ЭКОНОМЕТРИКА и математическая экономика / Эконометрика. Учебник продвинутый (2005)
.pdf23.7. Метод Йохансена |
673 |
|||
где |
|
1/2 |
c. |
|
c = Mpp |
|
Напомним еще раз, что β определяется только с точностью до некоторой нормировки. Мы уже использовали нормировку β Mppβ = Ir , которая выбрана из соображений удобства вычислений. Однако нормировку предпочтительнее выбирать, исходя из экономической теории рассматриваемых процессов. Поэтому следует умножить полученную оценку β справа на квадратную неособенную r × r матрицу, которая бы привела коинтеграционные вектора к более удобному для экономической интерпретации виду.
После того как найдена оценка максимального правдоподобия для β, вычисляются оценки других параметров. Для этого можно использовать в обратном порядке все те подстановки, которые мы сделали при упрощении задачи максимизации функции правдоподобия. Можно также использовать эквивалентную процедуру: сразу получить оценки α и Γj , применив метод наименьших квадратов к исходной регрессии.
Для проверки гипотез о ранге коинтеграции r используется статистика отношения правдоподобия. Пусть нулевая гипотеза состоит в том, что ранг коинтеграции равен r0, а альтернативная гипотеза — что ранг коинтеграции равен ra ( ra > r0 ). Обозначим максимальное значение функции правдоподобия, полученное в предположении, что ранг равен r, через Lr . Тогда статистика отношения правдоподобия равна (см. раздел 18.3.3):
LR(r0, ra) = 2(ln Lra − ln Lr0 ).
Подставив в функцию правдоподобия полученные оценки, можно вывести следующее выражение для максимального значения логарифма функции правдоподобия (с точностью до константы):
|
T r |
|
|
ln Lr = − |
|
i=1 ln(1 − λi) + const. |
|
2 |
|||
Поэтому |
|
|
|
LR(r0, ra) = −T |
ra |
||
ln(1 − λi). |
|||
|
|
|
i=r0+1 |
Особенно полезны с точки зрения поиска коинтеграционного ранга два частных случая статистики отношения правдоподобия.
Статистика следа используется для проверки нулевой гипотезы о том, что ранг коинтеграции равен r, против альтернативной гипотезы о том, что ранг равен k (количеству переменных). Статистика имеет вид:
LRtrace = LR(r, k) = −T |
k |
ln(1 − λi). |
|
|
i=r+1 |
674 |
Глава 23. Векторные авторегрессии |
Проверка гипотез проводится последовательно для r = k − 1, . . . , 0 и заканчивается, когда в первый раз не удается отклонить нулевую гипотезу. Можно проводить проверку гипотез и в обратном порядке r = 0, . . . , k − 1. В этом случае она заканчивается, когда нулевая гипотеза будет отвергнута в первый раз.
Можно также использовать статистику максимального собственного значения, которая используется для проверки нулевой гипотезы о том, что ранг равен r, против альтернативной гипотезы о том, что ранг равен r + 1. Эта статистика равна:
LRλ−max = LR(r, r + 1) = − ln(1 − λr+1).
Обе статистики имеют нестандартные асимптотические распределения. Эти асимптотические распределения не зависят от мешающих параметров, а зависят только от k −r, и от того, как входят в модель константа и тренд (см. перечисленные на стр. 668 пять основных случаев).
Методом Монте-Карло получены таблицы LRtrace и LRλ−max для всех пяти случаев и нескольких значений k − r (на данный момент имеются таблицы для k − r = 1, . . . , 12). Также в последние годы разрабатываются различного рода аппроксимации для этих нестандартных распределений.
Как и в случае критерия ADF (см. п. 17.4), очень важным вопросом является выбор длины лага p (порядка авторегрессии). Способы, по сути дела, являются теми же самыми. Для проверки гипотез о длине лага можно использовать критерий отношения правдоподобия, который в данном случае имеет обычное распределение χ2 . Если процесс состоит из k компонент, и проверяется гипотеза о том, что следует увеличить p на единицу, то количество степеней свободы соответствующей статистики равно k. Важно также, чтобы в выбранной модели отсутствовала автокорреляция остатков, поскольку это одно из предположений модели.
Метод Йохансена можно использовать также для оценивания моделей с линейными ограничениями на матрицу коинтегрирующих векторов β или на матрицу корректирующих коэффициентов α. Для проверки таких ограничений удобно использовать все тот же тест отношения правдоподобия, который здесь имеет обычное асимптотическое распределение χ2.
23.8. Коинтеграция и общие тренды
Рассмотрим модель VAR(1) с интегрированными переменными и ее представление в виде модели исправления ошибок:
∆xt = xt−1βα + vt. |
(23.7) |
Поскольку матрица β состоит из коинтегрирующих векторов, то отклонения от равновесия xtβ являются I(0), и для них существует разложение Вольда. Выведем
23.8. Коинтеграция и общие тренды |
675 |
его. Для этого сначала умножим уравнение модели на β:
∆xtβ = xt−1βα β + vtβ,
откуда:
xtβ = xt−1β(α β + I) + vtβ.
Имеем для стационарного вектора xtβ авторегрессию, из которой можем представить xtβ в виде бесконечного скользящего среднего (разложение Вольда):
∞
xtβ = vt−iβ(α β + I)i.
i=0
Подставив это выражение в исходную модель (23.7), получим также разложение Вольда для приростов ∆xt:
∞
∆xt = vt−iβ(α β + I)i−1α + vt,
i=1
или
∞
∆xt = vt−iCi = vtC(L),
i=0
где мы ввели обозначения Ci для матричных коэффициентов скользящего среднего. Несложно подсчитать, пользуясь формулой бесконечной геометрической прогрессии, что соответствующий долгосрочный мультипликатор равен
|
|
C(1) = I |
− |
β(α β)−1 |
α . |
(23.8) |
|
|
|
|
|
|
|
Обозначим C = |
∞ |
Ci и C (L) = ∞ C Li. При этом выполнено следующее |
||||
i |
−j=i+1 |
|
i=0 i |
|
|
разложение для C(L):
C(L) = ∆C (L) + C(1).
Кроме того, можно показать, что C (L) соответствует стационарному процессу. Все это позволяет разделить процесс ∆xt на сумму двух составляющих:
∆xt = ∆vtC (L) + vtC(1). |
|
Следовательно, xt можно представить следующим образом: |
|
xt = vtC (L) + vt C(1), |
(23.9) |
23.9. Упражнения и задачи |
677 |
Таблица 23.2. (Источник: Temple University Department of Economics Econometrics II Multivariate Time Series;
)
Квартал |
C |
Y |
|
Квартал |
C |
Y |
|
Квартал |
C |
|
|
|
|
|
|
|
|
|
|
|
|
1947.1 |
192.5 |
202.3 |
|
1952.1 |
220 |
231.1 |
|
1957.1 |
268.9 |
291.1 |
|
|
|
|
|
|
|
|
|
|
|
1947.2 |
196.1 |
197.1 |
|
1952.2 |
227.7 |
240.9 |
|
1957.2 |
270.4 |
294.6 |
|
|
|
|
|
|
|
|
|
|
|
1947.3 |
196.9 |
202.9 |
|
1952.3 |
223.8 |
245.8 |
|
1957.3 |
273.4 |
296.1 |
|
|
|
|
|
|
|
|
|
|
|
1947.4 |
197 |
202.2 |
|
1952.4 |
230.2 |
248.8 |
|
1957.4 |
272.1 |
293.3 |
|
|
|
|
|
|
|
|
|
|
|
1948.1 |
198.1 |
203.5 |
|
1953.1 |
234 |
253.3 |
|
1958.1 |
268.9 |
291.3 |
|
|
|
|
|
|
|
|
|
|
|
1948.2 |
199 |
211.7 |
|
1953.2 |
236.2 |
256.1 |
|
1958.2 |
270.9 |
292.6 |
|
|
|
|
|
|
|
|
|
|
|
1948.3 |
199.4 |
215.3 |
|
1953.3 |
236 |
255.9 |
|
1958.3 |
274.4 |
299.9 |
|
|
|
|
|
|
|
|
|
|
|
1948.4 |
200.6 |
215.1 |
|
1953.4 |
234.1 |
255.9 |
|
1958.4 |
278.7 |
302.1 |
|
|
|
|
|
|
|
|
|
|
|
1949.1 |
199.9 |
212.9 |
|
1954.1 |
233.4 |
254.4 |
|
1959.1 |
283.8 |
305.9 |
|
|
|
|
|
|
|
|
|
|
|
1949.2 |
203.6 |
213.9 |
|
1954.2 |
236.4 |
254.8 |
|
1959.2 |
289.7 |
312.5 |
|
|
|
|
|
|
|
|
|
|
|
1949.3 |
204.8 |
214 |
|
1954.3 |
239 |
257 |
|
1959.3 |
290.8 |
311.3 |
|
|
|
|
|
|
|
|
|
|
|
1949.4 |
209 |
214.9 |
|
1954.4 |
243.2 |
260.9 |
|
1959.4 |
292.8 |
313.2 |
|
|
|
|
|
|
|
|
|
|
|
1950.1 |
210.7 |
228 |
|
1955.1 |
248.7 |
263 |
|
1960.1 |
295.4 |
315.4 |
|
|
|
|
|
|
|
|
|
|
|
1950.2 |
214.2 |
227.3 |
|
1955.2 |
253.7 |
271.5 |
|
1960.2 |
299.5 |
320.3 |
|
|
|
|
|
|
|
|
|
|
|
1950.3 |
225.6 |
232 |
|
1955.3 |
259.9 |
276.5 |
|
1960.3 |
298.6 |
321 |
|
|
|
|
|
|
|
|
|
|
|
1950.4 |
217 |
236.1 |
|
1955.4 |
261.8 |
281.4 |
|
1960.4 |
299.6 |
320.1 |
|
|
|
|
|
|
|
|
|
|
|
1951.1 |
223.3 |
230.9 |
|
1956.1 |
263.2 |
282 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1951.2 |
214.5 |
236.3 |
|
1956.2 |
263.7 |
286.2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1951.3 |
217.5 |
239.1 |
|
1956.3 |
263.4 |
287.7 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1951.4 |
219.8 |
240.8 |
|
1956.4 |
266.9 |
291 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
В свою очередь, текущие доходы зависят от лагов доходов (из-за инерции) и от лагов потребления (по принципу мультипликатора):
Yt = β1 + β2Yt−1 + β3Ct−1 + εYt .
Оцените параметры структурной формы модели при помощи МНК по исходным данным. Затем проделайте то же самое, используя преобразованные данные из пункта 1.2 (разности логарифмов). Объясните, имеют ли два полученных набора оценок одинаковый смысл. Какие оценки предпочтительнее
и почему?
1.4.Перепишите модель в приведенной форме. Укажите взаимосвязь между коэффициентами структурной и приведенной форм. Оцените приведенную форму модели по исходным данным и по преобразованным данным. Какие оценки предпочтительнее и почему?
678 |
Глава 23. Векторные авторегрессии |
1.5.Добавьте еще по одному лагу в оба уравнения приведенной формы. Оцените коэффициенты по исходным данным и по преобразованным данным и проведите тесты причинности по Грейнджеру. Что можно сказать о направлении причинности по полученным результатам?
1.6.Проверьте ряды на наличие единичных корней, используя тест Дики— Фуллера.
1.7.Примените к исходным данным и к логарифмам исходных данных метод Йохансена, используя в модели 4 лага разностей.
Упражнение 2
В таблице 23.3 даны макроэкономические показатели по США (поквартальные данные получены на основе помесячных данных): Infl — темп инфляции, рассчитанный по формуле: 400(ln(CPIt) − ln(CPIt−1)), где CPI — индекс потребительских цен, т.е. логарифмический темп прироста цен в процентах из расчета за год; UnRate — уровень безработицы (процент населения); FedFunds — эффективная процентная ставка по межбанковским краткосрочным кредитам овернайт (в процентах годовых).
2.1.Оцените параметры векторной авторегрессии 4-го порядка, предполагая, что текущая инфляция влияет на текущую безработицу и процентную ставку, а текущая безработица влияет на текущую процентную ставку (рекурсивная система).
2.2.Оцените модель в приведенной форме, пропуская последнее наблюдение, и получите точечный прогноз на один период. Сравните прогнозы с фактическими значениями.
Упражнение 3
В таблице 23.4 приведены данные из статьи Турмана и Фишера, посвященной вопросу о том, что первично — куры или яйца. Это годовые данные по США за 1930–1983 гг. о производстве яиц в миллионах дюжин и о поголовье кур (исключая бройлерные).
3.1.Проведите тест причинности по Грейнджеру между двумя рядами. Сделайте выводы относительно направления причинности.
3.2.Для каждого ряда проведите тест Дики—Фуллера на наличие единичных корней, используя лаги от 0 до 12. Выберите нужную длину лага, используя