv3t u=t =–Π ( L ) y + h + L h Π( L)h 3ut = h 3ut – Π1h 3ut – 1 Π 1 2 S –Π – – Π Π h h u = S t 1 3 t – – 2 3 3 t 3 S 3 t S , gdzie Π ( L) = I – L Π1 – L2 Π2 – .... – LS Π S , a Π S ( L ) Π S) (s = 1,.., ( L)h–ut =2 hh3u32ut –t2 –+ Π1h 3ut –S1 – Π2 h 3ut – 2 – TΠ3h 3ut – 3 – .... – Π S h 3ut – S = = h 3ut – h 3ut – 1 + h 3ut – 1 – ΠΠ 1h 3u t –1 3 Π 1,.., (s = Składniki deterministyczne występujące odpowiednio – AB 2L Π 2 – równania T się I –prawej L Π–1 –Lstronie = AB ()Lh)hS) (po .... – SL Π (4) )h równają Π 1= = –– .... I L ( ( h 1h 1 – Π h u + Π 1– .... –Π h 3ut – 1 1– Π3h–3uLt –Π u3t –u–St –L=1 +ΠhS 3)Suht1– 11=––Π Π2 S) u2tS h =h 1 –1,.., 3 3h 3Π 1h 3u t –1 2 3 t–2 Π( L2009): Π2(hL3(s ) vt +=Π )uyt –= (por. Gosińska t + Π ( L )h 1 + Π( L )h 3 u t Π Π Π Π ( L ) ( L ) y v = + ( L ) h + ( L ) h u Π – – – – – Π Π ( ) .... L h u h u h u h u h u = Π Π t t 1 3 t – (Π –t.... = h 3 ut + ( I – Π1Π h u12t–3–u33Π h3 Π ut – 3h 3=ut–– 3Π–S.... –h –h th 3Π u 1 u 2 –uΠ13S – t – S h= u 3 2– 1 1Π 3– 2tΠ + = hS 3hu–3tu–Π L)2h)hu33ut=t– 1 h+3uΠ t t – 1 –33Πt32–h t – 22 – 3Πt3–h 3u3t – 3t3––S .... S S= 3 t – S 1ht3–u Π( L) vt =2 Π ( L)3y tt + Π Π ( L ) h + ( L ) h u 3 u t S h u 1– h u T – – h h h u u = + + Π Π – 2Π–S .... –1L–Π Π12––L...Π )h 3–u=tL–h1 Π h 3u+h3 1(tIt–––1–1 +Π +u3h + ... –AB 1 h t –– 1+ Π 2)h 3 ut –t –+ 2 + Π( L)h=1 (=I –(IΠ – (5) Π3h 3ut – 3 – .... – –)t h uu h–1tΠ Π(1Π h11–33u3Π t=3+ tS–T 3 +2u 3u tS 3 h13= t –12 )hΠ 2h 31u+t3– Π 2 21h 3 u t – 1 – L2t –Π – t3....t ––1 LS Π = – AB h–1Π Π( L)h 1 = (I – +3L Π Π 1h u 2 Π S )h 1 u – – – h u h .... h u = Π – Π h ut – 3 – ... – Π S h 3 ut – S + Π 3 t –(– 1I Π t –1 – 3 3 Tt– – 3 ....u– Π+ h S 3 t – S+ Π h Sh2 3u h2Π – 2Π –3t)–Π ... –.... 2– 3ut= 1 u 1 – t – 3h 1.... 2 Π S )h 3 t – 1 S h33ut –uSt = 2 3 u t – 1 + ( Π3 + – t –22Π –3hu–3t u– Π Π( L)h 3ut =3 h33Π )h11h=3u(t –I1 –– LΠΠ ut (–LΠ 1 3uL 2 –3 h S –hΠ 1 = 1 2h 3 –t –L 3 –Π S h 3AB S = – – – – Π Π = + + u ( ) u u u h I h h h Π Π Π( L)h u = h 3ut3u– Π ΠhS3 u33 – tt –– 3–S .... utΠ u2 3t –33u–t –.... =.... t –– 1 Π t h 3– S h 3ut – S = –1Π – –ΠΠ Π2 h)32hutu–32t –––1t –Π –1 – +1ΠΠ 3 h23h 3 h tu+ 1( I 3 3 t 3 S h 3ut – S = 31 h3 ut 2– 3 –3 ... Sh 3u t–S 1 – ΠΠ = h 3ut – h 3ut – 1 + h 33utt– 1 =– hΠ 1 3 t –1 2 h 3ut – 2 + –Π ΠS3)hhh33uuut –t –31 –+–.... ( L)h 3u4 t +=...h+3uΠ ut... u+2t h Π Π ( Π3 + ... + Π S )h 3uΠ Π ΠSh–2hh utuS+th–Π hΠ3–hΠ =13h –h – S3 =u t – 1 + ( Π3 + ... + Π S ) h 3 u t – 1 – 3– hh u(uI3t u–3t ,…, u–t–t2–S–Π =S )Π 33u t 2 , (Π 1u– t – 122+ 1+1–S )Π 232 h 3 u t – 1 + ( Π3 + ... + Π S )h 3ut – – ....... –(3IΠ–t 3hΠ31u3–t – Π –Π h 3uht 1–3uS 3t=– 1t –+1 h 3 u2 t +3 Π + Π2 h 3ut – 1 – Π2 h 3ut –= 1 3 S u–t––31Π uS th = h 3ut – h+3u –t –2Π ––)2... –31u u–t3–Π –2 + – Π h u 1h+ 3u 3h 13Π 3ut– uhht3+ uhΠ hS 2uht... 33... – –1 tΠ – 3 + .... 1 ,3––u t – S =Π h u Π 1Π h–hΠ3Π (tΠ h 3uSut 33 ,…, –u 3u t 3 – S... S 4 3+ – S 3 t S +1 3 3+h 2 h –ttS–Π –ΠΠS S)h = h 3 Tut + ( I – Π1 – Π 2 )Sh( –Π u .... –3 – 1 + Π2 h 3 u t – 1 t 3 3 3 t 3 t –S = – )+h u Π ( L )h 3 u t = AB h 3 u t 1 + h 3+ uΠt 2+h=3Σ – Δ – – uht –(1––uΓsΠ h u h u .... h u = Π Π 3 t s – – – – .... – Π S h 3ut – S = – – – 2 3 t 1 3 3 t 3 S 3 t S Π Π ( ) u u I h h Π –3 – 1 + Π2 h 3 u t – 1 t 3 t 1 2 3 3 3 t ... + = (I – Π1 – Π 2 – ... – Π Ss )=1h 3u t – 1 + h 3 ,ut + Π2 h 3 u t – 1 + ( Π3 +,…, S Π 1Π S )h 3ut – 1 + Π (Π +(IIΠ )hu1–3–uΠtΠ +... ...+)Π +Π2Π Π3+hΠ =Π )h u u... uut3h–u1 t –,…, h 3+3 +... h... T S–h t S +–1+Π 2 2 )( 4t –Π 3u –S + 1 + t=++(Π 3u+ 3uh S h33u Π –(S–L uh (Π h + +t ... u33–tu)u.... (=Π )SΠ h)Π )3S–+h1)h – t S 3u 3 3 t 2t h S 3 t –1 –33Γ S( +t 1– 31Δu 3 31 3tu 2t ,2=(–Π 4– S 3 t h AB h h u + Π t 1 3 t s Sh t s Σ – Π3 h3 ut – 3 – ... – Π S h 3 ut – S Π 2h– u...– – –Π... )–hΠ ut h h– 3 uS t 1+ Π2 h 3 su=1t – 1 + ( Π3 + ... + ΠS )h 3ut – 1 + = (I – Π1 –– Π –1 + S 3 u 3 3 t 3 S 3 t S S 1 T –... T h u AB h 3 u u+t + Σ( –(Γ–Γ)sh) hΔ3 Δ ut s – h u Π 3u t– 3=––AB 3h 3tu+ 1t –+ (–L(Π )Lh3)h u = h u h ΠΠ 3 t S S 3 t 1 s 3 ut s s =1 ΠS h3 3ut t S +1 Σ ( Π3 + ... + Π S )h 3ut 2 , ( Π4 + ...3 +t ΠS )h 3ut 3 ,…, s =1 Dodając i odejmując kolejno ( Π3 + ... + Π S )h 3ut 2 , ( Π4 + ... + ΠS )h 3ut 3 ,…, ΠS h 3ut S +1, ostatecz1 ( Π3 + ... + Π S )h 3ut 2 , S( Π nie można zapisać: 4 + ... + ΠS )h 3 u t 3 ,…, Π S h 3ut S +1 S 1 Π ( L )h 3 u t = – AB T h 3 u t 1 + h 3 u t + Σ (T–Γs ) h 3 Δu t s h 3 u t 1 + h 3S 1u t + Σ ( –Γs ) h 3 Δu t s s =1 Π ( L )h 3 u t = – AB Π ( L )h 3 u t = – AB T h 3 u t 1 + h 3 u t + Σ ( –Γs )s =h1 3 Δu t s (6) s =1 Po podstawieniu (1), (5) i (6) do (4) otrzymujemy reprezentację modelu VEC z wyrazem wolnym i zmianą wyrazu wolnego: S 1g u ] +S 1 SΓ1 ∆ v ∆ v = A[BT v – +Sg11 + + Σ f3s∆ ut – s + ξ t 3 t –1 Σ s s s t– s ∆ ∆ vt∆=vtA=[BA[vBt –T1v+tt–g1 1++gg1 3+ugt –13tu]1t+–1 ]Σ ∆ v + f u + Γ s =1 3 f t∆ + Σ + s Γs t∆ – sv t – sΣ Σ 3 – sut –ξst+s =ξ0t S 1 S 1 (7) T s =1 s =1 t = S + 1, S + 2,…, dla t = tS=+S1,+ S 1,+S2,…, + 2,…, s=0 s=0 h3 dla s = 0 T T s – , , – h dla s 0 = g = B h f g B h = = h = dla s 0 3 3 3 3 T 1 1 s 3 g 1 =g 1–=B –hB1T, hg1,3 =g 3–=B –hB3T,hf33, =f 3s = dla s = 1, 2 ,...,S – 1 – Γ sh3 gdzie: –1 –1 s = s1,=21,...,S – Γ –s hΓ3 s h 3 dla dla , 2 ,...,S G = [ g 1 g 3 ], G =G[ =g 1[ gg1 3 ]g, 3 ], 1 1 1 dt 1 = , d t 1d=t 1 = , , ut 1 ut 1 ut 1 0 , 0 ∆0d t s = , , ∆u ∆ d∆ d = = T ∆ vt = A[BT v t –1 + g1 + g 3ut –1 ] + t = S + 1, S + 2,…, ΣΓ ∆v S 1 s =1 s t– s + Σ f ∆u S 1 s=0 s 3 t– s + ξt 583 Testowanie zmiany strukturalnej... s s=0 T v = SA T BT v t –1h+3 gS1S 1+1 gs 3udla t –1 ] + Σ Γs ∆ v t – s + Σ f 3 ∆ ut – s + ξ t h 3t],+f 3sS 1[1=Γ B[B hTTv1, g+3g= +–gB∆ 1 == –A s ∆ 1 0 s s = ∆g ∆ v u v + f u + = ξ t– s + t ∆ vt t = A[B vt t––11macierzy: + g11 + g33ut t–1–1 ] + Σ f3 ∆ udla Γss ∆–vΓt –t –sssh+3sΣ t – s s ξ=t 1, 2 ,...,S – 1 Zdefiniowanie Σ sΣ =1 =0 3 S 1 s =1 , = [ g 1 Sg+3 ]2,…, tG t== SS++1, 1, S + 2,…, t = S + 1, S + 2,…, S 1 s=0 h3 dla s = 0 T T s,s =f=3s00= 1 h 3g 3 = – Bdla T g 1 = s– B h 1,h h dla 3 3 ggd1 t =1==––BB hh1,,, gg3 == ––BB Thh3 ,, ff3 s == dla s = 1, 2 ,...,S – 1 – Γ sh3 3 3 1 dla ––ΓΓs hh3 ut 1 1 3 dlass ==11,,22,...,S ,...,S S––111 s 3 S 1 G = [ g 1∆ vgt 3=],A[BT v t –1 + g1 + g 3ut –1S] 1+ Σ Γs ∆ v t S– s1+ Σ f3s∆ ut – s + ξ t , [ ] G = g g G = [ g11 g330], s=0 , ∆ dt s = ∆Sv1t = A[BT v t –S1 1+ g1 + g 3ut –1 ] + Σ Γss=∆1 v t – s + Σ f3s∆ ut – s + ξ t 1 T u s s =1 s=0 ∆ 1 t s ∆ ∆ ∆ [ ] v = A B v + g + g u + v + f u + Γ 1 ξ = d , – – – 1 1 3 1 3 t t t s t s t s t – Σ Σ t 1 ddt 1 == t=1= S + 1, Ss+= 0 2,…, , su t 1 uut 1 , t = tS1+ 1, S + 2,…, s , t 1 h3 dla s = 0 F = [f f ] 1 , fs = t = sS + 1,1 S 0+3 2,…, T g 1 = 0– B T hS 11, g 3 = – BST h s 3 h dla s =0 3 T g + g 3uBt –T1 ]h+,, ΣgΓs =∆ v– B dla s = 1, 2 ,...,S – 1 1+ t– s + ∆∆ddt s == ∆0vt =,,A[B v∆t –d ,= 0ff33s ∆=ut – s + ξ t–3 Γ s h 3 h 30sΣ t sg11= = – 3 dla s = 1 h 1 s = t s T ∆u ∆ u t 3s T s dla s = 1, 2 ,...,S – 1 – Γ sh3 ∆1,ut t gss3 = –oBS wymiarach g 1 =f1 –jest B hwektorem – 1h 3 , f 3 = gdzie MS ×–11, T – h = dla s 1 , 2 ,...,S 1 – Γ , [ ] G g g = sF 1 s3∆ d3t – s + ξ t ∆ v t = AB t = Sv t+–11,+ SΣ+Γ2,…, s ∆v t – s + Σ s =1 F =G FFs == [f[f1 ff3ss]],, [f1= [ fgs3s1=]0 ,g 3 ], s 1 3 , równanie (7) w postaci: 1 pozwala G =s [ gzapisać h3 dla s = 0 1 g3 ] gv1 = – B T h 1, g 3 = –dBt T1h=3 1, f 3s = , = d , u t –1 dla s = 1, 2 ,...,S – 1 – Γ sh3 t 1 t 1 v t –1 1= T S –1 S –1 u S –1 S –1 S –1 S –1 t 1 d t∆ T ∆d 1 v= = AB,dTv v F + + + ξ ∆ Γ t –t1– 1 +Σ Γ –+ tv s ∆v t –t s =+AB s v∆ t s v v Fs ∆ d t – s + ξ t + ∆ Γ Σ F d + ξ ∆ vt t =utAB (8) t –s Σ t –g 1 t –s s t –1 t – 0 sΣ t s 1 G = [ 1 3 ]s, sΣ =g =0 1 sΣ s 1 s 0 0 = = s =1 s 0 , ∆ d =t s = , ∆ d = ∆u t s T gdzie:B T = v[0 1 ∆ ut s t s ∆ d t s = dvBttt–1–11=, G ] , v – t 1 vvt –1 == ∆ u t s u– wektorvo wymiarach N × 1, N = M + Z , t 1 t –1 s t –1 = ddt –1 s f, ] , [ F f = d s 1 Fs = [f1t –1 f 3 ] 3 vt = yt +t –1h 1 0 Fs = [Tf1 f∆3sT]d, = , wektorów kointegrujących o wymiarach R × N, s ] – macierz T t G BB T == [B S 1 T T [B G T ] ∆ ut s B G] – S –1 S –1 S –1 S 1 ∆ v t = AB v t –1 + Σ Γs ∆=v t[–B s + ξt T T v AB v v F ∆ d – ts + = + + ∆ Γ ∆ t ∆ vS t–1=t AB zev tzmiennymi t – 1Σ Γ G w ξprzestrzeni kointegruΣs ∆vsdeterministycznymi s =1 związanych –1 + t – s +t – sΣ FΣ s ∆ d ts– s + tξ S –1 s , vvt –==myyacierz +T+ hh=1 parametrów t F s =1 s =1 s =0 s =0 [ ] f f ABt svot wymiarach ∆ v t t= jącej, 1 ΣΓ 3 s ∆vR =Z,Σ yt F +s ∆hd1 t – s + ξ t –11 + tv–t× s + s =0 v t –1 s =1 S 1 v zmiennymi deterministycznymi poza przestrzenią koinv ze Fs –vm acierz , S 1Γ ∆ związanych = TTvparametrów + v + ξ=ξt =T t –1 t –1 S 1 ∆∆vvt t =–=1 AB t –1 + Σ Γs ∆ vt–v– s v v –1 t S t1–ts–+ 1 1 t – t 1 ttegrującą, s vAB Σ o wymiarach Z. v S1 –+1 Σ Γs ∆ v t – s + ξ t = ×AB t –1 s =1 ∆v M t – 1 Fs ∆ d t – s + ξ t v t –1 = ∆ v t = AB Tsv=1t –1 + Σt Γs ∆v t –ds t+–dt1–Σ s =1 s =1 s =0 T d t –1 T , ] B = [vB g – t 1 1 T T T T w której składowa deterministyczna zawiera wyłącznie t –1 , Szczególną vvt –1 == vpostacią Bt taka, G ]G ] = v[= , v modeluB(8)B jest –[1B T 1 T t –1 T –1 t , = v 1h]=1. h3 jest wektorem wyraz zerowym, co oznacza brak zmiany strukturalnej. Model VEC g=1 [B Bt G = –vWówczas t –1 B wolny. –1 1 d T T – v = y + h t 1 dla procesu dane: t v =t y +1 hma postać: T g ], [B B T ==generującego t t 1 –[B T h 1g11 ] , T T vt B =gy 1 t =+ hB 1 , [ ] B B g = S 1 1 T T T Th . = [B gg1 == ––BBB G ] ∆ v = AB T v T + ΓS 1∆ v + ξ 1 . h 1 S – t 1 t 1 1 Σ (9) H0: h 3 = 0 ∆ v Tt h= .AB v t –1s =+1 Σs Γs t∆– sv t – s t+ ξ t 1 ∆ v t = AB TTT v t –1 + Σ Γs ∆ vgt1– s =+ –ξB t s =1 gg1 == ––BBvhh1= y +s =1h 1 gdzie: H1 1: h 3 ≠t 01 t g 1 =v– B T=h 1 v t –v1 t ,–1 S 1 t –1 HH0:: hh3 =vT=t0–01 T , v = 0 : B 3 hv = v tH ∆ 3 t , =0ABBT vht 3–1 =+ 0Σ Γs t∆–1v t – s 1+ ξ1t –1 0 = H : h = 0 0 1 s =1 3 HH1:: hh3 ≠T≠ 00 T T H11: B3 h 3 ≠ 0 B T h 3 ≠ 0B =T [B Tg 1 ] , T [B g 1 ] , B = H : T T T ≠ h 0 v BHH0 ::=BB[BThh3 ==g010] , BB Thht –31 == 001 3 T 0 T 3v t –i1 = T 3 , – g B h 1. = B h 3T = 0 B h 31 = 0 1 Tg = – B T h T. T T : H 0 B h B1 h 3 = 0 = . – 1 gH B h = 0 T T : ≠ ≠ 0 0 B h B h 3 1H1 : B h3 1 ≠ 0 B h33 ≠ 0 g = – B T h 1ˆ T ˆ 3ˆ T ˆ i B h B h T T 1 1 3 T T B =3 [B g ] , T g 1BB=TThh–3B==T h001 ii BBTThh3 == 00 1H1: B gh1 3=≠ –0B hB1 h 3 ≠ 0 3 3 T T H10: h T = 0 ˆ (B̂T B̂gT )=1 B̂ 3= I T . (B̂ B̂ – B T+hB̂ T ) B̂ że Restrykcja ˆ:ˆBTh ˆˆ =i 0B ˆˆ Th 1ˆ 1 zapewnia, B h = B h wolny = 0 w tym modelu nie generuje trendu liniowego. 0: hiwyraz Th H H0B ˆ 3 0 3 3 3 = 03 B h 3 3 i B h3 H : ≠ h 0 1 T 3 g= WALD = – B h + WALD T ˆ) T11h ˆ TTBH ˆ:I Thhˆ ≠ 0 i=1B H1Bˆ:ˆWALD ≠TB̂0 )1 11B̂ TT + B̂B(1B̂TTB̂B h B̂ B̂ ( 3 3 B̂ B̂ : =BIT h33 = 0 B T h = 0 B (B̂ ) B̂ + B̂(B̂ B̂) H 0 3 3 : hB T T ,T 1 T dla H)B01:TB̂hBT T+=hB̂ 3 T=h0 = Walda 0 = ˆ :WALD H0WALD 00statystyka 0 B T h 3B==H : H 0 B 3 B̂ WALD + WALD B̂ B̂ B B̂ ( ( )h B̂= 0= I 3 0 3 T WALD = WALDBB + WALDBH B T h 3 ≠ 30 B 1: B h 3 ≠ 0 hB T 3 T≠h0 ≠ 0Walda dla H H1:WALD B T h 3 B≠H01: statystyka h,3WALD =B0T h 3 ≠ 0 H : BBTTT0hh: 3B≠=T 0+ 3Walda TH1= dla WALD WALD 0::WALD i 3 BB= 0 0 B B h = h = 0 statystyka Walda dla H , 0 B h WALDBB statystyka 0 3 3 3 T T T T g 1 = – B h 1, g 3 = – B h 3 , f 3 = – sΓ 3h 1 1 3 3dla s = 1, 2 ,...,S – 1 G = [ g g ], v t –1 1 1 3 s[ g 3 ], sf ss=]1,, 2 ,...,S – 1 g [3fdla =s h –GΓdla v t –1 = S + 1, S + 2,…, 3sF1= 0 = h3 = = [ g , g ],T d t 1 TG s 1 3 s F1s 1= [f1 f 3 ] , 0 d t –1 g 1 = – B h 1,ut g1 31 = –3B h 3 , f 3 = 1 , d t s –=1 GT==[[gg 1s gg 3],], h 3 dla s = 0d tddla 1 = 1u1, ,2∆,,...,S 1t = h = s – Γ T G = d s 3 , ∆ ut s t 1 – B h 1, g 3 = – B h 3 , 11f 3 =3 d = ut 1t 1, u dla s = 1, 2t 1,...,Su–t 11 – Γ sh3 S –1 S –1t 1 0 1 B T = [B T G ] = d , – T E . Go siń ska S 1 S –1 t 1 ], 1 G = [∆gd1 t584 g , = v AB v F d = + + 0 ξ ∆ ∆ Γ T v t – 1 +s 3 t 1 =u ∆ , sdd 0 – t – t s t s s t s Σ , Γ ∆v t – s + Σ F ∆ d + ξt ∆ ∆ utt u1st 1 , t 1 = s ,= ,[fv 1 t – 1 f+ 3 ]Σ = v t 0=FAB Σ s =1 s s =0 s 0 t – s ∆∆ dd [ g 1 g 3 ], ut 1 t st s= s =1 , ∆ d t s =s = 0 ∆ u 1 ∆ u vt = yt + h 1 , t s ∆ d = t s t s 0 ∆ ut s dt 1 = , ∆ u s , 0 , t s v ∆ d = 1 t –1 Fsut=1 [∆ f1t s f 3 =]∆ u 0 S –1 S –1 S 1 s , v t –1 v –1sf = = , s= , ,wynika, że wprowadzenie t s ∆ dd Zt t spowyższego zmiennej ] vd = AB Tkointegrującej ,∆ FsFs= =[f1[fv1 ttdo f–31s ]3=przestrzeni s , F zero-jedynkowej ∆ u v + v + + ξ=t AB T v – + ∆ Γ ut 1 – t s – t t –1 t 1 s [f t s f ]Σ s ∆ d t –∆ sv Γs ∆ v Σ F = ∆ u t 1 t Σ , s 1 3 t s Fs iż f1 procesie f 3 ] dgenerującym = [w 0 s =1 s =0 t –1 w okresie t jest równoważne przyjęciu, dane zmiana strukturalna wystąpis =1 s ∆ d t s = F = [f , f ] , S –1 S –1 1T 3 s , 0 ∆suwtAB okresie −], 1. ΓPonadto jeśliFto∆ d zmiana strukturalna wprowadzenia zmiennej zeroT T Sjest s=[f[f 1v f fst3+ – 1 ] przyczyną v + ∆ s= S –S1 –1 ,∆ vłat F=F ] B v] t –1 T S – 1G – = – t 1 s t s s t – s + ξt B T = Σ Σ vSt –1 T [ s 1 3 T = S –1 [ B B G s 1 s 0 v AB v v Fs ∆ = + + ∆ Γ = = ∆ – – S 1 S 1 ∆ ut s = v = AB v + v + F d td– ts –+s T+ξ tξ t muszą ∆ Γ -jedynkowej do przestrzeni kointegrującej, zmienne znaleźć ∆ t t to odpowiednie t –1 vsię Σ Σ s s t – ts – s zero-jedynkowe s∆ Σ T t – 1t – 1 Σ t –v 1 = v AB v F,s ∆ d t – s + ξ t = + + ∆ Γ ∆ s , s 1 s 0 – – = = t t 1 s t s ds ∆ Σ =1 Γ = 0 Fs ∆ d t – s + ξ t ∆ v t = AB v t –1 + sΣ 1Σ S –1 S –1 Fs = [f1 także f 3 ] poza przestrzenią t – 1v t – s + sΣ s 1 s 0 kointegrującą. = = T v y h = + –1 S –1 ∆ d s =0 v t –1 vTt –1 + ΣS S–Γ vt = yt + hs =11 1 s ∆v t – s + Σ S –F 1 t–s + ξ [f1 f 3s ] , v t –1∆=v∆t v=t AB ABT vv t –1+s+=1ΣΓ d t – s++vξtt ξvt– t –1 t T 1 T Γs∆∆vv t – s++s = 0ΣsFF∆ s∆ d ∆ v t d==AB t 1 B T = [BT g 1 ] , t –1 t –s Σ Σ v t –1 S 1] s =1 s s = 0 s v t – s = vt [ B = B G t – 1S – 1 1 S s =1 S –1 s = 0 v t – 1t – 1= T v += ξ vvdtt ––t1t1–= T v = ∆ 1 AB T v t –1 + Σ Γs ∆ v Γs ∆ vt tt–––1ss + ξ dtt t –1 ∆d v t –1 + vΣt –Γ ∆ v t = AB 1 s– ∆v t – s + Σ Fs ∆ d t – s + ξ t t –1 t = AB v t –1 + Σ g 1 = – B T h 1. 1 s = – 1 Testowanie S3. S 1 d występowania zmiany wolnego t – 1 wyrazu Tv t –1 =T s =v1v t –1 s =0 s =1 T v = y + h – t 1 [ ] B B G = t t 1 = AB v t –1 + Σ Γ – sd+t – 1Σ Fs ∆ d t – s + ξ t T t –v 1 t= vvst ∆ T T –1 = dst=–01 s =1 ] ]vv t –1 BBTT = =[B[B GG T T g1 = – B T h1 d T ] G = [B SB1 – t 1 v –1 , t v = – [ ] t 1 B B G = wolnego (por. wzór 7). TestowaT , wyrazu v tt ––11 =∆ivzmianą = yTt + h 1Tpostać modelu VEC z wyrazem wolnym v =v Rozważmy = AB v t –1 + Σ Γs ∆ v t – s + ξ t t 1 = v t –1t –1 tnie 1 T [B T G ] w znanym okresie t vzmiany H0: h 3 = 0 . v y h = + dBt –występowania wyrazu wolnego polega na weryfikacji hipotezy: = y + h s t t 1 [BT GG]] 0 t t 1 = v=1t = yt + h 1 B1BT ==[B S 1 v y h = + T1 T t t d t –1 Do tego celu można wykorzystać statystykę Walda. Wyznaczenie jej wartości wymaga zastosowania T , B ∆ vTtvt= =AB H1: h 3 ≠ 0 B TT ==T [[B BT S ggS1 111v]] ,t –1 yt +vht –11 + Σ Γs ∆ v t – s + ξ t S 1 ] B T = [B G v y h = + dwustopniowej procedury, w której najpierw estymowane są parametry stochastycznej przy zav AB v v = + ξ części 1 S Γ ∆ ∆ 1 s , = = v v = ξ Γ ∆ ∆ t = y t+ h 1 T 11 Σ t AB v t –1tt–T–+ s v t – st –+ s+ t Σ v t s t t t 1 ∆ v t = AB v t –1 + ΣHΓ:s ∆ vT t – s + ξ t T g =T v–– B T+h 1s ..=1s =Γ 1 1 1 v AB v = + ξ ∆ ∆ S 1 = [B G ] łożeniu rzęduTkointegracji – g B h = – t 1 h 3 = 0 BT h 3 = 0 t s t s t Σ R, a następnie parametry części 0 B doty1 1 deterministycznej (por. wzór 2). s =1Testy S 1 v 1 s = v AB v v = + + ξ ∆ 1t 1 s ∆ t –s S Γ t –1 vt = yt czące TT hipotezie T zmian strukturalnych zakładają w zerowej brak zmiany strukturalnej, , T Tvt –v1t –1+Σ =vwystępowania v+t –1h∆∆ v t ==AB AB v t –s + t ξ t + vt –1t––B g s =1ΣΓΓs∆∆ 1B T h= 1v = H1: B T h 3 ≠ 0 B T h 3 ≠ 0 – t –1 t s v t –s + ξ t g = B h 11 [B g 1 ] , Σ v t –1 1 , = v = yt + h 1 1v s =1 , = v – t 1 – a zatem: t 1 S 1 s =1 t –1 , v t –1 = T v t –1 = H :1h1 g,= 0= – B T h . AB v t –T1 + vΣt v–Γ 1 ∆ v t = 0:1 3 1 1 s ∆v t –s + ξ t BT h = 0 i BT h3 = 0 1 ST 1v H h = 0 0 B =t –[1B= gs =v1 t]–t,1–1, 3 3 T T T T T (10) 1 ξt ,, t –1v t= –s + t = AB v t –1 + Σ Γ ,] , T vvst ∆ BBT = =[HB[1B : h g 1g ≠]10 –1 = 1 B T = [BT g 1 ] , Bˆ T hˆ 3 i Bˆ T hˆ 3 [B1T: Th 33gg1≠1]0=, – B h 1 B =H g 1s ==v1 t ––1B T h 1. 1 T h . –B T v = B T =T, [BT T g 1 ] , .T g 1g 1= =–H B hB T 1 1T h 3 = 0 T h 3 = 0 g = –B h . 0T:mamy v t –1t –1 , T T = [B T prawdziwość Hh03: h = 0B ] B g Zakładając hipotezy zerowej, . Oznacza parametrów Bˆ (B̂T B̂ ) 1 B̂T + B̂(B̂T B̂ : H 1 1 0 B B h 3 = 0 1to, że wektory = . – 3 g B h = 1 0 , [ ] B = B g – g = B h 1 1 , 1 = 1 1 T –1 T T g 1 = – B ze hT1.zmiennymi, które charakteryzują –B h T h ≠strukturalną zmianę kointegrującej, są 1 T związanych g 1g 1= =– H B T B TT h 3 ≠ 0w przestrzeni 1T::hB 1 1TH T h . 3: ≠ 0 H 30≠ 0B h 3 ≠ 0 g 1 = – B h 1 1 WALD = WALD B + WAL 1 hB h13 h . [0B: Thgg1 g1=zero B =Hrówne h =1=0]–,–BB – g = B 1 1 1 krótkookresowe związane ze zmienną determi3 T(g3 = 0), jak również wszystkie parametry T T T 0 T – H : g = B h h = T ii TBhT h=3 0h= 0wBkierunku H0:0wektora = [B g ] ,nistyczną h3 B =0 T1 1 3= T0h 3 H :B oraz nie=0 0 B 3h 3 =30 hH30:=h03 =stacjonarnym 0 – B:T h g 1 =1 H h g. = u–tBTsąhrówne zero. Dekompozycja H0: h 3 B = 0h 3parametrów WALDB statystyka Wald 1 g311 1≠=0– B h 1 1 T T T stacjonarnym hipotez: ˆˆ ≠T0h ˆˆ0 i B ˆ ˆT H : 3 3≠B H : h 3 = 0 wiąże się z następującymHukładem T = – B h 1. 1:1 h h 3H T 0H i ˆ: TBhˆ 3h ≠ 0 B hH31:≠ h03 ≠ 0 –B g1 = H hH1T0h:0:3hh=3 3=0=00B T h 3 = 0 H1: h 3 B ≠ 0h 3 1B h 3 3 WALD B statystyka Wa 0: B T T 1T hT = 0 T T 1 T : TB =0TT 0B̂TB)B H1: h 3 ≠ 0 T ˆˆh HH h 3= 3=+i0B̂ T I T = – B h1 0 :0 BBh B̂ B̂ B̂ B̂ ( ( ) = B̂ 3 3 1 T T 1 T 0 B h = B h = 0 T 1: h ≠ 0 T B3 (=B̂0 B̂ B) 3T hB̂3 =+0B̂(B̂ 3B̂)H0B̂: B= hI 3 = 0 B h 3 = 0 H0 : B T h H0: hH : 3h ≠3 3≠0 0 B h 3 ≠ 0 BHH 1=: 0 1h 3 B B (11) T T T Th ≠ 0 T Th ≠ 0 H : B : H 0 0 B h B h = = 1 H : h ˆ3≠T ˆ0 WALD 0 T T ˆ=TB ˆB 1 BTh T3 T3 3 3≠ 0 B h 0: h 3 = 0 WALD WALD T i 3B Bh+ H : ≠ 0 B h B h T T = 0 : H T T 3 3 0 B h B h = B 1 0 3 3 ≠ 0 H1: B h H1: h 3B≠ h0H WALD WALD h 3 ≠ B0+ WALD B B i hB3 3=h 03 = 0B h 3 3= 0 3 ≠ 0 =TB 3 0=: 0 ĥ Bˆ ,3 i ĥ Bˆ , 3 T T T Th = 0 i B T h = 0 B H : ≠ 0 B T h 3 3=sprawdzaniu 0 i BˆT h 3 3=T 0restrykcji 1 B hT3 ≠ 0 B hT3 TT T T T 1: h 3 ≠ 0 iT=h na łącznym hB̂3H BI3T h=30=, 0 za poTTˆ Th ≠ 0 test (B̂= B̂0 ) 1 B̂Walda + B̂(BB̂ ) =01:B̂0B Hi01:ˆBB dla ˆhT3hˆProponowany 3≠≠ 00 B h 3 =WALD 0 i BBB hstatystyka H0 : B TB B = H hh3 3h3≠3 =0 0 BBT hhpolega 3 statystyka Walda dla H : , B h WALD 3 T1: B 3 0 T T 3 = 0 B Tˆ ˆ h Tˆ ˆ h ˆB ˆB niezależne, ponieważ mocą EstymatoryB T B hstatystyki i B T hTWalda. ˆ T hˆ ) T [ D 2 (B̂ T h 3ˆ 3i iB h 3ˆ 3 są asymptotycznie Tˆ T ˆ T 3 = 0 3 = 0 WALD = (B : BT h3 = 0 B ˆ ˆ =T T0 3 T T i T h3 B T B h B h i T 0 h = B h = 0 ˆ hˆ iWALD ˆ hˆ WALD = WALD + WALD statystyka Walda dla H : 3 3 0 B h = T H1: B Bˆh 3(B̂≠BT0B̂h 3)3B=1 B̂0hT3i +≠BB̂0(hB̂3T3B̂ B 0 B B = )0 1B̂ T = I (por. B 3 = 0 3 WALD 3B Sobreira, Nunes 2012).T Statystykę Walda testu statystyka Walda dla H0: Bdlah łącznego Tˆ T ˆ 3 B T T 1 1 T ˆ ˆ T B̂ )1 T T B̂)1 B̂ T i B̂ + +B̂B̂ T30ˆ B ˆhT3 ˆ B̂ dla B̂) 1B̂ TT = =Iˆ I T B̂ 1 T T ΘhT = 1 T Bˆ BˆWalda (B̂(B̂ ) 1B̂każdej (B̂ ≠ˆh B T hB3 ˆB 1: B h 3 ≠ 0 jako sumę statystyk z(B̂ hipotez: Tzatem T ˆh T T + B̂(B̂ B̂) B̂ = I ˆThh3i3iB ˆ=Bzapisać ˆ (B̂TB i 3 0 B T h 3można = B 0 statystyka Walda B h h B B̂ WALD B̂ B̂) B̂ = B B ) + ( I (B̂ dla) HB̂ B̂ B̂ 0: B h 3 = 0 , 3 3 B WALD = TWALD1 B T+ WALDT B 1 T B B T T ˆ (B̂ B̂T ) B̂1 +T B̂(B̂ B̂T) B̂1 =T I WALD WALD= =WALD WALD + WALD h 3 = 0 iˆ B h =ˆ B T0ˆˆ B B+ WALD B B (B̂T B̂B̂ ) )1 B̂B̂T ++B̂B̂(B̂ (B̂T B̂B̂) )1B̂B̂T == I WALD WALD BT hˆ 3 i3 B hˆB3 (B̂ B̂ statystyka Walda= dla H : BB+T WALD ii WALD h 3 = h0(12) ĥ B,1 B T I WALDĥ= WALD + WALD ˆ ˆ B B B 0 , 3 B B , 3 ĥ ĥ statystyka Walda dla H : , 0 B h = WALD 0 ˆ ˆ T T 3 B , 3 B B , 3 ˆ hˆ T h ĥ 3 i B T WALD = WALD + WALD ˆ ,1 statystykaWalda Waldadla dlaHH : hh 3 B B WALD statystyka 1 T T T WALD 0 ,0 , WALD 3= = 0:0 BB WALD WALD B B = B̂ B̂) 1BB̂ Bˆ (B̂T B̂ )WALD = I BB T 3 statystyka h Walda dla H : B T1h 3 T= 0 B̂ + B̂ B++WALD T ==(WALD B B B T statystyka dla H : , 2 1h T Walda T T WALD T ˆ T h2 T ˆ0 0 B = WALD 0 statystyka Walda dla H : ˆ ˆ ˆ ˆ 0 B h = WALD 3 B 0 WALD = (B + ) )] ] [ ] hˆ 3 B̂ 1 [ B̂ Th T [ D 2 ( B̂ T h Th Th T [ Dˆ2,( 3 B̂T h T 1 T gdzie: TB 1 T T ˆ ˆ ˆ ˆ ˆ ˆ T 3 3 3 3 WALD = ( B h 3Walda )Walda [ D (dla hH [TB̂ h3=3=]0+0 [ B̂ h 3 ] [ D ( B̂ h 33 )] )] 1 ((TB̂ B̂dlaH B̂T hˆ 33 (B̂ B̂ ) B̂ + B̂WALD (B̂ B̂)B B̂statystyka =I statystyka Walda dla H : , h WALD 0 B h = 30:)] 0:BB statystyka 0 h WALD B 3 T 3 B h ˆ ,dla Walda H0: B h 3 = − WALD statystyka Waldadla dlaHH:0: B WALD = WALD BT hh 3==00, ,statystyka WALD + ĥ Bˆ ,3 i ĥ Bˆ Walda B Walda 3 dla WALD H0: B TBh 3 =statystyka 0 0 WALD ,3 3 B B BWALDBBB statystyka Θ h = T Walda dla H00: BBB hBT3BΘ WALD = WALD B +WALD WALDBB − statystyka Walda = h0 .= T statystyka Walda dla 0H,:0:BBT hh 3==00 WALD B Walda dla HWalda WALDĥB statystyka statystyka 0: B hdla WALD : TΘˆh =T 2 T ˆ 3 =H 0B B 3 B ˆ T hˆ ) T [ DB2 (B̂BT hˆ )] 1 [ B̂ T hˆ ] +H[0B̂ i ĥ ˆ ,3 WALD = (B h 3 ] [ D ( B̂ h 3 )] 1 ˆ ,3 h B B T 3 3 3 B̂ , 1 i statystyka Walda dla H : , h ĥ ĥ B h 3 = 0WaldaT danejĥwzorem B BWyznaczenie ALDB 0 statystyki i ĥ ˆ ˆ B̂ , 1 parametrów części determini3 , 3 wymaga estymacji ĥ statystyka dla H0: B h 3 = 0ĥBˆ ,3B,3i ĥ Bˆ B,(12) WALD B BB H1: Θh ≠ ˆ ,3 ˆ , 3 i ĥ B B BB T Walda ˆ T, 3 h ˆ ,3 T B B h 2 T 1 aneks). 2 ˆˆh,1T= ˆ 1 związanych T T ˆ (por. T ˆ T ˆ Θ stycznej w kierunku B i B Estymatory parametrów ze zmienną zero-jedynkoˆ ˆ ˆ , 1 h = WALD =i (ĥBˆ h D + D ) [ ( h )] [ h ] [ h ] [ ( h )] ( h ) ⊥ B̂ B̂ B̂ B̂ B̂ dla H : 0 B h = ĥ Bˆ Walda ALD B statystyka 0 3 3 3 3 3 3 3 h =ˆ TˆhˆT ˆˆ T T 2 2 T ˆT ˆ 1 1 T ˆT ˆ T ˆ T T 2 2 T T ˆ T ˆ B ,3 ,3 1 1(T ˆ T ˆ ( Bhhˆh WALD D2( B̂( B̂Thˆˆh [ B̂humożliwiającej h]3+] +[ B̂[ˆB̂ [testowanie ,) 33 )[statystyki T) B Bwą: ĥĥˆ Bˆ ,3i i ĥĥˆ Bˆ , 3(por. aneks), są podstawą WALD = =( B D[ D2 (B̂(B̂ h h)] )]3 ()]Θ do wyznaczenia Walda, 1( B̂ Thˆh Thˆh 3 )] [ B̂ 3 T][ D ˆB̂B̂ 3 ]) 3))3] [ Dˆ T 1 WALD 2 ( B̂T ˆh3=)] 1 [h T ˆ 3, 3 T T ˆ3 T ˆ 3 = (B T ˆ T [ DWALD T– ˆh h B, 3 B ,3 ˆ 3 3 3) + [ B̂ h ( WALD = D + D h ) [ ( h )] [ h ] [ h ] [ ( h )] ( h B B̂ B̂ B̂ B̂ B̂ h 3 3 3 3 3 3 B̂ , 1 Θ h = ˆ B , 3 h 2 1 2 1 T T T T T T T T strukturalnej wyrazie w okresie ˆ hˆT ) [w ˆ wolnym ˆ ]t0:[ˆD,3 ( B̂ hˆT )] ( B̂ = (B hˆT3Θ hˆT3 ˆ) ĥ Bˆ ,3 i zmiany ĥ Bˆ WALD h=[=B̂ h 2 hT3 ˆ)] [ B̂ ˆT ˆ3hˆ )T TD[ D(2 B̂ ˆ] + , 3 WALD = (ˆB (B̂T hˆh 3)])]1 [1 B̂ [ B̂TΘ (B̂ˆB̂T,1hˆ3hˆ 3)])]1 1( (B̂B̂TΘ B̂T Thˆ3hˆ 3]T]T[ [DD2 2h WALD = (Θhˆ ) T [ΘDˆ 2 (hˆ ˆhh 3) [ D ( B̂ 3] ]++[ [ ( WALD = h h ( hˆh3h3) )= B B̂ Θ h 3 3 3 = 3 h = 3 i ĥ h Θh h H ˆ ,3 ˆ ,3 B B B̂ ,1 = ˆ ,3 H0:: Θh = ΘˆhT = hh 2 0,1 T ˆ ˆ =) T [ D 2 (B̂ T hˆ )] 1 [ B̂ T hˆ ] + [ B̂T hˆ ]T [ D B̂ ,(1B̂B̂ WALD = (Θ h 3 )] 1 (hB̂T hˆ 3 ) BΘ hhh h B̂ ,1 3 3 3 ˆ =,31 h H ˆ ,3 B̂ ,11:T Θh ≠ 1 2 1h T ˆ h T = 2 T ˆ T ˆ T ˆ T T ˆ h ˆ ˆ Θ ≠ h ˆ H : , 1 ALD = ( B h 3 ) [ D h(B̂ˆ hhB̂3 )] [ B̂ h 3 ] + [ B̂ h 3 ] [ D ( B̂ hh 3=)] ˆ (,B̂ 11 h ) h ˆ ,1 ,1 ,3 h h = hhˆ ,1 3 Θh = h = B̂ ,1 h h ˆ , 3 T 2 T h = ˆ ,3 ˆ ˆ h 1 ˆ H : Θˆh = h h B̂ ,1 … ˆ hˆ i B ˆ hˆ B h3 = 0 0 B h3 = 0 B T 3 H0TWalda :3Th 3 = 0dla HT 0: B T h 3 = 0 , = –1 BT Bh 1.statystyka T ˆ (B̂TgB̂1 WALD B̂0 :) B1B̂ ) B̂ + B̂(B̂H ˆBT hˆ i B ˆ T hˆ B h 3==I 0 HB: h 3T = 0≠ 3 3 h 3T = 0I B T h 3 ≠ 0 Bˆ (B̂T B̂ H) 1:B̂hT +≠ B̂0(B̂1T B̂B) 1B̂ T 1 – T T g 1 WALD =T B1 hBT1 statystyka Walda dla H0:≠B T h 3 = 0 3≠ H: B̂) B̂ B =+ WALD Bˆ (B̂T B̂ ) 1WALD I 1 BB h 3 0 BBT hh33 = 00 i B T h 3 = 0 B̂T + B̂(=B̂WALD T T zmiany strukturalnej... WALD T=H WALD 585 Bh = 0 : BTestowanie 0 B hB 3+T=WALD H0:Bh 3 B =0 B h 30 = 0 i B = 0 ˆ 3T ˆ Th 3T ˆ ˆ i B h B h statystyka Walda dla H : , WALD = WALD + WALD 0 B h = WALD 3 B B B 3 3 T T0 statystyka hˆ 3 ≠Walda h 3H≠0:0B T h 3 = 0 , 0 Bdla 1: B H1:ĥh 3 ≠i 0ĥ WALDB ˆH ˆ Th Bˆ T h i B ˆ ,3 ˆ ,3 3 3 T B B (B̂3 T=B̂ 0) 1 B̂T + B̂ (B̂T B̂) 1B̂ T = I statystyka WALD BWalda dla H0: Walda B T h 3 =Tdla 0 , =H00: iBˆB Th WALDB statystyka T h h = 0 statystyka Walda dla H : B h 0 3 3 H0 : B T h 3 =WALD 0 BBˆTBh(3B 0 = T 1 T T 1 T 3 = 0 T ˆ TT B̂ B̂ 2 ) T ˆB̂ +1B̂ (B̂ T ˆ B̂) B̂ T=ˆ I T ˆ WALD = D + ( h ) [ ( h )] [ h ] [ h ] [ D 2 ( B̂BT hˆ 3 )] 1 ( B̂T hˆ 3 ) B B̂ B̂ B̂ WALD = WALD + WALD (13) dla H0: 3TB h WALD B statystyka 3 B3 ˆ≠3T hˆ= 0i B ˆ T3 hˆ B B H :Walda T B 3 B h 3 03 1 B h 3 ≠B0 B WALD = WALD B + WALD B T statystyka T 1 T B T 1 T Walda dla H0: B h 3 = 0 , WALD TΘh = T B B ˆ (aneks) Zĥ Bwłasności ĥ3ĥ3=(por. wynika, że statystyka (13) jest ograniczona, tzn. Op(1). ˆ ,h ˆ , 3 i ĥB B̂ B̂ B̂ B̂ B B̂ ) + ( ) = I B̂ B̂ = 0 iĥB h 0 3 3estymatora B i ˆ ,3 ˆ ,3 B B statystyka Walda dla H0: B T h 3 = 0 , WALD B WALD B statystyka Walda dla H0: B T h 3 = 0 ĥ Bˆ ,3 i ĥ Bˆ , 3 ˆBT hˆ T i B ˆhTTB̂hˆ,1 2 T WALD WALD 1 =T WALD 1 T ˆ T T ˆ T ˆ 3 ˆ 3 B + B2 (11) ˆ ˆ ˆ WALD Alternatywną układu wyprowadzić, 2 ]+ 2h )T ˆ T Walda T hdla T ˆ TD TT )] T ˆ = ( B hpostać ) WALD [ Dstatystyki (WALD h 31hipotez hmożna B̂= h B̂Walda B̂ ˆ3 )] ˆ [)B̂ ˆh ]T=([B̂0D 3h 3 ( B̂ [h 3h statystyka ( D h [ )] []B̂[dla hˆ 3 H ]( + (3B̂ h 3 )] 1 ( B̂wykorzystując h3 ) B B 0:[ B̂ 3 3 33 B ˆ ,1 TΘ (por. 11 Perron, TT T 1 2009) TT B dla B macierz restrykcji Yabu modelu jednorównaniowego. Hipotezę zerową można ˆ h = T 2 2 1 T T T T T T B̂ B̂ B̂ B̂ B B̂ ( ) ( ) = + I ˆ ˆ ˆ ˆ ˆ ˆ ˆ B̂ B̂ statystyka Walda dla H : , B h = 0 WALD WALD = ( B h 3 ) [ D (B̂ h 3h)]ˆ [ B̂ h 3 ] + [ B̂ hB 3 ] [ D ( B̂ h 3 )] ( B̂ h 3 ) 0 3 , 3 Θ h = Θ wówczas zapisać jako h = B , gdzie: B ĥ Bˆ ,3 i ĥ Bˆ , 3 WALD =hWALD ˆ ,3 Walda dla H0: B T h 3 = 0 WALDBB statystyka B + WALD Θh = h B̂ ,1 ĥhBˆB̂,3,1 i ĥ Bˆ , 3 T ˆ 0T h ,ˆ 3 ) T [ D 2 (B̂ T hˆ 3 )] 1 [ B̂ T hˆ 3 ] + [ B̂T hˆ 3 ]T [ D 2 ( B̂T hˆ 3 )] 1 ( B̂T hˆ 3 ) h = h Walda H : Θstatystyka WALD B B dla H B 0: B h=3 (= h B̂ ,1 hWALD ˆ ,1 0B ˆ ,1 , h = WALD = ( B h= ˆ T hˆ ) T [ D 2 (TB̂ T hˆ )] 1 [ B̂ T hˆ ] + [ B̂T hˆ ]T [ D 2 ( B̂T hˆ )] 1 ( B̂T hˆ ) h ˆ ,1 hWALD 3 3 3 3 3 ≠ h ˆ ,3ĥWalda dla3 H : i ˆ , 3 H1:B Θhstatystyka ĥ ˆ , 3 Θh0 = B h 3 = 0 ˆ ,3 B B h= h ˆ ,3 h hˆ ,=3 h ˆ ,3 Θ T 1 ˆ B B – WALD Θ WALD ( ) T [ Dˆ =2 ((hˆB h = ˆ) T hˆ ]) Th([B̂D,1hˆ2 (–B̂ T )hˆ )] 1 [ B̂ T hˆ ] + [ B̂T hˆ ]T [ D 2 ( B̂T hˆ )] 1 ( B̂T hˆ ) h ˆ ,3 3 3 3 3 3 3 h = h B̂I,1M×M ], macierz restrykcji ΘH=0:[ 0ΘM×M h ˆ ,1 = H0: Θĥh i ĥ T 2 T 1 ˆ (hˆ )Θ h ˆ ˆ ,3 ˆ , 3WALD B B (Θhˆ ) [Θ ΘD h =M × 1. ] =(Θhh)ˆ H0: Θh = − wektor zerowy=o wymiarach h ˆ ,1 Θ ≠ h ,3 H : 1 H 1: Θ h ≠ h =2 T 1 T ˆ T T ˆ h ˆ ˆ h WALD = ( B h 3 ) [ D (B̂ˆ ,3hh3 )] [ B̂ h 3 ]ˆ+,3[ B̂T hˆ 3 ]T [ D 2 ( B̂T hˆ 3 )] 1 ( B̂T hˆ 3 ) H1: Θh ≠ B̂ ,1T 2 T 1 Statystyka Walda dla układu hipotez: T h) hˆˆ T,–3h] 1) ( [ hˆDˆ– (hˆ)) ] ( hˆ – ) ˆ – WALD ˆ =2 ((hˆΘ Θ WALD ( ) [ D h = ˆ ,1 T h =ˆ 2 ˆ H0: Θh = – =) T WALD = (Θhˆ – )Θ [ D (h ) T ] 1 ( hˆ h ˆ ˆ 2 ˆ T 1 ˆ h (14) Θ h1)= [ˆΘ =: (Θ , 3ˆD (h )Θ ] (Θh ) T WALD 2 H T h ˆ ˆ ˆ WALD D (h )0Θ ] (Θh ) H1: Θh ≠ =2 (Θhh)T [Θ T 1 ˆ) h ˆ ,3 B̂ ,1 ] (Θh WALD = (Θhˆ ) [ΘDˆ (hˆ )Θ Θ ≠ h H : h 1 jest następująca: ˆ ,1 T ˆ ˆ2 ˆ T 1 ˆ h= H0: Θh = WALD = (Θh – ) [ D (h ) ] ( h – ) h ˆ ,3 (15) WALD = (Θhˆ – ) T [ Dˆ 2 (hˆ ) T T ] 1 ( 2 hˆ – T) 1 h ˆ ,3 H1: Θh ≠ WALD = (Θhˆ ) [ΘDˆ (hˆ )Θ ] (Θhˆ ) WALD = (Θhˆ ) T [ΘDˆ 2 (hˆ )ΘT ] 1 (Θhˆ ) Θ Przy założeniu, H0: hże= jest wektorem WALD zerowym, ) T [ Dˆ 2 (hˆ (15) ) T sprowadza ] 1 ( hˆ – )się do postaci: = (Θhˆ – równanie H1: Θh ≠ WALD = (Θhˆ ) T [ΘDˆ 2 (hˆ )ΘT ] 1 (Θhˆ ) (16) WALD = (Θhˆ – ) [ Dˆ (hˆ ) ] ( hˆ – ) W przypadku, gdy moment wystąpienia zmiany strukturalnej nie jest znany, zaproponowano ˆ statystyki odpowiednieWALD uogólnienie 1993): ) T [ΘDˆ 2 (hˆWalda )ΘT ] 1(Andrews (Θhˆ ) = (Θh T 2 T 1 supWALD = sup WALD (τ ) τ supWALD = sup WALD (τ ) supWALD = sup WALD (τ ) (17) τ τ τ ∈ (0 , 1) gdzie τ ∈ (0 , 1) charakteryzuje moment zmiany strukturalnej, zdefiniowany jako τ ∈ (0wystąpienia , 1) t 0 = τT ; T – liczba obserwacji w próbie. sup WALD (τ ) t 0 = τT ; T = τT ; T= sup t 0 WALD τ supWALD = max WALD (τ ) Najistotniejsza zmiana strukturalna odpowiada τ, dla którego wartość statystyki Walda jest naj0<τ <1 supWALD = max WALD (τ ) ) WALD (τzmiana = max τsup 0w, 1)którym ∈ (WALD 0<τ <1 wyższa. Procedura znalezienia momentu, wyrazu wolnego w próbie, 0<τnastępuje <1 polega 1nadla wyznaczeniu t [τT ] następującej statystyki: ut = t 0 = τT ; T 1 dla t [τT ] 0u tdla 1 dla t [τT ] = t < [τT ] ut = 0 dla t < [τT ] supWALD 0 dla t < [τWALD T] (τ ) = max (18) τ 0 1 < < vt = y t vt = y t vt = y t ρ IR 0 1 dla t [τT ] yt = y t 10+ et ut = ρ I 0y = I M RR 0ρ Idla t <0[τT ] y t 1 + et t R 0 IM R yt = y t 1 + et 0 IM R e ~ N (0, I ), a ρ < 1 supWALD = sup WALD (τ ) τ 586 τ ∈ (0 ,E1.)Go siń ska t 0 = τT ; T W hipotezie zerowej przyjmuje sięsup h3 (τ) = 0, =przy maxzałożeniu, WALD WALD (τ )że h3 (τ) jest wektorem parametrów τ 0 1 < < przy zmiennej: ut = [τT ] . 0 dla t < [τT ] 1 dla t vt = yt zatem wartości krytyczne dla poszczególnych testów Rozkład statystyki (18) nie jest standardowy, należy wyznaczyć symulacyjnie. ρ IR 0 y tsup yWALD = t 1 + e( t τ) WALD = 0 I M sup Rτ supWALD = sup WALD (τ ) 4. Własnościτ testu WALD dotyczącego występowania zmiany wyrazu etτ ~∈N(0(0, 1, )I ), a ρ < 1 wolnego τ ∈ (0 , 1) τ t=0 =t 0 τT ; T Wartości testu Walda danego wzorem (13) zostały wyznaczone za pomocą symulacji Monte t 0 = τkrytyczne T; T vsup = y +max hjest Carlo, przy założeniu prawdziwości hipotezy zerowej, co warunkowi h3 = 0. Przyjęto (τ ) WALD t t + h 1= 3 uWALD t równoważne 0<τ <1 sup ( ) max WALD WALD τ = także, że parametry 0<τ <1związane z pozostałymi zmiennymi deterministycznymi w procesie generującym I 0 dane, których nie dotyczy hipoteza zerowa, są ρrówne zero, ponieważ statystyka Walda nie zależy od y t = 1 R dla t [τyTt ]1 + sup et WALD = sup WALD (τ ) u wartości tych parametrów. t [τT ] Ostatecznie, proces 1 dla 0 I M R dane wykorzystany wτ symulacjach dotycząt = generujący ut = 0 dla t < [τT ] cych wartości krytycznych stochastyczną yt, przy założe0 dla t < [τT ] ma postać vt = yt. Proces generujący składową τ ∈ (0 , 1) e ~ N ( 0 , I ) t niu, że jest R wektorów kointegrujących, można zapisać następująco (por. Toda 1994; 1995): vt = =yt sup WALD (τ ) supWALD vt = y t 1 dla [τT ] t 0 = τT ; T τ t ut = IR t <0[τT ] 0 ρdla WALD = max WALD (τ ) τ ∈ (0y, 1t )= (19) ρ IR y t 1 +sup et 0 0<τ <1 0 IM R yt = y t 1 + et 0 IM R v = y + h 3u1t t 0 = τtT ; Tt 1 dla t [τT ] et ~ N (0, I ), a ρ < 1 ut = gdzie et ~ N (0, I ), a ρ < 1 oznacza parametr ωh1 h3 =autoregresyjny. 0 dla t < [τT ] supWALD = max WALD (τ ) τ = t0 T 0<τ <1 ω,Rωstacjonarnych τ = t 0 Trównanie zakłada, że istnieje ∈ {1; 1,5; 2} oraz M − R niestacjonarnych szeregów, Powyższe vt = y t t = yt + h 1 + h 3u t stąd rząd wynosi R. τ =1 v0,5 [ ] dla t T τ vt kointegracji = yt + h 1 + h u 3 t u t = przyjęto, że parametry związane ze składnikami determiW symulacjach wartości krytycznych ρ IR 0 0 dla ρI Rρt dane. I<R [τ0T ]Liczba 0 y,t = wynosiła 100 y t 1000. + et Wartości nistycznymi ρ sąI równe zero w procesie generującym losowań y = y + e 0 e y = y + e t t t 0 IM R R t t 1 t 1 t 0 I = + y y e 0 I krytyczne dla poziomu istotności t dla testu WALD t wyznaczono 1 t M RM R 5%. 0 IM R vt = y t Podsumowując, wartości krytyczne dla testu WALD zależą od liczby obserwacji ρ < 1 (T ), liczby (0,0,8; I ), a w próbie (0, I0,3; ) 0,4; 0,5; e0,6; t ~ N t ~ N0,2; ∈e{0,1; 0,7; 0,9} τ zmiennych w(systemie (M ), wartości parametru autoregresyjnego (por. ρ we wzorze 19), rzędu kointeet ~ N 0, I ) ρ IR 0 τ = t0,7; gracji (R) oraz momentu wystąpienia zmiany τ,[τgdzie y t ρ= ∈ strukturalnej e]t 0,6; +T0,5; 1 dla {0,1; 0,2; 0,3;yt (0,4; 0,8; 0,9} 0 T ). u0t = I M R t 1 τ 1 dla t [ T ] Analiza także testu. Moc testu WALD u t = własności testu polega na obliczeniu 0mocy, ta<0,5; [τT0,6; ] rozmiaru v =0,8} yt + h 1 + h 3u t 0,4; 0,7; τ ∈ {0,2; 0,3;dla 0 dla tsymulacyjnie < [τT ] została wyznaczona przy założeniu prawdziwości hipotezyt alternatywnej. Oznacza to, że et ~ N (0, I ), a ρ < 1 f f – – – w procesie generującym dane występuje niezerowy φ (CDS t deterministyczną q t = vφt1 [( I t ∆ p t )]ze+ zmienną CDS t f ) + εt = Iyt tparametr +∆hp3tu)1t– ( związany ρ I3R 0 v = y + h u t t zmianę 3 1t strukturalną. Założono zatem, że DGP ma postać: reprezentującą yt = y t 1 + et τ = t0 T 0 IM R ωhp1t + p tf ; ex t q t =hex 3 =t – h3 = ωh1 vt =f y t + h 1 + h 3 u t (20) et ~ N (0, I ) p t ω, ω ∈ {1; 1,5; 2} ω, ω ∈ {1; 1,5; 2} I t τρ=I 0,5 0 1 dla t [τT ] R τ = 0,5 yt = y t 1 + et u t = 0 dla t < [τT ] 0 ρII M R 0 I tf R ρI R yt = y t 1 + et , et 0 IM R yt = y t 1 + e t , e t e ∆~p N (0, I ) 0 v t = y t + h 3u1t t t 0 I M R 0,7; 0,8; 0,9} ∆ ptτf 1∈ {0,1; dla t0,2;[τ0,3; T ] 0,4; 0,5; h 0,6; = ωh 3 1 0 IM t t[τT[τ]T ] 1 1dladla vt = y t u t u=t = τ 1 dla t [τT ] t 0 = τT ; T 0 0dladla t <t[τu<Tt []=T ] et ~ N (0, I ), a ρ < 1 0 dla t < [τT ] supWALD = sup WALD (τ ) ρ IR strukturalnej... 0 τ Testowanie zmiany 587 supWALD y t == max WALD (τy)t 1 + etv =vt y= yt τ = t0 T t t 0<0τ <1 I M R vt = y t τ ∈ (0 , 1) ρ IR vt = y t + h 1 + h 3 u t supWALD = sup WALD (τ ) 0 0 y +e y =ρ IR t , ρ a ~ N ( 0 , I ) [ ] t T 1τ edla τ < 1 yt = y t 1 t+ρ1eIRt t 0 t ut = gdzie: t 0 = τT ; T y t 1 + et 0 0 I M IRMy tR = 0 dla t < [τT ] 0 IM R τ ∈ (0 , 1) ρIR 0 t T = τ 0 yt = + et WALD ,a ρ , supWALDy t 1max (τ ) et ~et N~(N 0,(I0),, Ia) ρ < 1< 1 0 I M R = 0<τ<1 et ~ N (0, I ), a ρ < 1 t 0 = τT ; vTt = yt v = y + h + h u t t 1 3 t = t0 T τ τ = t0 T et ~ N (0, I ) , 1 dla t [τT ] supWALD = max WALD (τ ) τ = t0 T ut = 0 0ρ <τI <1R vt y= y+t h+ h+1h+ uh 3 u t ρ I R y 0+ e τ y = v = [ ] 0 dla t < T 1 dla t [τT ] t t 1 3 t t t 1 ty t 1 + et vt = y t + h 1 + h 3 u t 0y t =I M 0R I ut = M R 1 dla t [τT ] 0 dla t < [τT ] ρI 0 ut = vt = y t y=t =ρ I R R 0 y y t+ρ1eI+ et 0 , ρ a ~ ( , ) N 0 I < 1 τ y [ ] 0 edla t < T et ~ N (0, I ) t t t 1 tR y t 1 + et 0 0 I M IRMy tR = v = y + h u t t 3 1 t 0 IM R We wszystkich eksperymentach dotyczących mocy testu liczba losowań wynosiła 10 000. ρ IR 0 τ =t t 0 T 1 dla t [τT ] yt = ~(N tN vt zależy =yyt t1 + eod et ~eh 0,(I0), I ) Statystyka testu WALD nie wyrazu u t = wolnego, więc wektor 0 I 1 można pominąć (Perron, M R h3 = ωh1 et ~ N (0, I ) 0+ hdlau t < [τT ] Yabu 2009). Wzór (20) można wówczas vzapisać następująco: = y + h 1 dla t [τT ] t t 1 3 t ρ 0 u=t =1 dla t [τT ] ~ N 2} (0, I ), ay ρ= < 1 IR u ω, ω ∈ {1;et1,5; t [τT ] y t 1 + et t t τ 1 dla(21) 0 I M vR t = y t + h 3u1t 0 0dladla t <t[uτ<Tt [=]T ] ρIR 0 0 dla t < [τT ] τ = 0,5 τ = t 0 T yt = y t 1 + et v y h u = + et ~ N (0, I ), a h0ρ3 = < 1IωMh1R v t =t y t + th 3u1t3 1t parametrów Następnie v t = y t + h 3u1t ρI R założono, vt 0= y t +żeh 1znany + h 3 u t jest moment wystąpienia zaburzenia oraz wartości , y t = ze zmianą wyrazu y t 1 + eτwolnego. związanych W celu wygenerowania danych ze zmianą strukturalną naleω h = h t = te t T et ~ N (0ω,,I )ω ∈ {1; 1,5; 2} h3 =3 ωh1 1 0 0 IM R ω h = h żało określić wielkość zaburzenia. procesu: 3 1 . Moc ρIR 0 Przyjęto, że h3 jest proporcjonalne do średniej ω{1; ∈ {1; 0,5 [współczynnika =dla yt = vt =y ty1różnych + eht 1 1 +τh τT ] 1,5;1,5; 2}.2} ω, ωω, ∈ testu została oszacowana dla trzech wartości W eksperyt+ 3u t t u t = 0,8; 0,9} τ ∈ {0,1; 0,2; 0,3; 0,4; 0 0,5; I M R0,6; 0,7; ω, ω ∈ {1; 1,5; 2} = 0,5 , natomiast parametr mencie przyjęto, że zmiana strukturalna następuje 0 dla ρt w < środku [τT ]0 próby, stąd τ =τ0,5 I R I R 0,8; ρ ∈ {0,1; 0,2; τ = 0,5 0,3; 0,4; autoregresyjny ρewynosi , I ) .0,5; 0,6;ρ0,7; y0t 0,9} =y + e y t 1 + et , et t ~ N (00,5 yt = t 10 t I ρ I 0 R M R ρ Rezultaty przedstawione w tabeli 20vprowadzą wniosku, że moc testu WALD ze wzroI R hdo I R rośnie 0 wraz , t = yMt + 3u1t τ ∈ {0,2; 0,3; 0,4;10,5; y t y=t = 0 y t y1 t+ρ1Ie+Rt ,e te t 0e t τT ] 0,8} dla0,6; t [0,7; I stem liczby obserwacji, stochastycznych. M R u t = wielkości zaburzenia oraz liczby wspólnych trendów , 0 I M Ry t = 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9} 0 I M R y t 1 + e t et [~τTfN](h 0, I ) ωτh∈ {0,1; W testu WALD na założenie dotyczą∆ p t ) 0– (dla ∆przeanalizowano q t kolejnym I t f –t < p t )] +3φ=3 (CDS CDS t f ) + mocy εt = φ1 [( I t –eksperymencie 1 t –wrażliwość ∈ {0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9 τ {0,1; 0,2; 0,3; 0,4; moc 0,5; 0,6; τ∈ ce normalności rozkładu składników losowych. wartości krytyczne oraz testu0,7; 0,8; 0,9} 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9} 1 dla tρ ∈Ponownie [τ{0,1; T ] 0,2;obliczono τ ∈ {0,1; 0,2; 0,3; 0,4; 0,5; 0, f , {1; 1,5; 2} ω ω ∈ u = v = y + h u t t t 3 1 t – q ex p + p ex = ρ (por. tabela 3)t dla składników (z{0,1; pięcioma stopniami swo- 0,7; 0,8; 0,9 t t t ; t losowych pochodzących z rozkładu t-Studenta∈ ρ ∈0,7; {0,1; 0,2;0,2; 0,3;0,3; 0,4;0,4; 0,5;0,5; 0,6;0,6; 0,7; 0,8; 0,9} 0 dla tτ<∈[τ{T0,2; ] 0,3; 0,4; 0,5; 0,6; 0,8} ρ {0,1; 0,2; 0,3; 0,4; 0,5; 0, ∈ body). Przyjęto zatem, że proces generujący składową stochastyczną ma postać: 0,5 = τ f ω h3 = h1 ∈ {0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8} pt f 0,8} ∈τ {f 0,2; 0,3; 0,4; 0,5; 0,6; f0,7; εt 0,5; 0,6; 0, v t = y t + h 3uq1t t = φ1 [( I t – ∆ p t ) – ( I t – τ∆ p t )] + φ3 (CDSτt ∈– {CDS t ) +0,4; 0,2;f 0,3; f ρ I 0 – – ∆ ∆ q [( I p ) – ( I p ω, ω ∈ {1; 1,5; 2} R f f φ = It t )] + φ3 (CDS – tC p t ) –t ( I t –t ∆ p(22) = t φ1 [( I1 t – t∆(5) yt = y t 1 +f e t , e t q~t t-Studenta t )] + φ3 (CDS t – ∆ q [( I p ) – ( I tf – ∆ pt φ = ω h = h1 0 I – t 1 t t q ex p + p ex = 3 M R ; t t t t t τ = 0,5 f I tf q t ex p t p+ f pex = ex– t p– + t ; ex t qt = t t t ; t f f 1,5; 2} 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9} q t = ex ω, ω ∈ p t 0,2; {0,1; ∈do τ {1; t –e pnie t + p t ; ex t Wyniki zawarte w tabeli 3 0prowadzą wniosku, że zmiana rozkładupskładników losowych f ρ I t R ∆ pt , et y t = mocy testu y0,5 p tf t t 1 + et f powoduje pogorszenia 0 I M τR=WALD. I ρ {0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9} p t ∈ t f I ∆ p t Dodatkowej analizie poddano wpływ momentu wystąpienia zmiany t I t strukturalnej na moc testu ρI R 0 f 0,3; It I { 0,2; 0,4; 0,5; 0,6; 0,7; 0,8} ∈ 0,4; 0,5; 0,6; 0,7; 0,8; 0,9} WALD. Przyjęto τ ∈ {0,1; 0,2; 0,3; dla systemu czterech zmiennych, w któτ f t yt = y t 1 + et , et f It CDS t I 0 I t f M R rym rząd kointegracji wynosi 2. Bez względu na to, czy zmiana strukturalna wystąpiłaI naf początku, ρ ∈ {0,1; 0,2; 0,3; 0,4;q t0,5; – ∆ 0,8; t [(pI t0,7; p t ) –0,9} ( I t f – ∆ p tf )] + φ3 (CDS t – CDS = φ0,6; 1∆ t ) + εt f na końcu próby, moc testu ∆ pttabela 4). w środku czy WALD nie zmienia się istotnie (por. CDS t ∆ p t 0,2; 0,3;f 0,4; 0,5; 0,6; 0,7; 0,8; 0,9} τ ∈ {0,1; ∆ma pt parametr 0,3;moc 0,4; 0,5; 0,6; 0,7; 0,8} ∈ {0,2; na Zbadano, jakiτ wpływ testu w procesie generującym składową stochastyczną f q t = ex∆t p–t p t + p tf ; ex t ∆ f pt ∆ p ρ {0,1;f –0,2; 0,3; t . Wyniki zestawiono 0,4; 0,5; 0,6; 0,7; 0,8; 0,9} autoregresyjny, zakładając, że w taf – CDS t f ) + εt ∆ pt f q t = φ1 [( I t – ∆ p t ∈ ) – ( fI t f ∆ pCDS t f)] + φ3 (fCDS t t CDS beli 5.qDla ω > 1,5– moc sięt niewrażliwa wartość CDS ρ. Dla małych wartości ω moż– ∆WALD CDStestu p t ) – ( okazała I t p– t CDS – ∆ p t )] + εna t t t = φ1 [( I t t t 0,3; 0,4; 0,5; 0,6; 0,7; 0,8} τ ∈ f{0,2; CDS t f na zauważyć niewielki spadek mocy testu wraz ze wzrostem ρ . f q t = ex t – p t + p t ; ex t f CDS t f CDS f f ff t I f f ∆=ptφ)1 [( qt = φ0 rozważanego + φ1 [( I t – CDS – It(tI t– ∆– pCDS –t tot +t ε)tlosowań. – 10 φ2 3(tot ) – (t I t– –∆∆p tp t)]na )]++φpodstawie (CDS + εt Rozmiar testu Wartości t )000 t –q t wyznaczono t CDS tCDS tsymulacyjnie f CDS t f p fbraku zmian strukturalnych (H ), a następnie obliczono prawt statystyki wygenerowano przy założeniu It 0 φ0 q t = ex t – p t + p tf ; ex t f It –t fCDS qt = φ1 [( I t – CDS t – ∆ p t )q– =q( tIφt=f [(–φI1CDS – ∆– pt∆–tf ∆ )])p+–t )ε( tI– f( I–t f CDS [(–I tCDS – CDS f t – ∆p p – t t t t t t 1 ∆ pt qt = φ1 [( I t – CDS t – ∆ p t ) – tot t – tot t f f p tf It I tCDS I–t f CDS –t fCDS –2 (f(tot – CDf (0Iφt+f [(φ qt = φ0 + φ1 [( I t – CDS t – q∆ p=qtt )φ=–φ CDS p–tfp∆)])p+–t )φ –I1 [( –∆ f t∆ t – tot ( I – – + ∆ p t t 0 1 t t t t t It qt = φ0 + φ1 [( I t – CDS t – ∆ p ∆ pt φ0 φ R h3 = ωh1 ω, ω ∈ {1; 1,5; 2} τ = 0,5 588 ρI R 0 yt = ρ IR 0ρ I 0 Ry t 1 + et y y = t t 1 + et 0 I M 0R I M R siń ska et ~ N (0e, I )~, aN (ρ0,EI<). 1,Go a ρ <1 t y t 1 + e t ,τ e=t t 0 T τ = t0 T 0 IM R dopodobieństwo odrzucenia prawdziwej hipotezy zerowej. Na podstawie tabeli 6 można stwierdzić, że vt = y t +vh = 1 +y h+ 3 uh t + h u t 0,9} t 1 testu 3 t WALD wynosi blisko 5%. {0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; we rozważonych przypadkach wielkość τ ∈wszystkich Analiza własności testu supWALD składała się z dwóch etapów. Najpierw w wyniku kolejnych eksρ ∈ {0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,9} ρ I0,8; 0ρ I R 0 perymentów wygenerowano ze zmianą w wyrazie wolnym w różnych okresach, R ystrukturalną y t dane = t 1 + et y y = t I t 1 + et 0 M 0 R τ ∈ {0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8} . Następnie wyznaczono moment w próbie, dla którego statystyka IM R Walda osiąga najwyższą wartość. W każdej ze statystyk powtórzono eksperyment 500 razy f q t = φ1 [( I t – ∆ p t ) – ( I t f – ∆ ep tf ~)] N (03e,(przypadku ICDS ) t – CDS +φ ) t ) + εt Walda otrzymano dla okresu, w którym zmiat ~ N (0, Istatystykę i sprawdzono, w ilu przypadkach maksymalną f na założona w τdla 1 procesie dla t 1 [generującym T ] t [τT ] dane (por. tabela 7). Eksperymenty przeproq t strukturalna = ex t – p t + pzostała t ; ex t ut = u t = w którym występują dwa wektory kointegrujące. wadzono dla systemu czterech zmiennych, T ] t < [τT ] 0 dla t < 0 [τdla p tf yt = It v t = y t + h 3u1t It h3 = ωhh 1 = ωh 3 1 v t = y t +złoty/euro. h 3u1t 5. f Model VEC kursu walutowego Wyniki empiryczne Test ∆ pt WALD, supWALD (por. wzory 13 i 17) oraz model VEC ze zmianą strukturalną składowej determiω, ω ∈ {1; nistycznej (por. wzór 8) zastosowano do, 1,5; systemu objaśniającego kurs walutowy złoty/euro. W analizo{1; 1,5; 2} ω ω ∈ 2} f ∆ p wanym systemie można się spodziewać zmian strukturalnych, wynikających z procesów rynkot τ = 0,5 τ =wielu 0,5 wych oraz instytucjonalnych. CDS t ρI R kurs Zgodnie z hipotezą CHEER realny determinowany przez parytet siły nabyw0ρIwalutowy 0 e ,jest R y f y = t t 1 + t y e t + e , e parytet stóp procentowych (UIP, CDSwalut y = czej (PPP, ang. purchasing power parity) oraz nieubezpieczony t t t 1 t t 0 I M 0R I M R ang. uncovered interest rate parity); por. Juselius, Johansen (1992). Kryzys finansowy w 2008 r. wykazał konieczność rozszerzenia modelu kursu o zmienną, która aproksymuje ryzyko finansowe (Kelm 2011). 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9} τ ∈ {0,1; f ∈ f{0,1; τ0,2; εt 0,4; 0,5; 0,6; 0,7; 0,8; 0,9} q = φ1 [( I t – CDS t – ∆ p t ) – ( I t f – CDS – ∆ p0,2; )] +0,3; t t t Jedną z propozycji jest objaśnienie premii za ryzyko wycenami kontraktów CDS (ang. credit default ρ ∈ {0,1;ρ0,2; 0,3;0,2; 0,4;0,3; 0,5;0,4; 0,6;0,5; 0,7;0,6; 0,8;0,7; 0,9}0,8; 0,9} ∈ {0,1; swap, 2011; Kębłowski, objaśniające realny kurs można wówczas f f f ∆ qt = por. pt ) – ( I t f –Welfe CDS t2010). – – ∆ pRównanie φ0 + Kębłowski φ1 [( I t – CDS t )] + φ2 (tot t – tot t ) + ε t t zapisać następująco: 0,4;0,3; 0,5;0,4; 0,6;0,5; 0,7;0,6; 0,8}0,7; 0,8} τ ∈ {0,2;τ0,3; ∈ {0,2; φ0 f – – ∆ p t ) ––( I t f – ∆ p tf )] f q t = φ1 [(qI t = εt f ) + ε (23) )] + tφ3 (CDS CDStt –) +CDS φ1 [( I t ∆ p t ) – ( I t f –+∆φ3p(tCDS t t t f tot t – tot t gdzie: f q t = ex t q– p=t ex + p –t ; pex+t p f ex qt − realny kurs walutowy ( t t t t ; t − nominalny kurs walutowy, pt − indeks cen krajowych, pptff − indeksf cen za granicą), t pt It − krajowa długookresowa stopa procentowa, f t It − długookresowa Istopa procentowa za granicą, I t Δpt − stopa inflacji w kraju, f I tf Δptf − stopa inflacji za granicą,I t CDSt − wycena kontraktów ∆ pt CDS∆wp kraju, t CDStf − wycena kontraktówf CDS za granicą, ∆ p t ∆ ptf związany z oczekiwanym ryzykiem. εt − stacjonarny składnik losowy CDS t CDS t Wycena instrumentu pochodnego dotycząca ryzyka kredytowego (CDS) określa premię za ryzyko f f CDS t CDS zawartą w poziomie oprocentowania obligacji skarbowych (por. Duffie 1999; Kębłowski 2015). Różnica t między poziomami CDS a stopami procentowymi pozwala zatem otrzymać stopy procentowe skorygowane o ryzyko: f ∆ p tf )]f –+ ∆εtp f )] + ε qt = φ1 [(qI t –= CDS p t ) ––( I∆t fp–)CDS – ( I t ft –– CDS φ1 [( Itt –– ∆CDS t t t t t t f f ∆ ptf )]f + ∆ f f φ2p(tot qt = φ0 +qφ1=[(φ I t –+ CDS pt ) ––( ∆ I t fp–)CDS tf – t – tot t ) + ε t φ1 [( Itt –– ∆CDS t )] + φ2 (tot t – tot t ) + ε t 0 t t t – ( I t – CDS t – φ0 φ0 f f tot t – tottot t t – tot t p tf pt It It I I p tf ∆ pt f It f tf t It CDS t f 589 Testowanie zmiany strukturalnej... CDS t f ∆ pt ∆ pt ∆ pt ∆ ptff ∆ p f ∆ pt (24) qt = φ1 [( I t – CDS t – ∆ p t ) – ( I t f – CDS t f – ∆ p tf )] + εt t CDS t CDS f CDS ∆ p ) – (wpływ (tot – tot fokre)+ε q = φ + mechanizmów I f – CDS p f )] + φ w średnim – ∆walutowy φ [( I – CDS –mających Modelt CHEERt nie uwzględnia na kurs t 0 1 t t t t t t 2 t t f f CDS sie, np. relacji aktywów zagranicznych netto do produktu krajowego brutto danego kraju, różnicy t f CDS CDS t t między wydajnością pracyφ0w kraju i za granicą lub relacji tzw. warunków wymiany międzynarodowej t f (ang. terms of trade) w kraju i za granicą. Model (24) można zatem rozszerzyć o zmienną definiującą tot f t – tot t f ∆ ∆BEER – – – φ q = [( I CDS p ) ( I CDS p f f)] +∆εpt f )]2013): f –z – t t –która t t 1 q t= relatywne terms of trade, wynika hipotezy ∆ – φ [( I CDS p ) ( I t f t f–––CDS ∆ p tft )]–(Kelm q = φ [( It – CDS + ε t + εt t – ∆ p )t – ( I t – CDS 1 t 1 t t t t t t t ∆ ∆ p )] +∆φ2 (f tot t – tot t ff ) + ε t f (I CDS φ [( I – CDS q t = φ0 + t – ∆ pt ) – (I )] +t φ (tott t) –+ tot CDS ∆ p )]–+ φp2t(tot qt = φ0 +qtφ=11 [(φI0tt +– φCDS pt )t –– (∆I p ) –CDS – 2tot εt t ) + εt (25) 1 [( I t t –– CDS gdzie:φ φ0 wolny, φ00 − wyraz f tot t – tot tottt f t −– relacja tot t f terms of trade w kraju i za granicą. tot t – tot Analizowana próba obejmuje dane miesięczne za okres od marca 2003 do maja 2014 r. Sprawdzono możliwość występowania w tym czasie zmiany strukturalnej o charakterze zmiany wyrazu wolnego, co pozwala następująco zapisać równanie (25): f tf – t t– f f tf – t t –– f tf f tt qt = φ0 + φ1 [( It – CDS t – Δpt ) – ( I t f – CDS t f – Δ ptf )] + φ2 (tot t – tot t f ) + φ3u t + εt (26) f f f f q φ + φ [( It – CDS t ≥ t 0t – Δpt ) – ( I t – CDS t – Δ pt )] + φ2 (tot t – tot t ) + φ3u t + εt gdzie: t =u 0= 11 dla f f f f t+ φ [( I – CDS – Δ p ) – ( I f – CDS f – Δ p f )] + φ (tot – tot f ) + φ u + ε qqt = φ [(0Itt –dla CDS ptt ) – ( I tt f – CDS tt f – Δ pttf )] + φ22 (tot tt – tot tt f ) + φ33u tt + εtt φ11dla = φ00 + t <tt t––0 Δ ≥ 1 t t [( – – + I CDS p ) ( I CDS p )] φ ( tot tot Δ – – Δ – φ qtt u= φ + 0 t t t t t t t t ) + φ3u t + εt 0 2 1 t =1 dla t ≥ t< , f t0 – 0dla f f [([tIqt≥t–t 00CDS – Δtp]tf )] + φ2 (tot t – tot t f ) + φ3u t + εt φ=1dla uuqtt = = φ1 pt f t totr 10 v+tdla t ≥t t 0 IFt t ΔΔptpt ) –IF(tI t –ΔCDS t = < t 00 dla t <moment u tt =− nieznany f dla –t 00CDS –wystąpienia CDS Δ ptf )] + φ2 (tot t – tot t f ) + φ3u t + εt Δp f ) – ( I f f –zmiany qt 0=vφ q t1 [(ttIIF totrt t] –strukturalnej. = t< 0+[φ dla t 01 ≥ tt 00 Δptt IFt t Δpt t uvt == [qqt IF Δp IF ff Δp ff totr ] t f [(totr – Δpt ) – ( I t f – CDS t f – Δ ptf )] + φ2 (tot t – tot t f ) + φ3u t + εt It –tt CDS qt tt =f φ0Δ+pφ ] vtt = 1[0q tt dlaIFt tt ≥< tΔ pt IF t t 1 [ ] v q IF IF totr 00 pt q Δ p Δ = t t t t t t t t objaśniającym kurs złoty/euro przyjęto, że krajem referencyjnym są Niemcy, ze u t W = równaniu pt < t0 f f dla t ≥ t handlowej Polski. Przedmiotem rozważań był następujący względu ich w1 wymianie vqqttt =p 0[na q t dla IFt wysoki Δpt udział uIFt t = Δpt totrt0] qt t p f t f f system zmiennych: < t 0] 0 pdla ttotr [q t IFt Δsześć vppt t= zawierający Δ pt IF t t t qptt p t f t t IFt = ( I t – CDSvt ) [q IFt Δp IFt f Δpt f totrt ] f (27) t qpppt tt ffIF ( I – CDS ) t = t ptt t = t t gdzie: It – CDS ) qt ft = ( I t) qpIF walutowy (por. wzór 23), IF I t realny – CDSkurs p tt t tI t = (− IFt = (CDS I tt – CDS tt ) t pI tf − indeks krajowych cen towarów i usług konsumpcyjnych (2010 = 100), pt pt CDSIt – CDS ) IIF t t Ipttttf t = (IF f f f − indeks towarów i usług konsumpcyjnych w Niemczech (2010 = 100), – CDS ( I tcen t = tf ) CDS f f tf CDS p – t IF ( I CDS ) t − krajowe stopy procentowe wolne od ryzyka, IF ( I CDS ) – = = t t CDS It t tt t f t f f f I – f f f IIF −((tIInominalna krajowa stopa procentowa (oprocentowanie 10-letnich obligacji), t f – CDS t t f f = IF CDS t f ))długookresowa IFt = ( I t – CDS t ) tI = ICDS t ( I t –f CDS t ) t t t = IF t t pochodny ryzyka kredytowego dla Polski, CDS − instrument t CDS t f II t ff CDS f f f CDS It procentowe dla Niemiec wolne od ryzyka, IF I tt f t t=f (t I t – CDS t ) − stopy f f f CDS totr ( tot tot ) – = fdługookresowa t f − nominalna t t t f f f IIF stopa procentowa dla Niemiec (oprocentowanie 10-letnich obligacji), CDS ) CDS t – CDS =ttft(=I t (tot t – tot CDS t t) Itt fttotr f CDS instrument pochodny ryzyka kredytowego dla Niemiec, t − totr (tot f f t =f tot t tt – tot tt ff )) – tot – CDS t f ) IFt f = ( I tterms tot=t ((tot CDS Itotr t t = − relatywne of trade, totr tot tot ) – t t ft ff tot t tot f t f − relacja deflatoraI t polskiego eksportu do deflatora polskiego importu (2010 = 100), CDS tottot totr tot tt ft t=t (tot t – tot t ) f Niemiec f relacja deflatora eksportu do importu Niemiec (2010 = 100). f tot f q−ttot + βIF + βdeflatora p( tIF ) –ft f (–IF totqtt f + 21 [(–IF t –∆ 61 totrt + β71 + β 81u t = ε 1t –CDS ∆tptf–)]∆+ptβ61)]totr totr 21 [( t t t + β71 + β 81u t = ε 1t t = (β t – tot t∆)p t ) tot t Małe litery oznaczają logarytmy. f f f f qqt + + β [( p IF ftotrt + β71 + β 81u t = ε 1t t – t – t )] –∆ –∆ IF +f β [(βIF pttpβ)) ––++(( β IF ptot totr ∆∆ ∆=(p β21 totr ) + β + β 81u t = ε1t –+tot tot 21 t β tf+ t f )] 61 εβ261 IF[( + u t –=β t = β ε p + u tt tβ+ ∆ t 32 t 72 82 tt totrtt + β71 – – qtt IF IF + ) ( p IF p ∆ ∆ t 21 32 t t 72 t82 t t 2tt)] + β 61 71 + β 81u t = ε 1t f β β ppt –+ utf =– ∆εε2pt f )] + β totr + β + β u = ε ∆ tot tot 72 )+ 82 β32 βmax IFtt+t + +βsup +β ∆WALD – β( IF qIF 72 82 ut tt = 21 tt = ∆ p 1t 81 t 0,27;…; τ 71 {0,26; (τ ) ,61gdzie =t + 0,74} τ t{0,26; WALD 0,27;…; 0,74} β32[( IF βWALD ε(22τtt)t , gdzie IFt sup u =WALD + max t + 32 ∆ p t +0 ,β τ < 0ft, 75 <82 f < τ <0 ,025 2572 , 75 f tott t –(τ∆) p, tgdzie qt +WALD + + + = ( IF )] u totr ε ∆ pt ) –WALD β21 [( IF=t – max β β β τ sup {0,26; 0,27;…; 0,74} 61 t 1t 71 81 t τ CDS t f IFt = ( I t – CDS t ) f IFt = ( I t –I CDS t f ) t – Δpt ) – ( I t f – CDS t f – Δ pt f )] + φ2 (tot t – tot t f ) + φ3u t + εt qt = φ0 + φ1 [( It – CDS f t CDS t It E . Go siń ska 590 1 dla t ≥ t 0 CDS f t ut = IFt f = ( I t f – CDS t f ) 0 dla t < t 0 totrt = (tot t –I ftot t f ) t W ramach analizowanego ] założono słabą egzogeniczność zmiennych dotyczących vt = [q t IFt Δpt IFt f Δpt f systemu totr f t CDS gospodarki Niemiec dwie relacje o charakterze długookresowym. Pierwsza tot t oraz zidentyfikowano t zqnich jest równaniem f kursu walutowego o postaci: t tot t totrt = (tot t – tot t f ) pt – ∆ pt ) – ( IFt f – ∆ p tf )] + β61totrt + β71 + β 81u t = ε1t qt + β21 [( IFt tot (28) t f f f f [( qt = φ0 + φ1 It – CDS t – Δpt ) – ( I t – CDS t – Δ pt )] + φ2 (tot t – tot pt f t ε2 t IFt kointegrującej + β32 ∆ ptot + β82 ut że = krajowe t + β 72 W drugiej relacji przyjęto, stopy procentowe wolne od ryzyka są funkcją IF ( I CDS ) – 1 dla = t t t krajowej inflacji: q + β [( IFt –u∆t τp=t ) – ( IFt f τt– ≥∆ tp0tf )] + β61totrt + β71 + β 81u t = ε1t supWALD = t max21 WALD ( ) , gdzie {0,26; 0,27;…; 0,74} 0 dla t < t 0 0 , 25< τ < 0 , 75 It IFt + β32 ∆ pt + β72 + β82 ut = ε2t (29) CDS R = 2, T = 150 i n = 100 000vt = [q t IFt Δpt IFt f Δpt f totrt ] t τ {0,26; f supWALD = maxt należało WALD(τnajpierw ) , gdzie dokonać 0,27;…;parametrów 0,74} IFt W ( I t f –wyznaczenia CDS t f ) momentu zaburzenia estymacji = celu 0 , 25< τ < 00, 75 q 1 dla t 04.2007 t składowej stochastycznej modelu VEC (wzór 9). Obliczenie statystyki ut 1 = i składowej deterministycznej I tf = 2, T = 150 i n = 100 000 R 0 dla t < 04 . 2007 supWALD (wzór 17) umożliwiło identyfikację momentu wystąpienia zmiany strukturalnej. Do estymapt f CDS t cji parametrów składowej stochastycznej wykorzystano metodę największej wiarygodności z uwzględ* A i B (HA, H1, H2 1 dla t p04f .2007 f t nieniem restrykcji macierz wektorów kointegrujących i macierz dostosowań. Restrykcje una totrt = (tot ) – tot t nałożonych t 1 = t dla tegzogeniczności < 04.2007 nałożone na macierz wag wynikają ze0słabej zmiennych dotyczących gospodarki Nie= ( I t – CDS t ) * - 0,1134IFt 2,2057 tot t miec, natomiast restrykcje strukturalizujące nałożone(1,31) na macierz B zapewniają odpowiednią interpre(-2,55) * H , H1,(zgodną A iIB ˆ = H ϕˆ kointegrujących 3 3 (H A0,0002 tację wektorów z teorią ekonomii). It 2 - 0,035 tot t f otrzymanych A A A = ( 0 , 72 ) (-2,76) 03 3 Moment najbardziej istotnej zmiany0,0176 strukturalnej określony jest przez najwyższą wartość staCDS0,5497 – ( IFt f – ∆ p t f )] + β61totr qt + β21WALD. +t-(4,1) [( IFt – ∆Ze pt )względu 0,1134 β t + β71testu t = ε 1t2,2057 81u (5,04) tystyki na gorsze własności supWALD w przypadku, gdy zmiana struk(-2,55) (1,31) f f f I ˆ 3 3 – IF ( I CDS ) turalna na początku próby, do wyznaczenia maksimum nie wykorzysta= 0,0002 T - 0,035 A lubHnaϕˆ końcu t t IFt + β32występuje ∆ pt + β72 Bˆ *+T =β(82[uHt =ˆ Bε12t =H 2 ˆAB 2 A] )= = 0 t ( 0 , 72 ) (-2,76) 3 3 no wartości statystyki dla 1okresów odpowiadających 25% obserwacji z początku i z końca próby: 0,0176 0,5497 I tf – 18 1 (18 18,0,74} 73 2. ,(4,1) 33 1 49 statystyka 0,08 ,73 (5,04) , – 18 – τ ,73{0,26; supWALD = max WALD gdzie 0,27;…; τ ),,73 Maksymalna testu WALD 0 , 25< τ < 0 , 75 ( 3,87 ) ( 3,87 ) ( 3,87 ) f ( 3,87 ) ( 3, 44 ) ( 5,16 ) ( 2 , 99 ) = CDS t − przy założeniu, że zmiana powodowała zmianę wyrazu T 0 strukturalna 1ˆ *T = ( [–H0,ˆ67 0 0,004 −0,wynosi 002 90,8364 dla –wolnego H 20ˆ B 2 ] ) =0 ( 51,89 )B1 ( 2 , 71) ( 2 , 67 ) 2, TOznacza = 150 i nto, = 100 000 B strukturalna f w procesach τR= =0,37. że zmiana w wyrazie wolnym generujących zmienne totrt = (tot t – tot t ) – 1 18 , 73 18 73 18 73 18 73 2 33 1 49 0,08 , , , , , – – wystąpiła w marcu 2007 r. (por. wykres 1). Wartość krytyczna testu supWALD, wyznaczona symulacyjf ( 3,87 ) f ( 3,87 ) ( 3,87 ) ( 3,87 ) ( 3, 44 ) ( 5,16 ) ( 2 , 99 ) = 2007 1 dla t 04 . ∆ ∆ – – – – – – q 18 , 73 [( IF p ) ( IF p )] 2 , 33 totr + 1 , 49 0 , 08 u + e tot nie endogenicznych: Należy zatem t = t t 1t t = 150 ut 1dla = trzech zmiennych – 0,67t i n =0 100 000, 0 t 1R = 2,t T 0 wynosi 0 47,7778. 0,002 –t0,004 0 dla t < 04 . 2007 f ( 5 , 89 ) ( 2 , 71 ) ( 2 , 67 ) odrzucić hipotezę zerową na korzyść alternatywnej, totu t + ew której zakłada się istotność testowanej zmiany IFt = 0,67∆ pt + 0,004 – 0,002 t 2t strukturalnej. Pod koniec pierwszego kwartału 2007 r. rozpoczął się kryzys finansowy w Stanach Zjed* A i B (HA, H1, H2 f∆ p ) –f ( IF f – ∆ p f )] + β totr + qtt –+w∆βstosunku –∆ – 0t,i08 [( IF p21t )[(–IF( IF 1,49 uβt71+ +e1tβ 81u t = ε1t noczonych oraz nastąpiła nagłaqaprecjacja innych walut (m.in. euro dolara), t – t pt )] – t 2,33totr t t + do 61 t2 = – 18,73złotego t do ∆ qt , ∆ IFt , ∆ pt która nie miała odzwierciedlenia w zmianach mechanizmów makroekonomicznych. - 0,1134 IF2,2057 IFt +wyodrębnić pt +ut β+dłuższy ut = ε2t styczeń – wrzesień –β320∆ ,002 e2+t β82podokres: ∆ pmożna = 0,67że 72 Dodatkowo, z wykresu t (1,31) t + 0,004 (-2,55) 1 wynika, I ˆ 3 3 0,0002 - 0,035Walda są większe od wartości krytycznej. Rozważany model VEC A =r.,HwA ϕˆktórym 2007 wartości statystyk A = ( 0 , 72 ) (-2,76) WALD = max WALD(τ ) , gdzie τ {0,26; 0,27;…; 0,74} 03 3 ∆0,5497 qt , ∆ IFt , ∆ 2psup (wzór 7) oraz procedura0,0176 testowania uwzględniają występowanie zmiany strukturalnej. Dalszej 0 , 25< τ <jednej 0 , 75 t analizie poddano zatem(5,04) model ze(4,1) zmianą strukturalną w okresie, dla którego otrzymano najwyższą R = 2, T = 150 i n = 100 000 T 2007 r.). wartość statystyki (marzec ˆB *T = ( [H H 2 ˆ B2 ] ) = 1 ˆ B1 Należy zauważyć, że w wektorach kointegrujących modelu VEC występują zmienne z jednookreso– 18,73 18,73 2,33 – 11,49dla t0,0804.2007 1 18,73 – W 18,tych 73 relacjach która zmianę wyrazu wolnego, wywym opóźnieniem. zmienna ( 3,87 ) ( 3,87 ) ( 3,87 ) ( 3,87 ) ( 3,u 44t) 1, = ( 5,16charakteryzuje ) ( 2 , 99 ) = 0 dla t < 04 . 2007 – 0 1 0 , 67 0 0 0 0 , 004 0 , 002 – nosi więc 0 w okresie przed kwietniem 2007 r. oraz 1 w kwietniu 2007 r. i później. ( 5,89 ) ( 2 , 71) ( 2 , 67 ) Następnie przeanalizowano model VEC z restrykcjami nałożonymi na macierze A i B*, przy zało* A i B (H , H1, H2 żeniu, że zmiana strukturalna fw procesach generujących Azmienne nastąpiła w marcu 2007 r. Na podqt = – 18,73 [( IFt – ∆ pt ) – ( IFt – ∆ ptf )] – 2,33totrt + 1,49 – 0,08ut + e1t stawie otrzymanych wyników testu śladu dla modelu ze zmianą strukturalną (por. Johansen, Mosconi, - 0,1134 2,2057 (-2,55) (1,31) IFt = 0,67∆ pt + 0,004 – 0,002ut + e2t I ˆ = H ϕˆ = 3 3 0,0002 - 0,035 A A A ( 0 , 72 ) (-2,76) 03 3 2 ∆ q t , ∆ IFt , ∆ pt 0,0176 0,5497 (5,04) (4,1) It t 21 t t t t t 61 CDS IFt +t f β32 ∆ pt + β72 + β82 ut = ε2t 71 81 t 1t qt f totr ) WALDzmiany = (tot t =– tot t τ p{0,26; t Testowanie strukturalnej... (τ ) , gdzie suptWALD max 0,27;…; 0,74} 0 , 25< τ < 0 , 75 pt tot t R = 2, T = 150 i n = 100 000 tot t f 591 f IF(warunkowym t = ( I t – CDS t )względem zmiennych Nielsen 2000) można wnioskować, że w analizowanym systemie f f t 04 .2007 wektory kointegrujące słabo egzogenicznych) dwa bazowe tabela qut t+1występują ε1t β=21 [(1IFdla t – ∆ p t ) – ( IFt – ∆ p t )] + β61 totr 71 + β 81u t =8). It t + β(por. 0 dla t < 04modelu .2007 VEC ze zmianą wyrazu wolnego w marcu 2007 r. (t0) Przy założeniu R = 2 oszacowania CDS t β32 ∆, pHt + β + β82 ut = restrykcji) ε2 t z restrykcjami na AIFit B+* (H są następujące: 1, H 272− macierze *A A i B (HA, H1, H2 IFt f = 0,27;…; ( I t f – CDS t f ) supWALD = max WALD( τ ) , gdzie τ {0,26; 0,74} 0 , 25< τ < 0 , 75 - 0,1134 2,2057 I t (1,31) 000 R =ˆ 2, T = 150 i nI 3 =3 100 (-2,55) CDS t f 0,0002 - 0,035 A = H A ϕˆ A = ut 1 = f ( 0 , 72 ) (-2,76) 03 3 0,0176 0,5497 1 dla t 04.2007 (5,04) (4,1) (30) totrt = (tot t – tot t f ) 0 dla t < 04.2007 T tot t Bˆ *T = ( [H1 ˆ B1 H 2 ˆ B 2 ] ) = * A i B (HA, H1, H2 tot f 1 18,73 – 18,73 – 18,73 18,73 t2,33 – 1,49 0,08 ( 3,87 ) ( 3,87 ) ( 3,87 ) ( 3,87 ) ( 3, 44 ) ( 5,16 ) ( 2 , 99 ) f = + β61totrt + β71 ( IFt – ∆ ptf )](31) ∆ pt ) 0–,002 –-00,1134 0 1 ,67 02,2057 0 qt + 0β21 [( IF – t0,–004 ( 5,89 ) (-2,55) (1,31) ( 2 , 71) ( 2 , 67 ) ˆ = H ϕˆ = I 3 3 0,0002 - 0,035 A IFt + β32 ∆ pt + β72 + β82 ut = ε2t A A ( 0 , 72 ) (-2,76) 03 3 f f – ∆ pt )] – 2,33totrt + 1,49 – 0,08ut + e1t qt = – 18,73 [( IFt – ∆ 0,0176 pt ) – ( IFt 0,5497 (τ ) , gdzie τ supWALD = max wzorów WALDdostępnych (5,04) (4,1) obliczone W nawiasach podano wartości statystyk t-Studenta, na podstawie 0 , 25< τ < 0 , 75 – IF 0 , 67 p + 0 , 004 0 , 002 u + e ∆ w pracy Hansena i ˆJuseliusa (2002); w programie Matlab. t = t wszystkie t 2wykonano t T obliczenia B *T = ( [H1 ˆ B1 H 2 ˆ B 2 ] ) = R = 2, T = 150 i n = 100 000 , 73 ∆ 2pt – 18,73 qt ,oprócz 1∆ IF 18 ,73 18,73w krótkim 2,33 –okresie 1,49 (Δu 0,08 Warto zauważyć,∆że ut i jej– 18 dostosowań t ,zmiennej t –1) w modelu nie ( 3,87 ) ( 3,87 ) ( 3,87 ) ( 3,87 ) ( 3, 44 ) ( 5,16 ) ( 2 , 99 ) = 2007 1 dla t 04 . występują żadne inne zmienne zero-jedynkowe. kointegrujące można zapisać – 0,67 0 1 0Otrzymane 0 uwektory – 0,004 0,002 t 10= ( 5,89 ) ( 2 , 71 , 67 ) w postaci następujących równań długookresowych: 0 dla t )< 04(.22007 {0,26; 0, * B (H A, H 1, H 2 qt = – 18,73 [( IFt – ∆ pt ) – ( IFt f – ∆ ptf )] – 2A ,33itotr (32) t + 1,49 – 0,08ut + e1t (33) IFt = 0,67∆ pt + 0,004 – 0,002ut + e2t - 0,1134 2,2057 (-2,55) (1,31) ˆ = H ϕˆ = I 3 3 0,0002 - 0,035 A A A 2 ( 0 , 72 ) (-2,76) , , ∆ p ∆ q IF ∆ 0 3 i z wynikami t t t długookresowych Oszacowania parametrów w (32) i (33) są zgodne z teorią innych 3 0,0176 0,5497 badań empirycznych (por. Kębłowski, Welfe 2012; Kębłowski 2015). Wzrost dysparytetu(5,04) pomiędzy(4,1) polskimi a zagranicznymi realnymi stopami procentowymi skorygowanymi o ryzyko powoduje spadek T ( [H1 ˆ B1 warunków Bˆ *T =Poprawa H 2 ˆ B 2 ] )wymiany = kursu realnego, a zatem aprecjację kursu nominalnego złoty/euro. międzynarodowej w Polsce powoduje także aprecjację polskiej waluty. Z drugiego równania wynika, że 1 18,73 – 18,73 – 18,73 na 18,73 2,33 ( 3,87 ) ( 3,87 ) 3,87 ) ( 3,87 ) ( 3, 44 ) = skutek zwiększenia się krajowej inflacji następuje mniejszy niż proporcjonalny wzrost stóp (procento– 0,67 0 1 0 0 0 wych wolnych od ryzyka. ( 5,89 ) Wykorzystując wyniki testu CRDF, można stwierdzić, że opisane relacje kointegrujące nie generują trendów stochastycznych, a więc są stacjonarne. Otrzymane oszacowania qt = – 18,73 parametrów [( IFt –∆ pt ) –macierzy ( IFt f – ∆wag ptf )] – 2,33totrt wskazują na istotne ujemne dostosowanie realnego kursu do wektora kointegrującego, opisującego – 0procentowych IFt = 0,67krajowych ,002ut + e2t ∆ pt + 0,004 równanie długookresowe dla kursu, oraz ujemne istotne dostosowanie stóp wolnych od ryzyka do drugiego wektora kointegrującego. Na koniec zbadano właściwości stochastyczne 2 reszt z poszczególnych równań dla zmiennych endogenicznych ∆ qt , ∆ IFt , ∆ pt w modelu VEC. Można wnioskować, że reszty z poszczególnych równań wektorowego modelu korekty błędem są stacjonarne, mają rozkład normalny oraz nie występuje autokorelacja. 592 E . Go siń ska 6. Podsumowanie Występowanie zmiany strukturalnej w procesach generujących zmienne ekonomiczne silnie wpływa na postać wielorównaniowego modelu korekty błędem. Rezultaty prowadzą do wniosku, że występowanie zmiany strukturalnej w części deterministycznej DGP powoduje jednoczesną modyfikację składowych deterministycznych w przestrzeni kointegrującej i poza nią. Wprowadzenie zmiennych zero-jedynkowych do przestrzeni kointegrującej lub poza nią, choć technicznie możliwe, nie może być interpretowane jako zmiana strukturalna. Do sprawdzenia, czy występuje zmiana wyrazu wolnego w znanym okresie, zaproponowano wykorzystanie statystyki Walda. Okazuje się, że moc testu dotyczącego zmiany wyrazu wolnego rośnie wraz ze wzrostem liczby obserwacji oraz wielkości zaburzenia. Z dodatkowo przeprowadzonych eksperymentów wynika, że moc testu WALD nie jest wrażliwa na zmianę rozkładu składników losowych (z normalnego na t-Studenta), zmianę parametru autoregresyjnego założonego w symulacjach oraz moment wystąpienia zmiany strukturalnej. Ze względu na to, że moment wystąpienia zmiany strukturalnej w systemach opisujących funkcjonowanie mechanizmów ekonomicznych zazwyczaj nie jest znany, zaproponowano wykorzystanie w testowaniu statystyki supWALD. Na jej podstawie można wyznaczyć moment zaburzenia, tzn. taki okres, w którym statystyka Walda ma najwyższą wartość. Model VEC ze zmianą strukturalną, a dokładniej zmianą wyrazu wolnego, zastosowano do modelowania kursu walutowego złoty/euro. W celu zidentyfikowania momentu wystąpienia zaburzenia w składowej deterministycznej procesu generującego dane wykorzystano statystykę supWALD. Okazuje się, że w analizowanym modelu zmiana strukturalna wystąpiła w marcu 2007 r. W systemie zidentyfikowano dwa wektory kointegrujące, z których jeden można interpretować jako długookresowe równanie kursu walutowego złoty/euro. Drugi wektor kointegrujący jest równaniem długookresowych stóp procentowych skorygowanych o ryzyko. Bibliografia Andrews D.W.K. (1993), Tests for parameter instability and structural change with unknown change point, Econometrica, 61(4), 821−856. Duffie D. (1999), Credit swap valuation, Financial Analysis Journal, 55, 73−87. Gosińska E. (2009), Analiza kointegracyjna z zaburzeniami struktury na przykładzie modelu handlu zagranicznego Polski, Bank i Kredyt, 40(6), 41−58. Hansen H., Johansen S. (1999), Some tests for parameter constancy in cointegrated VAR-models, Econometrics Journal, 2(2), 306−333. Hansen H., Juselius K. (2002), CATS in RATS: cointegration analysis of time series, user’s manual, Estima, Evanston. Johansen S. (1995), Likelihood-based inference in cointegrated vector autoregressive models, Oxford University Press. Johansen S., Mosconi R., Nielsen B. (2000), Cointegration in the presence of structural breaks in the deterministic trend, Econometrics Journal, 1(3), 216−249. Juselius K. (2006), The cointegrated VAR model: methodology and applications, Oxford University Press. Juselius K., Johansen S. (1992), Testing structural hypotheses in a multivariate cointegration analysis of the PPP and the UIP for UK, Journal of Econometrics, 53, 211−244. Testowanie zmiany strukturalnej... 593 Kelm R. (2011), Ryzyko walutowe i wahania kursu PLN/EUR w latach 1999−2009, Bank i Kredyt, 2, 31−66. Kelm R. (2013), Kurs złoty/euro: teoria i empiria, Wydawnictwo Uniwersytetu Łódzkiego, Łódź. Kębłowski P. (2011), The behaviour of exchange rates in the Central European countries and credit default risk premiums, Central European Journal of Economic Modelling and Econometrics, 3, 221−236. Kębłowski P. (2015), Stały czy płynny? Model PVEC realnego kursu walutowego dla krajów Europy Środkowo-Wschodniej – implikacje dla Polski, Materiały i Studia NBP, 312, Narodowy Bank Polski, Warszawa. Kębłowski P., Welfe A. (2010), Estimation of the equilibrium exchange rate: the CHEER approach, Journal of International Money and Finance, 29, 1385−1397. Kębłowski P., Welfe A. (2012), A risk-driven approach to exchange-rate modelling, Economic Modelling, 29, 1473−1482. Lütkepohl H. (2005), New introduction to multiple time series analysis, Springer Verlag, Berlin. Majsterek M. (2008), Wielowymiarowa analiza kointegracyjna w ekonomii, Wydawnictwo Uniwersytetu Łódzkiego, Łódź. Perron P. (2006), Dealing with structural breaks, w: K. Patterson, T.C. Mills (red.), Palgrave handbook of econometrics, 1, Econometric Theory, Palgrave Macmillan, London. Perron P., Yabu T., (2009) Testing for shifts in trend with an integrated or stationary noise component, Journal of Business and Economic Statistics, 27, 369−396. Saikkonen P., Lütkepohl H., (2000), Testing for the cointegrating rank of a VAR process with structural shifts, Journal of Business and Economic Statistics, 18, 451–464. Seo B. (1998), Tests for structural change in cointegrated systems, Econometric Theory, 14, 222−259. Sobreira N., Nunes L. (2012), Testing for broken trends in multivariate time series, mimeo, http://docentes. fe.unl.pt/~nsobreira/JM%20Paper%20Nuno%20Sobreira.pdf. Toda H.Y. (1994), Finite sample properties of likelihood ratio tests for cointegrating ranks when linear trends are present, The Review of Economics and Statistics, 76(1), 66−79. Toda H.Y. (1995), Finite sample performance of likelihood ratio tests for cointegrating ranks in vector autoregressions, Econometric Theory, 11(5), 1015−1032. Welfe A. (2009), Ekonometria, Polskie Wydawnictwo Ekonomiczne, Warszawa. Podziękowania Badanie finansowane z grantu Narodowego Centrum Nauki (grant MAESTRO 4 nr UMO-2013/08/A/ HS4/00612). 594 E . Go siń ska Aneks Estymatory parametrów części deterministycznej w kierunku B i B⊥ należy wyznaczyć na podstawie równania: ˆ T ˆ ( L) = K ˆ ˆ hˆ + K ˆ ˆ h ˆ + η ˆ ˆ hˆ + K ˆ ˆ hˆ + K Q (A1) t t 1t ,1 ,1t ,1 3t ,3 ,3t ,3 ˆ T ˆ ( L) = K ˆ ˆ hˆ + K ˆ ˆ hˆ + η ˆ ˆ hˆ + K ˆ ˆ hˆ + K Q t t 1t ,1 ,1t ,1 3t ,3 ,3t ,3 ˆ ˆ = Qˆ T Kˆ ˆ ( ˆ T ˆ ) 1 , h ˆ = ˆ T h , gdzie: K 1t 1 ,1t ,1 ˆ ˆ = Qˆ T Kˆ ˆ ( ˆ T Q ˆˆ )T 1ˆ, (hL)ˆ t==ˆKTˆ hˆ 1,t h ˆ ,1 + Kˆ ˆ ,1t h ˆ ,1 + Kˆ ˆ 3t h ˆ ,3+ Kˆ ˆ ,3t h ˆ ,3 + ηt K 1ˆt ,1t ˆ T ˆ ˆ,1 ( ˆ T ˆ1 ) 1 , h ˆ = ˆ T h , K ˆ 1t = Q K 1t 1 ,1 ˆ+ˆT TK ˆ ˆ ˆ+ ˆK ˆη hˆ + K ˆˆ ( L) h = K ˆ T ˆ (ˆLT) ˆ =ˆ K ˆ ˆ ˆ ˆ T hˆ ˆ +1 K ˆ Tˆ Th ˆ Q Q +K ˆ ˆ ˆ , 3+ K ˆ ,3t h ˆ , 3 + ηt Thˆˆ, 3t1ˆ t ˆ , 3 T,3tˆˆh,1ˆ+ ˆh ˆˆK ˆ ,1ˆ h ˆˆ 3t+h K K ˆ 1t = Q Kt1t ( 1K 1ˆt+ 1t K tˆ ,)1 , ˆhQ ,1ˆt ˆ= ,(1Lˆ , 3 h ˆ ,t+ ˆ K h ) + ηt 1=) K, ˆ hT h = , , 1 = Q ( h ˆ ˆ ˆ ˆ T T 1 t 3t ,3 ,3t ˆ , 3 ˆ ˆ = Qˆ ˆ K ˆ ˆ 1ˆt ) , h ˆ = ˆ 1tˆh,1 , ,1 1 ,1t ,1 ,1ˆt K 3 3t ( ,3 ,3t ˆˆ K ˆˆ ( ˆˆT ˆˆˆ)T 1ˆ, ) h=1 ,ˆQˆhT=Kˆˆ=T hˆK ˆT ˆ ˆT ˆ 1 1ˆ ˆˆ3T,h(ˆ ˆ1ˆ,TT=ˆˆ Qˆ )ˆT K ˆ = Qˆ T Kˆˆ 3Tt K K ˆ, 1TˆthTˆˆh() ,11. ,= h)ˆˆT h,=1h, ˆˆ ,T1 h= , h1 , ˆˆˆ,1 T1tˆ = ,3t ˆ ,1t = Q ,1t K ˆ Tˆ K ˆ ˆ 1t =(K ˆ ,3 (K Q ( 1ˆt , h = K Q ) ˆ 1 t 1 ˆ ,3 ,1t ,1 3t 3 3t T ˆT ˆ T ˆ T ˆ ˆ T ˆˆ T ˆ ˆ T ˆ1 T ˆ 1 ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ T T 1 T , . K ˆ 3K =Q K ( ˆ( )= Q ,ˆ,3h=ˆˆK(,1 ˆˆ=hˆ1t3Tˆ=)ˆhQ1,,ˆhK 1tˆ =T ˆˆ( h 1, ) 1 , h ˆ ˆ ,1T = ˆ T h1, ˆ)h K ˆˆ t ˆ 1t = Q3t K 1t K K ) 3 , h ˆ ,1 = h1, ˆ ,3t ˆ(,3 ˆ3t1t = Q K 1t , 1 = I t T 1 T ˆ )T K 1ˆ ˆ ˆ = Qˆ T Kˆ ˆK ˆ ˆ T ˆ 1,ˆ Th ˆ ˆˆˆ T ˆ 3T=,ˆˆ Q K , ˆ3htT ˆˆˆ(),3ˆ 1=, ˆˆh)T h,3=.h ˆˆ ,T3 h= ,ˆ h 3 , 1ˆ ,33t=K ˆ(,ˆ3ht T t ˆK ˆ 3t ( ˆ 3t )= Q ,3t K Q K ( = ,ˆ ( Lsą = 1ˆ ˆ,3t przez ˆ ,3 3 3t ˆ =IK̂ Zmienne K̂ 1t K oraz wzory: I –t Σ 3t ) =definiowane 1t j , t = 2 ,...,S t 1 T T 1 1 j = T T T 1 ˆ ˆ ˆ ˆ ˆ ˆT ˆ ˆ K ˆˆ ˆ = Q ˆ ˆ ˆ( ˆ ˆ ) , h ˆ K ˆ =K ˆ3t Tˆ =K ˆT ˆ ,=3 ˆ =Q ˆhQ3 .ˆ K(3tˆ T ˆ( ) 1, h)ˆ , h= ˆ ˆ,T3 h= . h3 . t K I – 3Σ (L 3t ) = K 1t j , t = 2 ,...,S 3t 3 ,3 ˆ Bˆ , 3tt =I, S + 1,..., –A j =1 T t =1 1 t ˆ Bˆ T,ˆ t = ˆS + 1,..., T –A (A2) KI1,t = ( L) = 0t, =I 1– Σ ˆ j , t = 2 ,...,S I, t = 1 I, t < t 0 t = 1 j =1 t 1 t 1 t 1 t = t ˆ ˆ ˆ ˆ=Tt < ˆ ˆ , t = I2,–,...,S ˆ = ˆ ( L) = I 0–, –ˆ Σ K T 0 j , t = 2 ,...,S 1t j K ˆ =KA ˆ1t(BL,) =(ttL0=)IS=– + 1I,..., Σ 1tt 1 jj,=1 t = 2 ,...,S j =1 Σ ˆ ˆ K 3t = ( LI),ut = j =1 ˆ , t =t =t0 t + 1,..., j 0 ˆt 0Bˆ +T, S t– =1t <S t+ 1,..., T ˆ1Bˆ T, t =I –S Σ –T A – tA 1 ,..., T + ˆ ˆ = j 1 , 0 ˆ ˆ K 3t = ( L)ut = – A B , t = S + 1,...,0T I – Σ ˆ j , t = t0 +T 1,..., t0 + S – 1 ˆ ˆ I, – AB , j =1 t = t + S ,..., T t = t0 t < t0 0, t < t0 0 0ˆ, t 1 ˆ t < t0 0, T ˆ ( ) K = = L u ˆ – t t 3 A B , t = t + S ,..., T ˆ (A3) I 0– Σ t j=, t0 t = t0 + 1I,..., , t0 + S – 1 t = t0 I, t = t0 I,  , B̂, ˆ 1 , ˆ 2 , …, ˆ S 1, ˆ j =1 t 1 ˆ = ˆ ( L)u = t 1 t 1 ˆ = ˆ ( L)u = K K t t ˆ ˆ ˆ jK ˆ I –, Σ )ˆ1u,..., t =T t0 + 1,..., t 0 + S – 1 ,ˆ 3t t== ˆ3tt0(–L+A  , B̂, 3tˆ 1 , ˆ 2 , …, Bˆt T=, t0 +I –S – I1 –ˆt Σ = t +j ,S ,..., S 1 ˆ ( L) Σ jj,=1 0 t = t 0 + 1,..., t 0 + S – 1 j =1 j =1 ˆ ˆT ˆ BˆˆTT, ˆ ˆ ( L) –A t = t 0 + S ,..., T t = t + S ,..., T ˆ Bˆ T–, AB , ˆB ˆ = I ,+B̂, ˆ 1 ,+ ˆ 2 , …, ˆ S 10, ˆ – A t = t 0 + S ,..., T A 1 1 M T ˆB ˆ = I +ˆA + ˆˆ 1ˆ– ˆ ,, ˆczyli ˆˆ ˆ = 1  , B̂, M części j = 2 ,...,, SB̂,– 1ˆ , ˆ , …, ˆ , ˆ , należy wyznaczyć, wykorzyParametry j ( L j) 2 , …, 1 , jstochastycznej, S 11  , B̂, ˆ 1 , ˆ 21, …,2 ˆ S 1, ˆS 1 stując ˆmetodę (7), a macierze parametrów zawarte w wielomianie ˆ Johansena ˆ , j na = 2podstawie ,..., S – 1 modelu j = j – j 1 Tˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ – = = + + I A B ( L ) ( L ) opóźnień na podstawie S S 1wzorów: 1 1 M ˆ ( L) ˆ = –ˆ T 1 S ˆ S 1 = I2M Sˆ–ˆ1T ˆ QQˆ ˆ =T ˆ ˆ =. ˆ j – ˆˆj 1 , ˆ 1j = 1 = I M + AB + j 1 ˆ,..., ˆ+T ABˆ + 1 (A4) 1 = I M + AB + 1 T 1 QQ ˆ = = ˆ . – ˆ , ˆ1j = 2,..., Tˆ 1 1/ˆ2 T 1 / 2 ˆ ˆ = 2,..., S – 1 – 1) ˆ j = ˆ A (A– SS1ˆA A j – (A j 1 , Aj ) j j Q = j 1[ S = j = 2,..., S –] 1 (A5) j = j – j 1, 1 T 1 1/ 2 T 1/ 2 Q =ˆ[ A(ˆA A) T A1 (Aˆ A ) ˆ ] QQ = ˆ . – Sĥ1 =– S 1 S = (A6) = –Sˆ ˆ ,1 S S 1 1 T 1 T 1/ 2 1 T 1 ĥ ˆ QQ . A ( AT A ) 1 / 2 ] Q = [ A(A TQQA)1= . = ,1 . QQ = ĥ , ĥ , ĥ ˆ ,3 ˆ ,1 ˆ ,3 1 (AT ĥ1A) 1/ 2 A Q(A=T[ A1A) (1A/ 2T] 1A) ĥ ˆ , 3Q, ĥ= ˆ[,1 , ĥ A ˆ ,3 Q = [ 1 A( A T 1 A ) 1 / 2 ˆ ,1 hˆ ˆ , 1 ĥ 1 ĥ hˆ ˆ , 1 ĥ ˆ T, 3 , ĥˆ Tˆ ,1ˆ,ĥĥ1ˆ ˆˆ,,31 ˆ ,1 T ˆ T ˆ 1 ˆ ĥ ˆ , 1 ˆ ,1 = Σ (K Kt ) ( L) ΣK t 1 t 1/ 2 t A ( AT A ) A ( AT A ) 1 / 2 ] 1/ 2 ] ˆB ˆ + ˆ ˆ ( L) ˆ 1 = I M + A 1 ˆ ( L) ˆ ˆ –T ˆ , j = 2,..., S – 1 jˆ ˆB ˆ = I j +=A + j ˆ1 1 1 M T ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ = + + ˆ1 I A B – – 1 = , j = 2 ,..., S j = 2,..., S – 1 ˆ = ˆIj ( = 1 M j jˆ T j +1j, ˆ1 jˆ – B )A 1 1 ML+ Testowanie zmiany 595 ˆ strukturalnej... ˆˆ S– =ˆ – ˆ, S 1 j = 2,..., S – 1 = ˆ j = ˆj – ˆj 1 , j = 2,..., S – 1 ˆ ˆ T j j j 1 ˆ =ˆ Sˆˆ = ˆ ˆjB =– – 1S 1A ˆ= 2+,...,ˆ S – 1 T 1 j j 1S–= Ij M1S, + 1 . = ˆ = –QQ ˆ S S 1 T 1 ˆ ˆ T 1 – S 1 ˆ =QQ ˆj == ˆ=j – .ˆ j. 1 , j = 2,..., S – 1 S = –ˆQQ 1 T 1 1/ 2 T S Zgodnie S 1 z uogólnioną metodą najmniejszych T kwadratów macierz należy zdefinio1 A) Q A (A A ) 1/ 2 ] QQ T =Q = [1. A(A 1 1/ 2 1/ 2 T T aby 1 1 1spełniony T Twarunek . Wówczas macierz wariancji składwać T w taki = ] [ 1[–. 1ˆsposób, (1A(A ) )/ 2 AS A AA AA(był A(A AA) 1)/ 2 ] QQ QQ Qˆ=Q=S == 1 1 T nika losowego w równaniu (A1) jest sferyczna i Q jednostkowa. spełniony, ] (ATTWarunek = [ ĥ ˆ 1A A) 11//22 ten jest A (A A ) 11//2gdy 1 T 2 ,1 [ ] ( ) ( ) Q = A A A A A A 1T T 1 1 1/ 2 T 1/ 2 . Q = ĥ[QQ A=(A A) A (A A ) ], gdzie Ω jest macierzą wariancji kowariancji składniĥ ˆ ˆ,1 ,1 ĥ ˆ ,1 , ĥ ˆ , 3 , ĥ ˆ , ĥ ˆ ,3 należy wyznaczyć z równaków losowych równania (7). 1Ostatecznie estymatory 1 T 1 /2 T 1/ 2 ,1 ĥ ˆkwadratów: ] ( ) ( ) Q =[ A A A A A A ,1 ĥ niaˆ (A1) za pomocą uogólnionej metody najmniejszych , , ĥ ĥ , , ĥ ĥ ,1ĥ ĥ ˆ ,ˆ3 , 3 ˆ ,1 ˆ ,1 ˆ ,3ˆ ,3 ĥ ˆ , 3 , ĥhˆ ˆ ,1 , ĥ ˆ ,3 ĥ ĥ ˆ , 3 , ĥ ˆˆ ,,11, ĥ ˆ ,3 1 ĥ ˆ , 3 ,ˆ ĥˆˆ ˆ ,1,1, ĥ ˆ ,3 T T hˆ ˆ , 1 hh ˆ ˆ ,1 ,1 T ˆ 1 ˆ ˆ ˆ T ˆ 1 ˆ ( L) = ( K K ) K ˆ 1 1 Σ Σ t t t t h ˆ , 1 hˆ ˆ T T T T hˆĥh 1 = = 1 t t ˆ ˆ ,ˆ1 , 1, ĥ ˆ , ĥ ˆˆ Tˆ ˆ ˆ 1 T ˆ1 ˆ1 ˆ T Tˆ ˆ ˆ1 ˆ ˆ ˆ,3 ˆ h 1 , 3 , 3 , 1 ) ΣΣ (K(K KK KK ( L()L)t t hˆ ˆ , 1 T T hˆ ˆ , 1 ˆ ˆ = = ΣΣ t t t )t t t t =1t =1 t =1t =1 ˆ T ˆ 1K ˆ ) 1 ΣT K ˆ T ˆ 1 ˆ ( L) hh ˆ ˆˆ , 1 hˆ=ˆ ,3Σ T (K 1 h t t ˆh ˆ ˆ , 3ˆ , 3 T T T ˆ 1 ˆ ,1 ˆ ˆ tT ˆ 1 ˆ ( L) t ˆ =1 (K =1 K tΣ Kt ) h ˆ , 3 = tΣ T ˆ 1 ˆ T ˆ 1 ˆ , 1ˆ ˆ ˆ ˆ t t t = ( K K ) K ( L ) hh ˆ Σ t t t t ˆ ˆ , 1, 3Σ t =1 t =1 h ˆ,3 t =1 1 ˆ hˆ ˆ , 3 ˆ ,3 t =1 hˆ ˆ T T h ˆ ,1 ˆ ˆ ˆ ˆ K K K ˆ T ˆ 1K ˆ ) ˆ T ˆ 1 ˆ ( L) hˆ ˆ ,3,3K t = [K ˆ ,1t ˆ 1t ˆ , 3t ˆ 3t ] . = Σ (K K Σ t t t t hˆ ˆ ,3 ˆ 1 = = 1 t t ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ h . = . gdzieKK ˆ 3 [K ˆ t =t [,K ˆ ,1t ,1t KK ˆ 1ˆt 1t KK ˆ , 3ˆt , 3t KK ˆ ˆ3t ]3t ] ˆ = [K ˆT ˆ K ˆ ˆ ˆ K K hˆ ˆ ,3 1ˆ)ˆ ,3t Kˆ ˆ 3t ] .. ˆt = B ˆ ˆ(,1ht 1 – hK ˆ1 )ˆ =1t O p (K [ K K K ˆ 3t ] ˆK = [TK ˆT ˆ K ˆ ˆK ˆK t ˆ ,1t ˆ 1t ˆ , 3t ˆˆ(,h t B B(h ˆ 3t ] . 1t – h )ˆ = 1t O p )(1) ˆ , 3t 1 –1 h1 ) 1= O p (1 T ˆ – h 3 ) = Oz prównania (1) Własności asymptotyczne estymatorów składowej (A1) w kierunku BTTdeterministycznej (hˆ 1B– h(1h)3= O p (1) ˆ Tˆ =ˆ [K ˆ ˆ ˆ ˆ . ] K K K K ˆ T B t ( h h ) = O ( 1 ) – ˆ ˆ ˆ ˆ B (por. Lütkepohl 2000): 1 – 3h),13t=) = 1) t Saikkonen, , 3t 3t h3 h B (h(następujące OO 1 p ˆBBsą p )(1 3 – p (1 B⊥T i(h 1 – h1 ) = O p (1) hˆ 1O– h(11)) = O p (1) B T)(= B TT (hˆ 3 –T h 3 p T Tˆ ˆ B (hˆ 3 – h 3 ) = TO p (1) T )= –1O–h)1h()= (ˆh)(1–h OO 1= p )(1) p (1 –T B B T (hˆT3BB h(h (A8) ˆ 31 = h 1 p 1)O p (1) T B TT(hˆT1 –– th0 1B) =(hO3p–(1h) 3 ) = O p (1) ˆ T Tˆ ˆ T B (h1 – h1 ) = O p (1) –13h)) 3= th0 B )= –3 h (h=(3hO OO ˆ–T (t––h (A9) p )(1) 0ˆB p (1 T B TTB (hT 1 p (O 3 1–) h 3) = p (1) T – t 0 BTT (hˆ 3 – h 3 ) = O p (1) T – t 0 B (hˆ 3 – h 3 ) = O p (1) (A10) T – t B T TB(Thˆ(hˆ– –h h) =) =OO(1()1) T ˆˆA ˆ ,ˆ =1B̂,=I Iˆ M+, +A + +ˆ 1ˆ 1S 1, ˆ Bˆ2 ,TBˆ…, ˆ ( L ) 1 M 1 0 3 1 3 1 p p (A11) T – t 0 BT (hˆ 3 – h 3 ) = O p (1) 596 E . Go siń ska Tabela 1 Wartości krytyczne testu WALD dla τ = 0,5, ρ = 0,5, n = 100 000 M=4 M=5 R T = 100 T = 150 T = 200 1 74,7193 45,7952 35,7194 2 70,4499 47,4562 38,8849 3 50,4537 36,5874 30,9836 1 125,8728 71,7660 52,2211 2 124,4478 76,8382 60,3457 3 101,1121 68,3139 55,3375 4 69,3609 48,8074 40,9770 Uwagi: M − liczba zmiennych w systemie, R – wymiar przestrzeni kointegrującej, T– liczebność próby; obliczenia wykonano w programie Matlab. Tabela 2 Moc testu WALD dla τ = 0,5, ρ = 0,5, n = 100 000 M=4 M=5 K R 3 ω=1 ω = 1,5 ω=2 T = 100 T = 150 T = 200 T = 100 T = 150 T = 200 T = 100 T = 150 T = 200 1 0,7380 0,8918 0,9440 0,8988 0,9653 0,9816 0,9538 0,9845 0,9931 2 2 0,6253 0,7634 0,8348 0,7910 0,8888 0,9261 0,8766 0,9353 0,9567 1 3 0,4554 0,5612 0,6225 0,6116 0,6905 0,7435 0,7061 0,7718 0,8063 4 1 0,7313 0,9170 0,9683 0,9223 0,9794 0,9937 0,9664 0,9932 0,9972 3 2 0,6678 0,8349 0,9056 0,8596 0,9408 0,9671 0,9314 0,9746 0,9888 2 3 0,5895 0,7283 0,7992 0,7757 0,8567 0,9004 0,8624 0,9178 0,9438 1 4 0,4336 0,5418 0,5993 0,5884 0,6781 0,7204 0,6821 0,7590 0,7951 Uwagi: M − liczba zmiennych w systemie, R – wymiar przestrzeni kointegrującej, K − liczba wspólnych trendów stochastycznych, T – liczebność próby, K = M – R; obliczenia wykonano w programie Matlab. 597 Testowanie zmiany strukturalnej... Tabela 3 Moc testu WALD dla składników losowych z rozkładu t-Studenta dla T = 200 M=4 ω=1 ω = 1,5 ω=2 normalny t-Studenta normalny t-Studenta normalny t-Studenta K R 3 1 0,9440 0,9375 0,9816 0,9785 0,9931 0,9917 2 2 0,8348 0,8298 0,9261 0,9212 0,9567 0,9511 1 3 0,6225 0,6184 0,7435 0,7394 0,8063 0,8087 Uwagi: M − liczba zmiennych w systemie, R – wymiar przestrzeni kointegrującej, K − liczba wspólnych trendów stochastycznych, T – liczebność próby, K = M – R; obliczenia wykonano w programie Matlab. Tabela 4 Moc testu WALD w zależności od τ dla T = 200, M = 4 i R = 2 ω τ = 0,1 τ = 0,2 τ = 0,3 τ = 0,4 τ = 0,5 τ = 0,6 τ = 0,7 τ = 0,8 τ = 0,9 1 0,9134 0,8753 0,8512 0,8368 0,8348 0,8370 0,8553 0,8810 0,9128 1,5 0,9602 0,9441 0,9257 0,9284 0,9261 0,9217 0,9342 0,9429 0,9632 2 0,9806 0,9681 0,9606 0,9536 0,9567 0,9609 0,9628 0,9666 0,9820 Tabela 5 Moc testu WALD w zależności od parametru ρ dla T = 200, M = 4 i R = 2 ω ρ = 0,1 ρ = 0,2 ρ = 0,3 ρ = 0,4 ρ = 0,5 ρ = 0,6 ρ = 0,7 ρ = 0,8 ρ = 0,9 1 0,8516 0,8539 0,8433 0,8393 0,8348 0,8188 0,8005 0,7720 0,7485 1,5 0,9318 0,9289 0,9282 0,9247 0,9261 0,9105 0,9087 0,8892 0,8799 2 0,9643 0,9591 0,9602 0,9591 0,9567 0,9492 0,9455 0,9368 0,9301 Uwagi: obliczenia wykonano w programie Matlab. 598 E . Go siń ska Tabela 6 Rozmiar testu WALD M=4 M=5 R T = 100 T = 200 1 0,0503 0,0528 2 0,0516 0,0501 3 0,0512 0,0511 1 0,0444 0,0526 2 0,0450 0,0477 3 0,0468 0,0466 4 0,0496 0,0497 Uwagi: R – wymiar przestrzeni kointegrującej, T – liczebność próby; obliczenia wykonano w programie Matlab. Tabela 7 Własności testu supWALD (prawdopodobieństwo zidentyfikowania momentu założonej zmiany wyrazu wolnego) dla T = 200 ω ρ = 0,2 ρ = 0,3 ρ = 0,4 ρ = 0,5 ρ = 0,6 ρ = 0,7 ρ = 0,8 0,5 0,584 0,614 0,646 0,693 0,672 0,634 0,585 1 0,970 0,984 0,978 0,971 0,978 0,990 0,970 1,5 0,999 1 1 0,999 0,998 1 0,998 Uwagi: obliczenia wykonane w programie Matlab. Tabela 8 Wyniki testu śladu dla modelu ze zmianą wyrazu wolnego w kwietniu 2007 r. przy założeniu słabej f egzogeniczności zmiennych: IFt , ptf, totrt R Wartość statystyki Wartość statystyki z korektą Bartletta 0 101,618 (0,000) 97,831 (0,000) 57,267 1 53,314 (0,001) 51,146 (0,001) 35,498 2 14,054 (0,177) 13,540 (0,125) 18,144 Wartość krytyczna Uwagi: R – wymiar przestrzeni kointegrującej; w nawiasach podano wartości p-value; wartości krytyczne wyznaczono symulacyjnie w programie CATS. 599 Testowanie zmiany strukturalnej... Wykres 1 Wartości statystyk WALD(τ) dla różnych τ 100 90 80 70 60 50 40 30 20 10 0 2006 2007 Wartość statystyki Walda 2008 2009 2010 2011 Wartość krytyczna 600 E . Go siń ska Testing for structural break in a VEC model Abstract Structural change can affect the deterministic component of the data generating process (DGP). It can be shown that the introduction of a dummy into the cointegration space in the period t must be interpreted as structural break in the DGP in the period t −1. On the other hand, if it is introduced into the cointegration space, the respective dummy must be simultaneously placed outside the cointegration space as well. In order to test for the break affecting the deterministic component we employed the Wald statistic. The critical values and the power of the Wald test were simulated for various sizes of the cointegrating space, the number of endogenous variables, the span of the break, normally and t-distributed errors. The power of the test depends mostly on the magnitude of the break and the number of observations while other factors are of secondary importance. The cointegrated VAR with structural break was used to explain the behaviour of the Polish zloty/ euro exchange rate. Two cointegrating vectors were identified. The first one can be interpreted as a long-term equation of the exchange rate zloty/euro and the second vector defines the long-term real domestic interest rates corrected for risk. The supWALD statistic was used in order to identify the moment of the break. Keywords: structural break, VECM, Wald test, test for structural break, exchange rate modelling PLN/EUR