Professional Documents
Culture Documents
Karolina Konopczak
Ekonometria Szeregw Czasowych
28 lutego 2012
Karolina Konopczak
Plan prezentacji
Pojcie stacjonarnoci
Badanie stopnia zintegrowania Wyznaczenie piewiastkw wielomianu charakterystycznego Testy pierwiastka jednostkowego / testy stacjonarnoci
Modele ARIMA
Karolina Konopczak
Plan prezentacji
Pojcie stacjonarnoci
Badanie stopnia zintegrowania Wyznaczenie piewiastkw wielomianu charakterystycznego Testy pierwiastka jednostkowego / testy stacjonarnoci
Modele ARIMA
Karolina Konopczak
Yt
prawdopodobiestwami {Yt } proces stochastyczny cig zmiennych losowych uporzdkowanych wedug czasu
Yt
{yt }
w konkretnej prbie
Karolina Konopczak
Yt
yt
jest
o identycznym rozkadzie)
- kowariancja midzy zmiennymi zaley wycznie od ich odlegoci w czasie (a nie od konkretnego momentu)
Cov Y
Karolina Konopczak
Biay szum
(t ) = 0 [wahania maj tendencj do znoszenia si] 2 (t ) = 2 < [stao wariancji w czasie homoskedastyczno] Cov (t , t +h ) = 0, h = 0 [brak autokorelacji]
E D
Wasnoci biaego szumu powinien wykazywa skadnik losowy w klasycznym modelu regresji liniowej.
Karolina Konopczak
Karolina Konopczak
yt = yt yt = yt y
0
1 1
T = T t y0= t t= t=
0 1 1
+ t + t = yt 2 + t 1 + t = yt 3 + t 2 + t 1 + t = . . . =
trend stochastyczny
E (yt ) = E ( T= t ) = T= E (t ) = 0 t t cov (t ,t h )= T D (yt ) = D ( T= t ) = t t = D (t ) = T cov (yt , yt h ) = E (yt yt h ) E (yt )E (yt h ) = E ( T=h t T=h t ) t t
1 1 2 2 0 2 2 1 1
E(
T h t=
1
t )E (
T h t=
1
t ) = D (
2
T h t ) = t=
1
T h D t=
1
(t ) = (T h) 2
Karolina Konopczak
yt = yt yt = yt y
0
1 1
T = T t y0= t t= t=
0 1 1
+ t + t = yt 2 + t 1 + t = yt 3 + t 2 + t 1 + t = . . . =
trend stochastyczny
E (yt ) = E ( T= t ) = T= E (t ) = 0 t t cov (t ,t h )= T D (yt ) = D ( T= t ) = t t = D (t ) = T cov (yt , yt h ) = E (yt yt h ) E (yt )E (yt h ) = E ( T=h t T=h t ) t t
1 1 2 2 0 2 2 1 1
E(
T h t=
1
t )E (
T h t=
1
t ) = D (
2
T h t ) = t=
1
T h D t=
1
(t ) = (T h) 2
Karolina Konopczak
Karolina Konopczak
yt = yt =
0 0
+ yt 1 + t + yt 1 + t = 0 + 0 + yt 2 + t 1 + t =
0 + 0 + 0 + yt 3 + t 2 + t 1 + t = . . . =
y0 =
T
0
t=
t
1
trend stochastyczny
E (yt ) = E (T
Wariancja i kowariancja takie same, jak w przypadku bdzenia przypadkowego, bo przesuniecie o sta nie wpywa na dyspersj procesu.
T t ) = T t=
1
T E (t ) = T t=
1
Karolina Konopczak
yt = yt =
0 0
+ yt 1 + t + yt 1 + t = 0 + 0 + yt 2 + t 1 + t =
0 + 0 + 0 + yt 3 + t 2 + t 1 + t = . . . =
y0 =
T
0
t=
t
1
trend stochastyczny
E (yt ) = E (T
Wariancja i kowariancja takie same, jak w przypadku bdzenia przypadkowego, bo przesuniecie o sta nie wpywa na dyspersj procesu.
T t ) = T t=
1
T E (t ) = T t=
1
Karolina Konopczak
Karolina Konopczak
stopniu 0.
Denicja zintegrowania zmiennej
Zmienna
yt
I (d )),
jeeli mona
yt = yt yt 1
yt = yt yt 1 = yt yt 1 yt 1 + yt 2 = yt 2yt 1 + yt 2
Karolina Konopczak
Plan prezentacji
Pojcie stacjonarnoci
Badanie stopnia zintegrowania Wyznaczenie piewiastkw wielomianu charakterystycznego Testy pierwiastka jednostkowego / testy stacjonarnoci
Modele ARIMA
Karolina Konopczak
Wyznaczenie pierwiastkw wielomianu charakterystycznego procesu [jeeli znany jest proces generujcy dane]
Karolina Konopczak
AR (p ) : yt = 1 yt 1 + 2 yt 2 + . . . + p yt p + t
L
- operator opnie
Lyt = yt 1
L(Lyt ) = L2 yt = Lyt 1 = yt 2
AR(p):
t = Lyt + L yt + . . . + p Lp yt + t p yt Lyt L yt . . . p L yt = t p yt (1 L L . . . p L ) = t
y
1 2 2 1 2 2 2 1 2
t ( ) = t yt = A (L)t
y A L
1 Karolina Konopczak Badanie stacjonarnoci. Modele ARIMA.
Przykad: AR(1)
y
t = yt + t t yt = t yt (1 L) = t 1 yt = t
1 1 1 1 1
1 L
A wic:
y
t = t + Lt + L t + L t + . . . yt = t + t + t + t + . . .
1 2 1 2 3 1 3 1 1 2 1 2 3 1 3
Karolina Konopczak
to y
t=
t
jest
i 1 t i
Badanie stacjonarnoci za pomoc pierwiastkw wielomianu charakterystycznego Wielomian charakterystyczny procesu AR(1): 1
z
1 z = 0 1 = 1 - pierwiastek
rwnania charakterystycznego
|1 | < 1, 1 | 1 | > 1.
Karolina Konopczak
t = ayt + byt + t
1 2
y 1
t = Ayt + t
1
y 1 y 2
t t
t
0
yt = Ayt1 + t
n . Podobnie w n A 0 dla n .
An 0
dla
Karolina Konopczak
Fakt 3. Niech P macierz zoona z wektorw wasnych macierzy A, D macierz zawierajca wartoci wasne macierzy A na gwnej
przektnej (w kolejnoci odpowiadajcej kolumnom w P) i zera poza ni. Istnieje dekompozycja:
= PDP1
n0
dla
gdy D
n0
. D jest macierz
diagonaln, a wic dy do zerowej gdy diagonalne elementy d do 0 przy podnoszeniu do kolejnych potg. Czyli ich wartoci bezwzgldne musz by
< 1.
Karolina Konopczak
a b
1 0
=0
(a ) (0 ) b = 0 2 a b = 0
Rozwamy podstawienie 1
az bz 2 = 0
z=
. Wwczas:
yt = ayt 1 + byt 2 + t .
speniony.
z > 1,
wwczas
(z podstawienia) wszystkie
<1
Karolina Konopczak
Koo jednostkowe:
pierwiastki wielomianu mog by liczbami zespolonymi, tzn. mie cz rzeczywist
a i urojon b (a + bi ). a ab
2
|a + bi | =
oznacza
+ b 2 , wic warunek stacjonarnoci/odwracalnoci |a + bi | > 1 a2 + b2 > 12 (pole poza okrgiem o rodku (0, 0) i promieniu 1, czyli |a + bi | > 1,
koem jednostkowym). niektre programy ekonometryczne podaj pierwiastki w formie odwrotnoci (Inverse Roots). Skoro to
| + |
a bi
< 1.
Problem aplikacyjnoci przedstawionej metody W rzeczywisoci nie znamy procesw generujcych dane, a jedynie ich realizacje w skoczonej prbie. Dlatego te do badania stacjonarnoci uywamy testw statystycznych.
yt = yt
1
+ t
|1 | < 1. 1
moemy jedynie oszacowa jego
warto na podstawie realizacji procesu w skoczonej probie i sprawdzi czy rni si istotnie od 1 przy pomocy testu t-Studenta:
H H
0 1
: 1 = 1 : 1 < 1
Jednak z pewnych wzgldw (w przypadku prawdziwoci hipotezy zerowej zmienne w rwnaniu s niestacjonarne, co skutkuje obcieniem estymatora KMNK wicej na ten temat na kolejnych zajciach) hipotezy tej nie mona werykowa bezporednio.
Karolina Konopczak
yt 1
yt = (1 1) yt 1 + t
H0 H1
rozkady statystyk testowych zob. MacKinnon (1996) ) Jeeli DF < DF , to odrzucamy H0 na rzecz H1 , czyli proces uznajemy za
emp
Karolina Konopczak
Co zrobi w przypadku braku podstaw do odrzucenia H0 ? W takim przypadku wiemy, ze zmienna jest niestacjonarna, ale nie wiemy, czy nie jest zintegrowana w stopniu wyszym ni 1...
t I (2)),
stacjonarna dopiero po dwukrotnym rnicowaniu, wic sprawdzamy, czy do ustacjonarnienia zmiennej wystarczyo jednokrotne rnicowanie, czyli czy zmienna jednokrotnie zrnicowana jest stacjonarna:
Karolina Konopczak
Co zrobi w przypadku ponownego braku podstaw do odrzucenia H0 ? W takim wypadku nie wiemy, czy zmienna jest zintegrowana w stopniu 2, czy te nieodrzucenie H0 nie wynika przypadkiem z niskiej mocy testu...
Znowu testujemy...
Jeli ponownie nie ma podstaw do odrzucenia, to oznacza, e test ma sab moc (zbyt rzadko odrzuca nieprawdziw hipotez zerow), poniewa w ekonomii niespotykane s szeregi zintegrowane w stopniu wyszym ni 2.
Karolina Konopczak
t , t +h ) = 0,
= 0,
yt = yt 1 + 1 yt 1 + 2 yt 2 + . . . + k yt k + t
Karolina Konopczak
Ile opnie?
oglna zasada: naley zrealizowa cel, jakim jest usunicie autokorelacji skadnika losowego UWAGA! do oceny nie stosujemy testu DW (opniona zmienna objaniana jako regresor...) algorytmy wspomagajce: wskazujemy maksymalny rzd opnie i wybieramy najlepsz regresj testow przy uyciu kryteriw informacyjnych (AIC, SIC, HQC) wskazujemy maksymalny rzd opnie i sprawdzamy, czy ostatnie z nich jest istotne w modelu; jeeli nie, usuwamy je i powtarzamy a do uzyskania istotnego ostatniego opnienia...
Karolina Konopczak
yt = + yt 1 + yt = + yt 1 +
k i= k i=
1
i yt i i yt i
+ t
H0 :
+ t + t
szereg jest przyrosto czy trendostacjonarny jeeli odrzucimy H0 , a trend t okae si istotny szereg jest jeeli nie odrzucimy H0 , szereg jest przyrostostacjonarny
trendostacjonarny
Karolina Konopczak
Test ADF-GLS
Karolina Konopczak
H0 : yt I (0) H1 : yt I (1)
UWAGA: INNY UKAD HIPOTEZ NI W TECIE ADF! krok 1: estymacja OLS parametrw modelu (z trendem lub bez)
yt = + t + t
obliczamy reszty
Karolina Konopczak
St =
t r =1
r ,
dla t = 1, . . . , T
i warto zgodnego estymatora wariancji dugookresowej reszt (z wagami Newey'a - Westa lub Bartletta)
S 2 (k ) = T 1
wagi Bartletta:
T t =1
2 et + 2
k s =1
w (s , k )
T t =s +1
et et s
w (s , k ) = 1 k
- dobieramy arbitralnie (np.
s k +1
k =8
Karolina Konopczak
KPSS =
T S2 t =1 t T 2 S 2 (k )
KPSS > KPSSkryt
H0 .
Karolina Konopczak
Inne testy
zamanie strukturalne
i Syczewska, 1998;
Karolina Konopczak
Plan prezentacji
Pojcie stacjonarnoci
Badanie stopnia zintegrowania Wyznaczenie piewiastkw wielomianu charakterystycznego Testy pierwiastka jednostkowego / testy stacjonarnoci
Modele ARIMA
Karolina Konopczak
Geneza
Modele ARIMA: odpowied na wielkie modele strukturalne z lat 70-tych, oparte potencjalnie na regresjach pozornych (Box, Jenkins) modele ateoretyczne wiedza o przyszoci zaklta w przeszoci szeregu dobrze odwzorowuj dynamik zmiennych w krtkim okresie, std dobre krtkookresowe wasnoci prognostyczne bardzo wygodne do prognozowania nie potrzeba egzogenicznych wsadw
Karolina Konopczak
t = yt + yt + . . . + p yt p + t
1 1 2 2
( ) t = t ,
A L
( ) = 1 1 L 2 L2 + . . . p Lp
t = t + t + t + . . . + q t q
1 1 2 2
t = B (L)t ,
B L
( ) = 1 1 L 2 L2 + . . . q Lq
Karolina Konopczak
Model ARMA(p,q)
+ . . . p Lp + . . . q Lq
A(L)d yt = B (L)t
Model ARIMAX(p,d,q)
Model ARIMA uzupeniony o zestaw egzogenicznych regresorw:
d yt = c + x t +
i=
i d yt i +
j=
j t j + t
Badanie stacjonarnoci. Modele ARIMA.
Karolina Konopczak
Identykacja rzdu procesu: W przypadku modelu AR: identykacja rzdu korelacja midzy
na podstawie
yt
yt p
W przypadku modelu MA: na podstawie funkcji autokorelacji (ACF) W przypadku modeli ARIMA: wybr postaci (rzd p dla czci AR i q dla czci MA) na podstawie wartoci kryteriw informacyjnych (wszystkie kombinacje opnie dla p i q do danego opnienia zwykle 3-go lub 4-go wcznie)
Karolina Konopczak
k >0 k = 1
autoregresyjnego okrela
Karolina Konopczak
ij l =
2 (1ril )
2 rjl
oszacowana waro funkcji autokorelacji czstkowej rzdu k rwna si wyestymowanemu wspczynnikowi k-go rzdu w modelu autoregresyjnym rzdu k:
yk = 0 + 1 yt 1 + . . . + k yt k + t
Karolina Konopczak
H0 : k = 0 H1 : k = 0 1 T N (0, 1) |k | > +/ 1, 96 t = k T 1
k
2
H0 : k k = 0 H1 : k k = 0 Q = T K=1 k 2 2 k k
Karolina Konopczak
Model ARIMA z sezonowoci nazywamy SARIMA (Seasonal ARIMA). Dodatkowe parametry (w stosunku do ARIMA):
s D
s yt = yt yt s
Karolina Konopczak
Model SARIMA
D d t = s ( yt )
oznacza odpowiednio
Oprcz sezonowego rnicowania szeregu wyjciowego, moemy w modelu uwzgldni sezonowe regresory typu AR i MA.
Model ARIMA (p ,d ,q ):
1 L 2 L2 ... p Lp
t =c+
+ 1 L + 2 L2 + ... + q Lq t
1
c
1 L 2 L2 ... p Lp
1
+ 1 L + 2 L
+ ... + q Lq
+ 1 L
s +
2L
yt = s + ... + Q LQ s t
Karolina Konopczak
Proces AR jest stacjonarny... ...jeeli wszystkie pierwiastki wielomianu charakterystycznego (tzn. rozwizania rwnania 1
1 L 2 L2 ... p Lp = 0
wzgldem
L)
1 L 2 L2 ... p Lp = 0
wzgldem
L)
Karolina Konopczak