Академический Документы
Профессиональный Документы
Культура Документы
[Nota: Para obtener una actualizacin importante de este post, relativa a EViews 9 , ver mi post
2015, aqu .]
Bueno, al final me tengo hecho! Algunos de estos cargos toman ms tiempo para preparar lo que
podra pensar. La primera parte de esta discusin fue cubierto en un (especie de!) post
reciente , en el que me di una breve descripcin de Autoregresivo Lag distribuido (ARDL)
modelos, junto con un poco de perspectiva histrica. Ahora es el momento para nosotros para
llegar a trabajar y ver cmo han llegado estos modelos a jugar un papel muy importante
recientemente en el modelado de datos de series de tiempo no estacionarias.
En particular, vamos a ver cmo se utilizan para implementar los llamados "Bounds pruebas", para
ver si las relaciones de largo plazo estn presentes cuando tenemos un grupo de series de tiempo,
algunos de los cuales pueden ser estacionaria, mientras que otros no lo son. Un ejemplo prctico
detallado, usando EViews, est incluido.
En primer lugar, recordemos que la forma bsica de un modelo de regresin ARDL
es:
y t = 0 + 1 y t-1 + ....... + k y tp + 0 x t + 1 x t- 1 + 2 x t-2 + ......... +
q x tq + t , (1) donde t es una "perturbacin" al azar plazo, lo que vamos a suponer es "bien
comportado "en el sentido habitual. En particular, ser en serie independiente.
Vamos a modificar este modelo un tanto para nuestros propsitos aqu. En concreto, vamos a
trabajar con una mezcla de las diferencias y niveles de los datos. Las razones de esto se pondrn
de manifiesto a medida que avanzamos. Supongamos que tenemos un conjunto de variables de
series de tiempo, y queremos modelar la relacin entre ellos, teniendo en cuenta las races y / o
cointegracin unitarios asociados con los datos. En primer lugar, tenga en cuenta que hay tres
situaciones sencillas que vamos a poner a un lado, ya que pueden ser tratados de forma estndar:
1.
Sabemos que todas las series son I (0), y por lo tanto estacionaria. En este caso,
simplemente podemos modelar los datos en sus niveles, utilizando la estimacin MCO, por
ejemplo.
2.
Sabemos que todas las series estn integradas del mismo orden ( por ejemplo , I
(1)), pero estn no cointegradas.En este caso, podemos simplemente (apropiadamente)
Diferencia de cada serie, y estimar un modelo de regresin estndar utilizando MCO.
3.
Sabemos que todas las series estn integradas del mismo orden, y ellos estn
cointegradas . En este caso, se puede estimar dos tipos de modelos: (i) un modelo de
regresin MCO utilizando los niveles de los datos. Esto proporcionar la relacin
equilibrante de largo plazo entre las variables. (Ii) Un modelo de correccin de errores
(ECM), que se estima por MCO. Este modelo representar la dinmica de la relacin entre
las variables de corto plazo.
1.
Ahora,
volvamos
a
la
situacin
ms
complicada
se
mencion
anteriormente. Algunas de las variables en cuestinpuede ser estacionaria, algunos puede
ser I (1) o incluso integrado fraccional, y tambin hay la posibilidad de cointegracin
entre algunos de los I (1) variables. En otras palabras, las cosas no son tan "clara", como
en las tres situaciones mencionadas anteriormente.
Qu hacemos en estos casos si queremos modelar los datos adecuadamente y extraer relaciones
tanto a largo plazo como a corto plazo? Aqu es donde el modelo ARDL entra en escena. La
metodologa ARDL / Pruebas lmites de Pesaran y Shin (1999) y Pesaran et al . (2001) presenta
una serie de caractersticas que muchos investigadores se sienten darle algunas ventajas sobre las
pruebas
de
cointegracin
convencional. Por
ejemplo:
Se trata simplemente de una sola ecuacin puesta a punto, por lo que es fcil de aplicar
e interpretar.
Paso
1:
Podemos utilizar el ADF y KPSS pruebas para comprobar que ninguno de la serie que estamos
trabajando son I (2). Paso 2 :
Formular el siguiente modelo:
Dy t = 0 + i Dy ti + j ? x 1t-j + k Dx 2t-k + 0 y t-1 + 1 x 1t-1 + 2 x 2t-1 + e t ; (4) Tenga
en cuenta que esto es casi como una ECM tradicional. La diferencia es que ahora hemos
reemplazado el trmino de correccin de errores, z t-1 con los trminos y t-1 , x 1t-1 y x 2t-1 . A
partir de (3), podemos ver que la serie de residuos rezagado sera z t-1 = (y t-1 - un 0 - un 1 x 1t-1 un 2 x 2t-1 ), donde los a son los OLS estimaciones de la dcada de . Por lo tanto, lo que estamos
haciendo en la ecuacin (4) es incluida en los mismos niveles rezagados como lo hacemos en un
ECM regular, pero estamosno restringir sus coeficientes. Es por esto que podramos llamar la
ecuacin (4) un "ECM sin restricciones" , o un "ECM sin restricciones". Pesaran et al . (2001)
llaman
a
esto
una
"ECM
condicional". Paso
3:
Paso
5:
Tenemos un modelo con una estructura autorregresiva, as que tenemos que estar seguros de que
el modelo es "dinmicamente estable". Para ms detalles de lo que esto significa, ver mi post
reciente, Cundo es un modelo dinmicamente estable Autoregresivo? Lo que tenemos que
hacer es comprobar que todas las races inversas de la ecuacin caracterstica asociada con
nuestro modelo se encuentran estrictamente dentro del crculo unitario. Ese puesto mo reciente
mostr cmo engaar EViews para que nos d la informacin que queremos con el fin de
comprobar que se cumple esta condicin. No voy a repetir eso aqu. Paso 6 : Ahora estamos listos
para llevar a cabo la "Prueba de Lmites"!Aqu est la ecuacin (4), de nuevo:
Dy t = 0 +
Para completar el Paso 1 , tenemos que comprobar que ninguno de nuestra serie de tiempo son I
(2). La aplicacin de la prueba ADF a los niveles de euros y los Estados Unidos, los p-valores son
0,53 y 0,10 respectivamente. La aplicacin de la prueba para las primeras diferencias de la serie,
los valores de p son ambos 0.00. (Los retardados longitudes para las regresiones ADF fueron
elegidos mediante el criterio de Schwarz, SC.) Es evidente que ni la serie es I (2). La aplicacin
de la prueba KPSS rechazamos la hiptesis nula de estacionariedad, incluso en el nivel de
significacin del 1%, tanto para EUR y Estados Unidos, pero no pueden rechazar la hiptesis nula
de que (1) en contra de I (2). El p-valor del 10% para la prueba ADF de I (1) vs . I (0) para la serie
euros puede dejarnos preguntndose si esa serie es estacionaria, o no. Usted sabr que
"conflictos" aparentes entre los resultados de las pruebas de este tipo son muy comunes en la
prctica. Este es un gran ejemplo de cmo la metodologa ARDL / Pruebas lmites nos puede
ayudar. Para que las pruebas de cointegracin estndar (como la que de Engle y Granger, o
Johansen) tener ningn sentido, tenemos que estar muy seguro de que todas las series estn
integradas del mismo orden . En este caso, es posible que no se sienta totalmente seguro de que
este es el caso.Paso 2 es sencillo. Dado que la prueba de causalidad de Granger asociada a mi
post anterior sugiere que existe la causalidad de los Estados Unidos de euros (pero
no viceversa ), EUR va a ser la variable dependiente en mi ECM sin
restricciones:
EUR t = 0 + i EUR ti + j US tj + 0 euros t-1 + 1 EEUU t-1 +
e t ; (5) Es el paso 2 de en medio! Para implementar los criterios de informacin para la
seleccin de los retardados longitudes de manera eficiente en el tiempo, que "enga" EViews en
proporcionar un montn de ellos a la vez haciendo lo siguiente. Calcul un modelo VAR 1ecuacin para EUR t y yo entregue la intercepcin, EUR t-1 , US t-1 , y un nmero fijo de rezagos
de US t como regresores exgenos. Por ejemplo, cuando el nmero fijo de rezagos en US t era
cero,
as
es
como
he
especificado
el
VAR:
Despus de estimar este modelo, entonces me decid VIEW, ESTRUCTURA GAL, GAL CRITERIOS DE
LONGITUD:
t-1
Proced de esta manera con rezagos adicionales de US t en la lista "exgena". Tambin consider
casos como:
En cuanto a los valores de SC en estos tres cuadros de resultados, vemos que se sugiere un
retraso mximo de 4 para EUR t. (Los valores de AIC indican que 8 rezagos de EUR t pueden ser
apropiados, pero un poco de experimentacin con esto no fue fructfera.)
Prcticamente no hay diferencia entre los valores de CL para el caso en que el modelo incluye
slo US t como regresor (0.8714), y el caso en que slo US t-1 se incluye (0,8718). Para obtener
algunas dinmicas en el modelo, voy a ir con el ltimo caso.
Con el paso 3 ha completado, y con esta especificacin retraso en mente, vamos a ver ahora la
ECM sin restricciones estimado:
Paso 4 implica la comprobacin de que los errores de este modelo son en serie
independiente. OPININ Seleccin, DIAGNSTICO RESIDUALES, TEST LM correlacin serial, me
sale el siguiente resultado:
m LM p-valor
1
2
3
4
0,079 0,779
2.878 0.237
5.380 0.146
11,753
0,019
Bien, tenemos un problema con la correlacin serial! Para tratar con l, experiment con uno o
dos retardos adicionales de la variable dependiente como regresores, y termin con la siguiente
especificacin para la ECM sin restricciones:
0,013 0,911
3.337 0.189
5.183 0.159
7.989 0.092
8.473 0.132
11,023 0,088
12,270 0,092
12,334 0,137
Todo parece estar bien - estas races son todos dentro del crculo unitario.
Antes de proceder a la Prueba de lmites, vamos a echar un vistazo a la "forma" de nuestra ECM
sin restricciones. La trama "Real / Amueblada / Residuales" se ve as:
Cuando "descifrar" estos resultados, y miramos el ajuste del modelo en trminos de explicar
el nivel de s mismo de euros, en lugar de EUR, las cosas se ven bastante bien:
Ahora estamos listos para la Etapa 6 - la propia prueba de lmites. Queremos probar si los
coeficientes de ambas euros (-1) y Estados Unidos (-1) son cero en nuestro modelo estimado
(repetido a continuacin):
Con el resultado:
vemos que el multiplicador de largo plazo entre los Estados Unidos y el EUR es - (0.047134 / (0.030804)) = 1,53. En el largo plazo, un aumento de 1 unidad en Estados Unidos conducir a un
aumento de 1,53 unidades en euros.
Si estimamos el modelo de niveles,
construimos la serie residuales,
{z t },
EUR t = 0 + 1 EEUU t + v t
, por MCO, y
deacuerdo a una normal (restringido) ECM:
Observe que el coeficiente del trmino de correccin de errores, z t-1 , es negativo y muy
significativo. Esto es lo que cabra esperar si existe cointegracin entre EUR y USA. La magnitud
de este coeficiente implica que casi el 3% de cualquier desequilibrio entre EUR y USA se corrige
dentro de un perodo (un mes). Este ECM final es dinmicamente estable:
Como ninguna de las races se encuentran en el eje X (real), est claro que tenemos tres pares
conjugados complejos de races. En consecuencia, la dinmica de corto plazo asociados con el
modelo son bastante complicados. Esto se puede ver si tenemos en cuenta la funcin de
respuesta de impulso asociado con un "shock" de una (muestra) desviacin estndar:
Por ltimo, el ajuste dentro de la muestra (en trminos de los niveles de euros) es
excepcionalmente bueno:
De hecho, las correlaciones simples entre el "ajustado" series de euros de los de libre disposicin
y regulares de ECM de euros y son cada 0.994, y la correlacin entre las dos series equipada es
0.9999.
As que, ah lo tenemos - la prueba sale con un modelo ARDL.