ЭКОНОМЕТРИКА и математическая экономика / Анатольев С. Эконометрика для продолжающих. РЭШ. 2002
.pdfВальда, |
|
|
|
x1 |
|
x1 |
. По теореме Манна |
||||
|
|
|
g x2 |
= x2 |
|||||||
Рассмотрим непрерывно дифференцируемую функцию |
|
|
|
|
|||||||
|
|
|
1 1 |
d |
N(0; 1) |
|
|
|
|
|
|
|
x |
; |
|
|
|
|
|||||
|
|
|
|
|
|
|
|||||
|
|
|
2 2 |
! N(0; 1) |
|
|
|
|
|
||
|
x |
|
|
|
|
|
т.е. интересующая нас величина имеет распределение Коши. Применяя же Дельта
Метод, имеем: |
G = |
|
@ x2 |
|
|
|
= |
|
|
1 ; 1 |
|
|
; |
|
|||||||||
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
x1 |
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
@(x1; x2) |
|
|
2 |
2 |
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
( 1) |
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
òàê ÷òî |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
pn x1 |
|
1 |
|
|
|
|
00; 1 + |
2 2 |
|
1 |
: |
||||||||||||
|
d |
|
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
! N B |
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
C |
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
x |
2 |
|
2 |
|
|
|
|
2 |
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
@ |
|
|
|
|
|
|
|
|
A |
|
5Предельные теоремы для независимых наблюдений
Основными инструментами построения статистических выводов в асимптотическом
подходе являются Законы Больших Чисел (ÇÁ×) è Центральные Предельные Теоре-
мы (ЦПТ). ЗБЧ представляет собой результат о сходимости выборочного среднего к популяционному среднему, ЦПТ дает представление о предельном распределении определенным образом нормированного центрированного выборочного среднего. Существует довольно большое количество формулировок ЗБЧ и ЦПТ. Нас будут интересовать предельные теоремы для двух основных случаев: случай
блюдений и случай стационарных эргодичных временных рядов . Далее приводятся
ЗБЧ и ЦПТ для независимых или серийно нескоррелированных скалярных случайных величин.
Теорема Колмогорова (независимые одинаково распределенные наблюде-
ния). Пусть случайные величины fZng1i=1 независимы и одинаково распределены. Кроме того, пусть существует математическое ожидание EjZij. Тогда
n
1 X
n
i=1
as
Zi ! E[Zi]:
Теорема Колмогорова (независимые неоднородные наблюдения). Пусть слу-
чайные величины |
|
|
|
|
|
2 |
1 |
i2 |
|
|
|
|
|
|
|
|
|||||
1 |
, òî |
fZngi1=1 независимы и имеют конечные дисперсии i . Åñëè Pi=1 i2 < |
||||||||
|
n |
=1 |
Zi E |
"n i=1 Zi# |
! 0: |
|
|
|
||
|
1 |
n |
|
|
1 n |
as |
|
|
|
|
|
|
|
Xi |
|
|
X |
|
|
|
|
Теорема Чебышева (нескоррелированные наблюдения). Пусть случайные ве-
личины fZng1 Cov(Zi; Zj) = 0 äëÿ i 6= j. Åñëè 1 Pn 2 ! i=1 нескоррелированы, т.е. n2 i=1 i n!1
11
0, òî
n |
=1 |
Zi E |
"n i=1 Zi# |
! 0: |
|
1 |
n |
|
1 |
n |
p |
|
Xi |
|
|
X |
|
Теорема Линдберга-Леви (независимые одинаково распределенные наблю-
дения). Пусть случайные величины fZng1i=1 независимы и одинаково распределены с математическим ожиданием E[Zi] = и дисперсией V ar[Zi] = 2. Тогда:
p 1 n
X
n n
i=1
!
Z d (0; 2): i ! N
Теорема Ляпунова (независимые неоднородные наблюдения). Пусть слу-
чайные величины fZng1i=1 независимы с математическим ожиданием E[Zi] = i, äèñ-
персией V ar[Zi] = i2 |
и третьим центральным моментом E[jZi ij3] = i. Тогда, |
||||||||
åñëè |
|
|
|
in=1 i)1=3 |
|
|
|
||
|
( |
|
|
|
|
||||
|
|
(Pi=1 i2) |
|
|
n!!1 |
||||
|
|
n P |
n |
|
1=2 |
|
0; |
||
|
|
|
|
|
|||||
òî |
|
|
|
|
! N |
|
|||
|
|
P( |
in=1 i2)1=2 |
|
|||||
|
|
i=1(Zi |
i) |
|
d |
(0; 1): |
P
6Асимптотические статистические выводы
Идея построения статистических выводов при помощи асимптотического метода довольно очевидна. Вместо точного распределения оценки берется асимптотическое, на основании которого строятся распределения тестовых статистик.
Пример. Пусть |
p |
|
|
|
|
|
|
|
|
|
|
d |
2 |
): |
|
|
|
|
|
||||
|
|
n(Zn ) ! N(0; |
В данном случае мы имеем дело с выборочным средним Zn, которое согласно ЦПТ имеет асимптотически нормальное распределение. Заметим, что в данном ñлучае распределение зависит от неизвестного параметра 2, поэтому статистика Zn является
асимптотически непивотальной статистикой .
Определение. Статистика называется (асимптотически) пивотальной, если ее (асимптотическое) распределение не зависит от неизвестных параметров.
Возвращаясь к нашему примеру, мы можем получить пивотальную статистику,
построив состоятельную оценку дисперсии b2 :
p |
|
|
|
|
|
p |
|
( |
|
n ) |
|
|
|
|
|
(Zn ) |
|
Z |
|
|
|||||||||
n |
= |
n |
d |
(0; 1); |
||||||||||
|
|
|
|
|
|
|
|
! N |
||||||
|
|
|
|
|
|
|
|
|
||||||
|
|
|
b |
|
|
|
|
|
|
|
b |
|
12
так как согласно ЦПТ |
p |
|
|
|
|
d |
|
|
|
|
|
|
|
||||
n(Zn )= |
, а в силу состоятельности оценки |
|||||||
|
! N(0; 1) |
|
||||||
2 |
p |
|
|
|
|
|
|
|
, = ! 1. Теперь, зная асимптотическое распределение построенной статисти- |
||||||||
b |
b |
|
|
|
|
|
|
|
ки можно построить доверительный интервал. Так асимптотический доверительный интервал для будет
Zn pnq1N 2 |
; Zn + pnq1N 2 |
: |
||||||
|
|
|
(0;1) |
|
|
|
(0;1) |
|
|
|
b |
|
|
|
b |
|
|
Предположим теперь, что нам нужно протестировать гипотезу H0 : = 0. Ñî- гласно построенному нами -процентному доверительному интервалу гипотеза будет
отвергаться, если pnjZn |
0j= > q1N 2 |
. В противном случае гипотеза принимает- |
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
b |
(0;1) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
ся. Осталось построить |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
состоятельную оценку дисперсии. Оказывается, выборочная |
|||||||||||||||||||||||
дисперсия будет состоятельной оценкой для дисперсии: |
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||
= v |
|
|
|
|
|
|
|
|
= v |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
1 n |
|
|
|
|
|
|
1 |
n |
|
|
|
|
|
|
|
|
|
)2 p ; |
|
||||||||||
|
|
(Zi |
|
Zn)2 |
(Zi |
|
)2 |
|
(Zn |
|
|
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||
un i=1 |
|
|
|
un i=1 |
|
|
|
|
|
! |
|
|
|
|||||||||||||||||
u X |
|
|
|
|
u |
|
X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
b t |
|
|
|
|
|
t |
|
|
|
p |
|
|
|
|
|
|
|
|
|
|
|
p |
||||||||
поскольку из ЗБЧ следует, что 1 |
n |
|
|
|
|
|
|
|
|
|
] = 2 è (Zn )2 |
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
n Pi=1(Zi |
)2 ! E[(Zi )2 |
! 0. |
7Асимптотика для стационарных временных рядов
До сих пор мы рассматривали асимптотические свойства оценок в случае независимых наблюдений, и если у нас есть последовательность Z1, Z2, Z3, : : :, Zn, ìû могли сказать, что у нас имеется n наблюдений. В случае временных рядов (наблю-
дений во времени) это, вообще говоря, не так. Каждая траектория Z1; Z2; Z3; : : : ; ZT
представляет собой в общем случае одно наблюдение, а из одного наблюдения делать статистические выводы проблематично. Поэтому на природу исходных данных приходится накладывать какую-то структуру. Часто для этого используются пред-
положения о стационарности и эргодичности ряда. Грубо говоря, стационарность
это стабильность распределения Zt во времени, а эргодичность это потеря
памяти , или асимптотическая независимость от начальных данных . Дадим более четкие определения:
Определение. Временной ряд называется строго стационарным, если совместное распределение Zt; Zt 1; : : : ; Zt k не зависит от t для любых k.
Поскольку точное определение эргодичности использует понятия теории меры, дадим интуитивное определение:
Определение . Временной ряд Zt называется эргодичным, если Zt è Zt+k асимпто- тически независимы при k ! 1.
13
Приведем примеры различных стационарных или нестационарных и эргодичных или неэргодичных временных рядов.
Пример 1 (стационарные эргодичные ряды).
Zt iid, независимые одинаково распределенные наблюдения,
"t iid(0; 2), сильный белый шум ,
AR(1) : zt = zt 1 + "t, j j < 1,
MA(1) : zt = "t + "t 1.
Пример 2 (нестационарные неэргодичные ряды).
zt = zt 1 + "t, случайное блуждание . Здесь дисперсия наблюдений растет со
временем: V ar(zt) = V ar(zt 1)+ "2, т.е. ряд не может быть стационарен. Кроме
неэргодичен. |
t |
"i, è ðÿä |
zt = z0 + Pi=1 |
||
того, начальные данные не забываются со временем: |
|
|
Пример 3 (стационарные неэргодичные ряды).
Пусть z N(0; 1) è zt = z + "t, ãäå "t è z независимы. Очевидно, что ряд zt стационарен, но неэргодичен.
Пример 4 (нестационарные эргодичные ряды).
Сезонный ряд: zt = s( ; t) + "t, ãäå s( ; t) = s( ; t + ).
Результат. Если случайный процесс zt является стационарным и эргодичным, и если
Yt = f(zt; zt 1 : : :) есть случайная величина, то Yt эргодичным рядом.
Определение. Информацией в момент времени t называются все реализовавшиеся
значения zk вплоть до zt, ò.å. It = fzt; zt 1; : : :g.
Определение. Ðÿä zt называется последовательностью мартингальных прираще-
íèé (ПМП) по отношению к своему прошлому, если E[ztjIt 1] = 0. Сформулируем ЗБЧ и ЦПТ для временных рядов.
Теорема Биркоффа Хинчина (зависимые наблюдения). Пусть ряд fZtg+t=11
стационарен и эргодичен. Кроме того, пусть E[jZtj] < 1, тогда
T
1 X as
T
Zt ! E[Zt]
t=1
14
ïðè T ! 1.
Теорема Биллингслея (последовательность мартингальных приращений).
Пусть ряд fZtg+t=11 стационарен, эргодичен и является ПМП по отношению к своему прошлому. Кроме того, пусть 2 = E[Zt2] < 1, тогда
1 |
|
T |
|
|
|
Xt |
d |
||
|
|
|
Zt ! N(0; 2) |
|
|
|
|||
|
|
|
||
pT =1 |
ïðè T ! 1.
Теорема (зависимые наблюдения). Пусть ряд fZtg+t=11 стационарен и эргоди-
чен. Кроме того, пусть
+1
X
2 = Cov[Zt; Zt j] < 1:
j=1
Тогда при определенных условиях,
p |
|
1 |
T |
||
T |
Xt |
||||
|
T |
||||
|
|
|
|||
|
|
|
=1 |
||
|
|
|
|
!
Z E[Z ] d (0; 2)
t t ! N
ïðè T ! 1.
Приведем примеры использования изложеных выше теорем для исследования асимптотических свойств оценок на временных рядах.
Пример. Рассмотрим авторегрессионный процесс первого порядка AR(1):
xt = xt 1 + "t; j j < 1; "t s iid(0; 2):
Нас интересуют асимптотические свойства МНК-оценки
|
tT=2 xt 1xt |
|
tT=2 xt 1"t |
|
||||
= |
P tT=2 xt2 |
1 |
= + |
P tT=2 xt2 |
1 |
: |
||
b |
P |
|
|
|
P |
|
|
|
По теореме Биркоффа Хинчина,
|
1 |
|
|
T |
|
|
|
|
|
|
|
Xt |
p |
|
|||
|
|
|
|
xt 1"t ! E[xt 1"t] = 0; |
||||
T |
|
1 |
||||||
|
|
|
|
=2 |
|
|
|
|
|
|
|
|
1 |
|
|
T |
|
|
|
|
|
|
|
Xt |
p |
|
|
|
|
|
|
|
|
! E[xt2 1]: |
|
|
|
|
|
|
|
|
||
|
|
T |
|
1 |
xt2 1 |
|||
|
|
|
|
|
|
|
=2 |
|
Следовательно, по теореме Слуцкого оценка b является состоятельной оценкой, т.е.
p
b! .
Теперь найдем асимптотическое распределение МНК-оценки:
|
|
|
1 |
|
|
T |
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
PtT |
|
|
rT 1: |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
T |
1 |
1 |
2 xt2 |
1 |
||||||
T ( ) = |
|
|
|
|||||||||||||
p |
pT |
1 |
t=2 xt 1"t |
|
|
T |
||||||||||
|
|
b |
|
|
|
|
|
|
|
P |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
15
xt 1"t |
q |
|
|
|
|
|
|
P |
p |
|
Очевидно, что |
|
|
T |
|
|
1 |
|
|
|
|
|
|
n! 1, à |
|
|
tT 2 xt2 1 ! E[xt2 1 |
]. Покажем, что последователь- |
||||
|
T 1 |
T |
1 |
|
||||||
|
!1 |
|
|
|
|
|
ность |
является последовательностью мартингальных приращений по отноше- |
|
нию к своему прошлому, т.е. информационному множеству It 1 = fxt 2"t 1; xt 3"t 2 : : :g:
E[xt 1"tjIt 1] = E[E[xt 1"tjxt 1; xt 2"t 1 : : :]jIt 1] = 0;
т.е. последовательность xt 1"t является ПМП. Таким образом, мы можем применить
ЦПТ Биллингслея:
p 1
T 1
T |
|
|
Xt |
d |
|
"t ! N(0; E[xt2 1"t2]): |
||
xt 1 |
||
=2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
||
Заметив, что E[xt2] = V ar[xt] = 2V ar[xt 1] + 2 |
= |
|
|
|
|
||||||||||
|
1 |
2 , получим окончательный |
|||||||||||||
результат: |
p |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
d |
|
|
2 |
|
|
|
|
||
|
T ( |
|
|
|
): |
|
|
||||||||
|
|
) ! N(0; 1 |
|
|
|
||||||||||
Соответствующая пивотальная |
|
|
b |
|
|
|
|
|
|
|
|
|
|
||
|
|
статистика будет |
|
|
|
|
|
|
|||||||
|
|
p |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
T ( ) |
d |
(0; 1): |
|
|
|
|
|||||
|
|
|
|
|
1 2 |
|
! N |
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
p b |
b |
|
|
|
|
|
|
|
|
|
В результате, 95%-ный доверительный интервал для есть
" #
rr
CI |
|
= |
1:96 |
1 2 |
; + 1:96 |
1 2 |
: |
|
T b |
T b |
|||||
|
|
b |
|
b |
|
Обратимся еще раз к ЦПТ для зависимых наблюдений. Вид вариационной матрицы в асимптотическом распределении оценки требует некоторого пояснения. Когда мы
имеем дело с последовательностью мартингальных приращений Zt, ó íàñ E[ZtZt j] = 0 äëÿ j > 0, поэтому асимптотическая дисперсия для ПМП имеет простой вид:2 = E[Zt2]. Однако, вс¼ сложнее для более зависимых наблюдений:
V ar |
"p1T t=1 Zt# |
= |
T V ar |
" =1 Zt# |
= |
||||
|
|
|
|
T |
|
1 |
|
T |
|
|
|
|
|
X |
|
|
|
Xt |
|
|
|
|
|
|
|
|
|
1
= T [T V ar(Zt) + (T 1)Cov(Zt; Zt+1) + (T 1)Cov(Zt; Zt 1) + + (T 2)Cov(Zt; Zt+2) + (T 2)Cov(Zt; Zt 2) + : : : +
|
|
+1 |
+ Cov(Z1; ZT ) + Cov(ZT ; Z1)] T |
! |
X |
Cov(Zt; Zt j): |
||
|
!1 |
j=1 |
|
|
Рассмотрим пример с зависимыми наблюдениями, когда асимптотическую дисперсионную матрицу приходится считать по указанной выше формуле. Ясно, что в этом случае ошибки должны быть скоррелироваными.
16
Пример. Рассмотрим процесс скользящего среднего первого порядка MA(1):
zt = "t + "t 1; "t iid(0; 2):
Заметим, что
V ar(zt) = (1 + 2) 2; Cov(zt; zt 1) = 2; Cov(zt; zt j) = 0; j > 1:
В этом случае,
+1 |
|
|
|
|
|
|
|
|
X |
|
|
|
|
|
) = (1 + 2) 2 |
+ 2 2 = (1 + )2 2: |
|
Cov(z |
; z |
t j |
||||||
|
t |
|
|
|
|
|||
j=1 |
|
|
|
|
|
|
|
|
Тогда, согласно ЦПТ для зависимых наблюдений, |
||||||||
|
|
1 |
|
|
T |
|
||
|
|
|
|
|
d |
|
||
|
|
|
|
|
|
Xt |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
||
|
pT =1 zt ! N(0; (1 + )2 2): |
|||||||
Обратим внимание на то, что в этом случае zt |
не является ПМП относительно It = |
fzt 1; zt 2; zt 3 : : :g, ò.ê. E[ztjzt 1; zt 2; : : :] = "t 1 6= 0.
Для получения пивотальной статистики возникает необходимость состоятельного оценивания асимптотической дисперсионной матрицы. Вид искомой оценки может быть
1 |
T |
T 1 |
1 |
T |
|||||||||||||
b |
|
X |
|
|
|
|
Xj |
|
X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
= |
T |
(Zt Z)(Zt Z)0 + |
=1 |
T |
f(Zt Z)(Zt j Z)0 + (Zt Z)(Zt+j Z)0g: |
||||||||||||
|
|
t=1 |
|
t=j+1 |
p
b 9 . Äåëî â òîì, ÷òî èç-çà конечности выборки невозможно состоятельно оценить крайние члены ряда. Таким образом, используя эргодичность, необходимо обрезать ряд на слагаемом номер m << T ,
таком, чтобы при T ! 1 мы имели m ! 1 и m=T ! 0. Ньюи и Уэст предложили состоятельную оценку вариационной матрицы, которая по построению является
положительно определенной :
|
m |
1 mj |
j |
1 |
|
1 min(T;T +j) |
: |
||||||
NW = j= m |
+j |
T t=max(1;1+j)(Zt Z)(Zt j Z)0 |
|||||||||||
b |
X |
|
|
|
|
|
|
X |
|
|
|
|
|
Для практического использования была предложена следующая формула выбора m:
m = "4 |
|
100 |
|
# |
: |
|
|
T |
|
1=3 |
|
Такой выбор m дает хорошие результаты в смысле точности оценок, за исключением
тех случаев, когда затухание возмущений в процессе происходит медленно, т.е. корни соответствующих полиномов лежат близко к единичному кругу.
17
Вернемся к уже рассмотренному примеру MA(1): zt |
= "t |
+ "t 1. Вот результат, |
||||||||||||||||||
который мы получили: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
1 |
|
|
T |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
Xt |
|
d |
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
! N(0; (1 + )2 2): |
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
pT =1 zt |
|
|
|
|
|
|
|
||||||||||
Допустим теперь, что мы хотим получить состоятельную оценку для асимптотиче- |
|
|||||||||||||||||||
ской дисперсии. На практике у нас есть три возможных способа: |
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
p |
|
|
|
p |
|
|
|
|
|
Мы можем построить состоятельные оценки ! è |
2 ! 2, а затем сконстру- |
|||||||||||||||||||
|
ировать состоятельную оценку |
|
|
b |
|
|
b |
|
z = (1 + ) |
2. |
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
2 |
|
|
|
|
Зная, что искомая дисперсия выражается как 2 = V ar(zt) + 2Cov(zt; zbt 1), ìû |
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
асимптотической дисперсии: |
b |
b |
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
z |
|
|
|
|
|
|
|
||
|
можем сконструировать состоятельную оценку в виде |
2 |
\ |
\ |
|
, |
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
z |
= V ar(zt)+2Cov(zt; zt |
1) |
||||
|
ãäå |
\ |
|
|
|
|
1 T |
|
2 |
\ |
1 |
bT |
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
X |
|
|
|
|
Xt |
|
|
|
|
|
||
|
|
|
|
|
|
|
|
zt ; Cov(zt; zt 1) = T |
|
|
|
|
|
|||||||
|
|
V ar(zt) = T |
|
|
ztzt 1: |
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
t=1 |
|
|
|
|
=2 |
|
|
|
|
|
Мы можем использовать приведенную выше оценку Ньюи Уэста:
m |
j |
1 |
1 min(T;T +j) |
z2 = j= m |
1 mj+j |
T t=max(1;1+j) ztzt j: |
|
X |
|
|
X |
b
8Введение в асимптотику для нестационарных процессов
Если временной ряд не стационарен, а имеет стохастические тренды, построение статистических выводов значительно усложняется. Здесь мы рассмотрим простейший
пример важного класса нестационарных процессов. Пусть Xt описывается уравнени- ем случайного блуждания, т.е.:
Xt = Xt 1 + "t; X0 = 0; "t s iid(0; 2):
Тогда выборочное среднее выражается следующим образом:
T
1 X
T
t=1
X = |
"T |
+ |
2 |
" |
|
+ |
|
+ |
T t + 1 |
" |
+ |
|
+ " |
: |
|
|
T 1 |
T |
|||||||||||
t |
T T |
|
|
|
t |
|
1 |
|
Следовательно,
|
T |
|
|
t |
! |
T |
|
|
|
T |
|
T |
|
! |
|||
V ar |
1 |
T |
X |
|
= 2 1 + |
T 1 |
|
2 + |
|
+ |
2 |
|
2 + |
1 |
|
2 |
; |
|
t=1 |
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
X |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
ò.å. |
|
=1 Xt! |
= 2 |
6T |
= O(T ): |
|
V ar T |
||||||
1 |
T |
|
(T + 1)(2T + 1) |
|
||
|
|
Xt |
|
|
|
|
|
|
|
|
|
|
18
Рассуждая аналогично, в результате мы получим:
1 |
T |
p 1 |
T |
p 1 |
T |
p |
||
|
X |
Xt ! V1; |
|
X |
Xt 1"t ! V2; |
|
Xt |
Xt2 1 ! V3; |
T 3=2 |
t=1 |
T |
t=1 |
T 2 |
=1 |
|||
|
|
|
|
|
|
ãäå V1; V2; V3 некоторые случайные величины.
Если мы теперь используем МНК-оценку для , которое равно единице, то асимптотические свойства этой оценки будут следующие:
p V2
T (b 1) ! V3 :
Во-первых, МНК-оценка в данном случае суперсостоÿтельна, т.е. скорость сходимости к асимптотическому распределению превышает pT . Во-вторых, асимптотическое
распределение нестандартно: оно не является нормальным, зато обладает ненулевыми смещением и скошенностью. Оно носит название распределения Дики Фуллера.
II Бутстраповский подход
1Приближение истинного распределения бутстраповским
В основе бутстраповского подхода лежит идея, что истинное распределение данных можно хорощо приблизить эмпирическим. Таким образом может быть получено приближенное распределение интересующей нас статистики. Пусть из исходной популя-
ции с распределением F (x) была получена выборка размера n. Тогда эмпирическая функция распределения Fn(x) = n1 PTi=1 I(Xi 6 x) равномерно почти наверное стремится к F (x) ïðè n ! 1. Это свойство мотивирует использование бутстрапа.
Чтобы более наглядно пояснить бутстраповский метод, рассмотрим простейший пример. Пусть у нас есть всего два наблюдения:
y1 |
= |
2 ; |
y2 |
= |
1 : |
x1 |
|
1 |
x2 |
|
2 |
Допустим, нас интересует коэффициент регрессии y íà x, ò.å. yi = xi + "i. Â ýòîì случае МНК-оценка равна
= |
x1y1 + x2y2 |
= |
1 2 + 2 1 |
= |
4 |
: |
x12 + x22 |
|
|
||||
b |
|
12 + 22 |
|
5 |
|
Эмпирическая функция распределения данных есть
(x; y)0 = |
( (2; 1)00 |
с вероятностью |
1=2 |
|
(1; 2) |
с вероятностью |
1=2 |
19
По отношению к этому распределению данные из двух наблюдений распределены следующим образом:
|
8 |
(2; 1)00 |
; (2; 1)00 |
с вероятностью 1=4 |
|
|
> |
(1; 2) |
; (1; 2) |
с вероятностью 1=4 |
|
(x1; y1)0; (x2; y2)0 = |
|
|
с вероятностью |
|
|
|
> |
(1; 2)0 |
; (2; 1)0 |
1=4 |
|
|
> |
|
|||
|
> |
|
|
|
|
|
< |
|
|
|
|
|
> |
(2; 1)0 |
; (1; 2)0 |
с вероятностью 1=4 |
|
|
> |
|
|
|
|
>
>
:
Это распределение и является бутстраповским. Соответственно, МНК-оценка распределена согласно ее бутстраповскому распределению
|
8 |
|
|
|
> 1=2 |
с вероятностью 1=4 |
|
|
< |
|
|
b2 |
= |
4=5 |
1=2 |
|
> |
2 |
с вероятностью 1=4 |
|
: |
|
|
Используя это бутстраповское распределение, можно строить доверительные интервалы или тестировать гипотезы обычным образом.
Пример, рассмотренный нами, был чрезвычайно прост: размер исходной выборки был равен 2. В общем случае, когда мы имеем n наблюдений, количество вариантов для бутстраповских статистик имеет порядок nn. Таким образом, в вычислительном
плане задача сильно усложняется по мере роста n.
2Приближение с помощью симуляций
Как упоминалось, при увеличении размера выборки объем вычислений для получе- ния бутстраповского распределения быстро возрастает. Поэтому, как правило, процедура бутстрапирования осуществляется с помощью симуляций. Здесь мы приведем описательный алгоритм построения бутстраповских доверительных интервалов.
Бутстраповский алгоритм.
1.Выбрать количество псевдовыборок B (обычно хватает 1000). Для b = 1; 2; : : : ; B построить псевдовыборки (z1; z2; : : : ; zn)b, вытягивая элементы псевдовыборок случайным образом с возвращением из исходной выборки (z1; : : : ; zn). Для каждой псевдовыборки вычислить псевдостатистику bb = b((z1; : : : ; zn)b).
2.Полученные псевдостатистики b1; : : : ; bB отсортировать в порядке возрастания.
В качестве квантилей q ; q |
|
; |
|
|
|
которых построить доверительный интервал. |
b |
b |
2)+1], на основе |
||
1 |
1 2 взять значения |
[B 1] |
[B(1 |
|
20