3.6 Többegyenletes modellek
3.6.1 Szimultaneitási torzítás
Az előzőekben bemutatott egyszerű modell rávilágít egy eddig még nem tárgyalt problémára, az ún.
szimultaneitási torzításra. A legkisebb négyzetek módszere alkalmazása során feltételeztük, hogy a magyarázó változók és a véletlen változó egymástól függetlenek. Ugyanakkor, ha az előbbiekben bemutatott modellünket tüzetesebben megvizsgáljuk, láthatjuk, hogy a strukturális forma egyenle-tenkénti LNM becslésnél mindez nem feltétlenül teljesül.
Idézzük fel a 3.2.1 alpontban leírtakat! Többváltozós regressziós modellben az eredményváltozó felírható y = Xb + e formában, ahol a paramétervektor becslése a b = X X X yˆ
T
-1 T becslőfügg-vénnyel valósul meg. Mi történik, ha az eredményváltozóra vonatkozó tényleges értékek modell-szerű felírását helyettesítjük a becslőfüggvénybe? Ekkor az
-1
ˆb = X X X Xb+eT T összefüggést kapjuk, ami minimális átrendezés után a
-1
1
-1ˆ
b = X X X Xb + X XT T T X e = b + X X X eT T T
formára hozható. Képezve az előbbi egyenlet mindkét oldalán a várható értéket
b =ˆ
b X XT
-1X e bT
X XT
1 X eT
E E E E
vagyis az LNM becslés csak akkor torzítatlan, ha E
X eT 0, vagyis a magyarázó változók füg-getlenek a véletlen változóktól.44 Abban az esetben, ha nem teljesül a függetlenség, vagyis
X eT 0E (3.50)
akkor szimultaneitási torzítással állunk szemben. A szimultaneitási torzítás esetén nem egyszerűen torzított a becslőfüggvény, hanem inkonzisztens is, vagyis a torzítás mértéke a minta elemszámának (megfigyelések számának) növelésével sem csökken.
44 Ezt az eredményt egyébként – bizonyítás nélkül – már a 3-4. táblázatban „megelőlegeztük”.
92 3.6.2 Identifikálhatóság
Nyilvánvalóan felmerült a kérdés, hogy mi a teendő, ha a strukturális modellünk paraméterbecslése során szimultaneitási torzítással kell számolnunk? A válasz is kézenfekvőnek látszik: ne a struktu-rális, hanem a redukált formát becsüljük. A problémát csak az jelenti, hogy általában minket nem az átalakított – és valljuk be, még egyszerű esetben is szinte átláthatatlan transzformáció-sorozattal keletkező – paraméterek érdekelnek (gondoljunk a (3.49) összefüggésekre), hanem az „eredeti”
modellspecifikációban szereplő összefüggéseket leíró együtthatók. Felmerül tehát a kérdés, vajon hogyan lehet „visszatérni” a redukált forma paramétereiből a strukturális forma együtthatóira. A kérdés megválaszolása nem egyszerű, sőt azt is el kell mondanunk, hogy nem is minden esetben megoldható a feladat.
Gondoljunk az alábbi egyenletrendszerre (a jelölések a korábbiak)
1 1
Különösebb bizonyítás nélkül látható, hogy a modell egy változatában (amikor az árak magyarázzák a tranzakciós mennyiséget) a paraméterek megbecsülhetők, de az árak és a kereslet közötti, vagy az árak és a kínálat közötti összefüggés feltérképezésére nincs módunk.
Az előbbiekben vázolt problémát identifikációs problémának nevezzük. Többegyenletes modellje-ink az identifikálhatóság szempontjából három kategóriába oszthatók:
alulidentifikált modellek: a strukturális forma paraméterei nem fejezhetők ki egyértelműen a redukált forma együtthatói segítségével;
pontosan (egzaktul) identifikált modellek: egyetlen megoldás található a redukált és a struktu-rális formában szereplő paraméterek közötti áttérésre;
felülidentifikált (túlidentifikált) modellek, amelyekben akár egynél több strukturális formára vonatkozó paraméter-sorozat is elképzelhető a redukált forma alapján.
Az identifikálhatóság vizsgálatának kulcskérdése, hogy hogyan lehet eldönteni, az adott modell me-lyik kategóriába tartozik. A szakirodalom két megoldást ismer a probléma megválaszolására:
1. az ún. rendfeltétel, amely az identifikáltság szükséges, ám nem elégséges feltétele; valamint 2. az ún. rangfeltétel, amely szükséges és elégséges feltételt szolgáltat.
A rendfeltétel viszonylag egyszerűen alkalmazható: legyen a többegyenletes modellben szereplő endogén változók száma g, az éppen vizsgált egyenletben nem szereplő összes (endogén és exo-gén) változó száma pedig k. A modell adott egyenlete
alulidentifikált, ha k g 1;
pontosan (egzaktul) identifikált, ha k g 1;
felülidentifikált (túlidentifikált), ha k g 1.
93 A feltételt a (3.47) modellre alkalmazva láthatjuk, hogy
ha xtD és xtS mindkét egyenletben szereplő azonos exogén változót jelez, akkor a modell
ahol zt1az átigazolási periódus elején lejárt szerződéssel rendelkező játékosok száma. A modellben mindkét egyenletre vonatkozóan k0 ésg 2, tehátk g 1, azaz
ahol – a már ismert változók mellett – a keresleti egyenletben szerepel y , az adott idő-t szakban megszerzett szponzori támogatás. Látható, hogy mindkét egyenletre vonatkozóan
1
k és g 2, tehát k g 1, azaz teljesül a pontosan identifikáltság szükséges feltétele,
ha mind a keresletet, mind a kínálatot több különböző exogén tényezőváltozóval akarjuk magyarázni, akkor a modell akár túlidentifikált is lehet (erre nem mutatunk példát, de az előbbiek alapján az állítás meglehetősen kézenfekvő).
A rangfeltétel alkalmazásának bemutatása meghaladja könyvünk kereteit, részletes leírása megtalál-ható pl. Maddala (2004) 9.4 fejezetében.
3.6.3 Exogenitás és Hausman-teszt
Az előző pontban láthattuk, hogy a modell változóinak vizsgálata során rendkívül hangsúlyos kér-dés, hogy egy változó exogénnek tekinthető-e, vagy sem. Az ökonometriai modellezésben az exoge-nitásnak két formáját különböztetjük meg:
predeterminált változó, amely tehát független a modell mai, illetve jövőbeli hibáitól,
szigorúan exogén változó, amely a modell valamennyi (múltbeli, jelenbeli és jövőbeli) hiba-tényezőjétől is független.
Ezek után nyilvánvalóan felmerül a kérdés, hogyan lehet tesztelni azt, hogy a modell egy adott változója exogén-e. A kérdés megválaszolása érdekében leggyakrabban alkalmazott eljárás, az ún.
Hausman-teszt.45 A próba lényege, hogy
45 A próbát előszeretettel alkalmazzák más kérdésfelvetésre (specifikációs hibák, panelmodellek specifikálása) is, ezek-kel azonban könyvünkben nem foglalkozunk.
94
az első lépésben megbecsüljük az eredményváltozók értékeit a redukált forma alapján, majd
a második lépésben elvégezzük a strukturális forma egyenletenkénti paraméterbecslését LNM-mel úgy, hogy az egyenletekben szerepeltetjük magyarázó változóként az előbbiek-ben becsült eredményváltozó értékeket is.
Abban az esetben, ha a már bemutatott felesleges változók kiszűrését szolgáló próba a becsült eredményváltozó(ka)t feleslegesnek tartja, akkor ezek endogének, különben exogének.
Az eljárás megértését nagyban könnyíti, ha áttekintjük a korábbi példánkat (lásd (3.48) modell) és megvizsgáljuk, hogyan zajlik annak tesztelése, vajon az átlagbér exogénnek tekinthető-e. Az első lépésben LNM-mel megbecsüljük a
2 2 2 2
R R S R D R
t t t t
w a b x c x e
modell paramétereit, majd a wˆt aˆ2R b xˆ2R tS c xˆ2R tD helyettesítést alkalmazva, ismét a legkisebb négyzetek módszerével becsüljük a
1 1 1 D ˆ D
t t t t t
q a b w c x w e
modellt. Amennyiben a 0 nullhipotézis nem vethető el, úgy a w változó nem tekinthető exo-t génnek.
A Hausman-próba végrehajtása kissé nehézkes, ráadásul az exogenitás (pontosabban ennek hiánya) gyakran próba nélkül is könnyen eldönthető, ezért a tesztet csak nagyméretű, bonyolult modellek-ben szokás használni.
3.6.4 Paraméterbecslés szimultán egyenletrendszerben
A több egyenletből álló szimultán ökonometriai modellek strukturális formájának paraméterbecs-lése a közönséges legkisebb négyzetek módszerével nem, illetve torzításmentesen nem oldható meg. Számos módszert dolgoztak ki ezen összetett modellek paraméterbecslésére, ezek közül
az indirekt legkisebb négyzetek,
az instrumentális változók és
a kétfokozatú legkisebb négyzetek módszerét tekintjük át röviden.
Az indirekt legkisebb négyzetek módszere (indirect least squares, ILNM) azokban az esetekben haszná-latos, amikor a szimultán modell valamennyi egyenlete pontosan (egzaktul) identifikált. Ilyen ese-tekben ugyanis a redukált forma paraméterbecslése LNM-mel elvégezhető, majd az így becsült pa-raméterekből egyértelműen kifejezhetők az eredeti (strukturális formájú) modell együtthatói. Az ILNM nem túl széles körben alkalmazott módszer, mivel
95 1. a strukturális forma paramétereinek kifejezése a redukált formából meglehetősen nehézkes,
gyakran van szükség nagy mátrixok invertálására;
2. a legtöbb szimultán egyenletrendszer felülidentifikált, ilyenkor az ILNM-mel nem csak egy megoldás nyerhető, az ezek közötti választás kevéssé egzakt.
Mindazonáltal az indirekt legkisebb négyzetek módszere konzisztens, ami kifejezetten jó tulajdon-ság.
A szimultán modellek esetén paraméterbecslési módszerként gyakran használt második eljárás az instrumentális változók módszere (instrumental variables, IV), ami azt a problémát hivatott kiküsz-öbölni, hogy az endogén változók nem függetlenek a véletlen változóktól, így a magyarázó pozíci-óban való szerepeltetésük sérti az LNM feltételrendszerét. Az előbbi nehézség azzal is orvosolható lenne, ha egyszerűen elhagynánk azokat az endogén változókat, amelyek korrelálnak a véletlen vál-tozókkal, ám ezzel drasztikusan beleavatkoznánk a modellspecifikációba.
Ennek elkerülése érdekében megoldásként inkább az adódik, ha olyan változókat keresünk, ame-lyek erősen (szorosan) korrelálnak az endogén változóval, de feltételezhetően függetlenek a hibaté-nyezőtől. Az ilyen változókat instrumentumoknak nevezzük (innen a módszer elnevezése) és a becslést két lépcsőben végezzük el:
1. először az instrumentumok segítségével LNM becslést készítünk az endogén változók ér-tékeire, majd
2. az előbbi becsült értékeket helyettesítjük a strukturális forma magyarázó változói közé, és ezek felhasználásával LNM becslést adunk a modell paramétereire.
Az összetett modellek esetében talán leggyakrabban alkalmazott paraméterbecslési eljárás a kétfoko-zatú legkisebb négyzetek módszere (two-stage least squares, 2LNM), ami tulajdonképpen az IV-módszer optimalizálása azáltal, hogy instrumentumként az adott modell exogén változóit használjuk.
Nem túl meglepő módon a paraméterbecslés két lépcsőben zajlik:
1. elvégezzük a paraméterbecslést a redukált forma alapján LNM-mel és megbecsüljük az en-dogén változók értékét, majd
2. megbecsüljük a strukturális forma paramétereit ismét LNM-mel úgy, hogy a magyarázó pozícióban levő endogén változók esetében a tényértékeket az első lépésben becsült érté-kekkel helyettesítjük.
A 2LNM eljárás alkalmazásának egyik komoly hátráltatója, hogy a becsült értékek behelyettesítésé-vel nyert modell esetén nagyon gyakran nem teljesülnek az LNM alkalmazhatósági feltételei (lásd 3-4. táblázat), így a végső eredményként nyert becslőfüggvény nem mindig konzisztens. Ezen prob-léma (elsősorban a gyakran fellépő autokorreláció) kiküszöbölésére az ökonometriai programcso-magok beépített (automatikus) korrekciókat tartalmaznak és így pl. a parciális t-próbák ilyenkor is hatásosak maradnak.
A szakirodalomban további módszerek is ismeretesek a szimultán modellek becslésére (háromfo-kozatú legkisebb négyzetek módszere; teljes, vagy korlátozott információn alapuló maximum like-lihood módszer). Az érdeklődők megtalálják ezek leírását Greene (2008) könyvében.
96 A szimultán ökonometriai modellekről leírtakat szemléltessük egy példával! Korábban bemu-tattuk, hogy a sportszergyártó cégek árbevétele a K+F ráfordításoktól, a létszámtól és a bér-költségtől függ. Most egészítsük ki a modellt egy másik egyenlettel, melyben feltételezzük, hogy a K+F ráfordítások nagysága az árbevételtől és az elmúlt éves beruházásoktól függ. Modellünk tehát az értelemszerű jelölésekkel:
1 1 1 2 1
Elsőként vizsgáljuk meg a modell egyenleteinek identifikáltságát! Az endogén változók száma kettő (g 2), az első egyenletben nem szereplő változók száma egy (k11), a második egyen-letben nem szereplő változók száma kettő (k22). Így az első egyenlet pontosan identifikált (k1 g 1), a második egyenlet túlidentifikált (k2 g 1). A modell paraméterbecslésére az ILS nem használható, ezért a 2SLS módszert alkalmazzuk.
A paraméterbecslés eredménye:
Az egyes egyenletek magyarázó ereje rendkívül magas (közel 100%), a paraméterek szignifi-kanciája változó, ugyanakkor a szignifikáns becsült paraméterek előjele a várakozásoknak meg-felelő. Modellünk szerint a K+F kiadások növekedése drasztikusan növeli az árbevételt; a sportszergyártó cégek termelékenysége magas, hiszen minden egység bér két egység árbevétel-növekedést idéz elő, ceteris paribus. Meglepő, de tanulságos, hogy a tavalyi beruházások szinte teljes egészében kutatási-fejlesztési tevékenységként kerülnek idén elszámolásra.
Láthattuk, hogy az általános többegyenletes ökonometriai modellek napjainkban is alkalmazhatók, ugyanakkor a növekvő adatállományok, az egyre heterogénebb minták óvatosságra intik a felhasz-nálót. A szimultán modellek becslései sokszor viszonylag nehezen értelmezhető eredményeket ad-nak. Éppen ezért célszerű megismerkednünk azokkal a modellekkel is, melyek ezen tulajdonságokra reflektálva jöttek létre.
Equation system, Two-Stage Least Squares
Equation 1: TSLS, using observations 2001:01-2015:12 (T = 180) Dependent variable: ARBEVETEL
Instruments: const LETSZ BERKTG BERUH
coefficient std. error t-ratio p-value Equation 2: TSLS, using observations 2001:01-2015:12 (T = 180) Dependent variable: KF
Instruments: const LETSZ BERKTG BERUH
coefficient std. error t-ratio p-value
97
4 Sztochasztikus idősor-modellezés
Könyvünk előző fejezetében túlnyomórészt (mindössze a dinamikus specifikáció volt ez alól kivé-tel) keresztmetszeti adatállományok regressziós modelljeivel foglalkoztunk. Ebben a fejezetben a sztochasztikus idősor-elemzés eszközrendszerével ismerkedünk meg.
A sztochasztikus idősori modellek mintegy 50 éve jelentek meg a gazdaságmodellezésbe (Box-Jen-kins, 1970) és alapvetően két területen bővítik elemzési lehetőségeinket:
módot adnak arra, hogy egy időben lezajló eseményt önmagában vizsgáljunk, a mintaidő-szakon kívüli értékeire előrejelzést adjunk,
segítségükkel képesek vagyunk feltárni a jelenségek közötti együttmozgást, esetlegesen ki-mutathatunk közös trendet vagy ok-okozati összefüggést.
A 2.3 alfejezetben már vizsgáltuk az idősorokban meglevő tartós tendenciát – vagyis a trendet – ám az ott tárgyalt modellekben feltételeztük, hogy az idősor változását az idő múlása idézi elő (ezt neveztük determinisztikus elemzési szemléletnek). A következőkben tárgyalt modellek a vizsgált jelenség(ek) időbeli alakulásában döntő szerepet tulajdonítanak a véletlennek.
4.1 Stacionaritás, fehér zaj, véletlen bolyongás
A sztochasztikus idősori modellezés kiemelt fogalma a stacionaritás. Egy sztochasztikus folyamatot (adatgeneráló folyamatot) szigorúan stacionáriusnak vagy stacionernek nevezünk, ha bármely
1, 2, , T
y y y megfigyelés-sorozat együttes eloszlása megegyezik az y1s, y2s, , yT s megfigye-lés-sorozat együttes eloszlásával, bármely T és s esetén. A stacionaritás jelentőségét az adja, hogy amennyiben fennáll, úgy az empirikus idősor az elméleti sztochasztikus folyamat homogén mintá-jának tekinthető, így teljes hosszában alkalmazható a modell becslésére.
Az együttes eloszlások meghatározása meglehetősen körülményes eljárás, így a gyakorlatban általá-ban megelégszünk a megfigyelés-sorozat első két momentumának vizsgálatával. Az általánosan használt, ún. gyenge értelemben vett stacionaritás definíciója szerint az idősor (kovariancia) stacioner, ha érvényes rá az alábbi három összefüggés:
Mindez szavakkal kifejezve annyit jelent, hogy egy folyamat stacionárius, ha várható értéke és vari-anciája véges és időben állandó, valamint autokorreláció-struktúrája stabil. Az előbbi, formalizált definíció értelmében az autokorreláció-struktúra stabil, ha az autokorrelációs együtthatók nagysága csak a két vizsgált idősor távolságától függ, helyétől nem.
98 A különböző rendben képzett autokorrelációs együtthatókat ábrázolva kapjuk az autokorrelációs függ-vényt (ACF) vagy, ahogy szintén gyakran nevezzük a korrelogramot.
A modellezés szempontjából talán legjelentősebb stacionárius folyamat a fehér zaj folyamat (white noise process). Definíciója szerint, t nulla átlagú fehér zaj (zero mean white noise process),
vagyis praktikusan ha az autokorrelációs együttható értékei minden tényleges késleltetés esetén 0-k. Éppen ezért szokták a fehér zaj folyamatokat korrelálatlan folyamatoknak nevezni. Talán érdemes megemlíteni, hogy a fehér zaj elnevezés a fizikából származik és a fehér fényre utal, aminek a telje-sítmény-eloszlása éppen úgy egyenletes, mint a fent definiált folyamatnak. Praktikusan, éppen úgy nem okoz tendenciózus változást a hullámzásban, mint az általunk vizsgált folyamat a modelle-zendő idősorban.
Belátható, hogy abban az esetben, ha y standard normális eloszlást követ, a tapasztalati idősor t alapján becsült autokorrelációs együtthatók (ˆs) is közelítőleg normális eloszlást követnek, 0 vár-ható értékkel és 1 T varianciával. Ezt kihasználva módunk van annak tesztelésére, hogy az au-tokorrelációs együtthatók 0-tól különböznek-e (ez ugyanis fontos annak megállapításához, hogy egy folyamat fehér zajnak tekinthető-e!). Egyes konkrét (pl. elsőrendű, vagy másodrendű) autokor-relációs együtthatók esetén a próba a szokásos módon lebonyolítható: a becsült együtthatóból ki kell vonni várható értékét, és a különbséget el kell osztani a szórásával, esetünkben
ˆ 0
1
s
T
ami egyszerű átalakítással adja a tesztstatisztikát, hiszen ˆs T
standard normális eloszlást követ, és felhasználható próbafüggvényként.
Az autokorreláció struktúrájának elemzése igen gyakran igényli az autokorrelációs együtthatók együttes zérus voltának tesztelését, melyre Box-Pierce (1970) javasolt először megoldást. Képez-hető ugyanis a
99
próbafüggvény, ami a nullhipotézis (korrelálatlanság) esetén m (a figyelembe vett maximális kés-leltetés szám) szabadságfokú 2-eloszlást követ. Mivel az eredeti Q-próba viszonylag rossz kismin-tás tulajdonságokkal rendelkezik, ezért számos módosíkismin-tását is kidolgozták. A legszélesebb körben alkalmazott próba az ún. Ljung-Box próba (Ljung-Box, 1976), amelyben
2a nullhipotézis alatt szintén m szabadságfokú 2-eloszlást követ. Ezt a tesztet a lineáris korrelálat-lanság általános próbájának is nevezzük. Érdemes megjegyezni, hogy az ilyen elven (autokorrelációs együttható-négyzetek kumulálása) képzett, de esetenként másként parametrizált próbákat nevezi az irodalom portmenteau-próbáknak.
Az autokorrelációs függvény analógiájára felírható a parciális autokorrelációs együtthatók függvénye (PACF). A parciális autokorrelációs együttható (a továbbiakban ss) megmutatja, hogy milyen szoros a kapcsolat az y és az t yt s változók között, kiszűrve valamennyi „köztes” késleltetett változó, vagyis yt j ( j 1, 2,...,s1) hatását. Könnyen belátható, hogy az elsőrendű autokorrelá-ciós és parciális autokorreláautokorrelá-ciós együttható egyenlő (hiszen nincs kiszűrendő hatás), vagyis 1 11 . Másodrendű késleltetés esetén
2 az yt2 közötti kapcsolatot. A PACF is ábrázolható, ezt a grafikont parciális korrelogramnak nevez-zük.
Tekintsünk minderre egy példát! Az alábbi ábrán a frankfurti tőzsdén jegyzett Adidas részvény korábbi záróárfolyamainak időbeli alakulását láthatjuk (a vizsgált idősor 2015 októbere és 2016 szeptembere közötti, napi bontású adatokat tartalmaz, összesen 253 megfigyelést):
100 Képezzük a pénzügyi ökonometriában (Rappai, 2013) szokásos módon az árfolyam-hozamot!
(Itt és a következőkben alkalmazzuk a megszokott jelöléseket: P (price) az árfolyamot, r (return) a hozamot jelenti!)
1
1 1
t t t log
t t
t t
P P P
r P
P P
A (relatív) hozamok idősora már egészen más képet mutat:
Számítsuk ki erre, a viszonylag véletlenszerűen alakuló idősorra vonatkozó autokorrelációs és parciális együtthatókat, illetve rajzoljuk fel a korrelogramokat!
70 80 90 100 110 120 130 140 150 160
15-11-01 16-01-01 16-03-01 16-05-01 16-07-01 16-09-01
Adidas (€)
-8 -6 -4 -2 0 2 4 6
15-11-01 16-01-01 16-03-01 16-05-01 16-07-01 16-09-01
Adidas_hozam (%)
101 Az első 10 autokorrelációs együttható, illetve az ezekre vonatkozó portmanteau-statisztikák:
s ˆs ˆss Q p-érték
A Q statisztika kiszámítása pl. maximum negyedrendű késleltetés figyelembevételével (ügyel-jünk rá, hogy a hozam-idősor egy megfigyeléssel rövidül, azaz csak 252 megfigyelést tartal-maz!):
Láthatjuk, hogy – annak ellenére, hogy az autokorrelációs, illetve parciális autokorrelációs együtthatók a kritikus érték alatt, illetve annak közelében vannak – az idősor nem tekinthető korrelálatlannak, nem tekinthető véletlennek (fehér zajnak), tehát elemzéséhez további model-lek ismerete szükséges.
Nyilvánvaló, hogy a sztochasztikus idősor-modellezés kezdeti lépése annak eldöntése, hogy a mo-dellezendő idősor stacionárius-e. Mielőtt bemutatnánk az erre vonatkozó leggyakrabban alkalma-zott próbákat és modelleket, vizsgáljunk meg két tipikus nemstacionárius folyamatot, a
-0,2
102
trend-stacionárius folyamatot, illetve a
véletlen bolyongást (random walk).
A trend-stacionárius folyamat a determinisztikus lineáris trend körüli véletlen ingadozást mutatja. Álta-lános képlete közismert:
t t
y t (4.3)
ahol t az idő múlását szemléltető trendváltozó, t az előbbiekben definiált fehér zaj.
Könnyen belátható, hogy amennyiben 0, akkor a (4.3) képlettel reprezentált idősor várható értéke időben nem állandó, vagyis a folyamat nem stacioner. Ezt a jelenséget determinisztikus nemsta-cionaritásnak nevezzük.
A másik, kitüntetett figyelmet érdemlő folyamat, a véletlen bolyongás46, melynek alapegyenlete
1
t t t
y y (4.4)
vagyis az idősor jelenlegi értéke egy konstanssal, valamint egy sztochasztikus taggal (fehér zajjal) tér el az eggyel korábbi értéktől.
Az (4.4) egyenlet még általánosabban is felírható, az alábbi módon
1
t t t
y y (4.5)
Az (4.5) egyenlet – könnyen beláthatóan – megengedi a stacionárius esetet ( 1), az egységgyök meglétét ( 1) – ami a tulajdonképpeni véletlen bolyongás – és az exploratív (szétrobbanó) esetet ( 1). Vizsgáljuk meg az említett három esetet!
Írjuk fel néhány késleltetett értékre is a (4.5) modellt:
1 2 1 Egymásba helyettesítve a késleltetett értékeket:
Elvégezve a behelyettesítést a teljes vizsgált időhorizonton:
1 2 t
t 0 1 2 2 t 0t t t t
y y
46 A bemutatandó folyamat „hivatalos” neve: véletlen bolyongás eltolással (random walk with drift). Könyvünkben ezt nevezzük véletlen bolyongásnak, mivel ez az általános eset. Nyilvánvalóan képezhető lenne konstans tag nélküli (ran-dom walk without drift) modell is.
103 Belátható, hogy
amennyiben 1, akkor az idősor stacionárius;
ha 1, akkor j 1 valamennyi j-re, vagyis a folyamat
azaz a véletlen sokkok „soha nem halnak el”: ez az ún. egységgyök esete;
amennyiben 1, akkor 2 3 ..., a folyamat értéke a végtelenbe tart, a véletlen hatások multiplikálódnak: ez a szétrobbanó eset, ám ezzel nehezen tudjuk plauzibilisen le-írni az idősorok alakulását.
Fontos észrevétel tehát a véletlen bolyongásról, hogy amennyiben (4.4) esetben is elvégezzük az előbbi, triviális behelyettesítéseket, akkor az alábbi összefüggéshez jutunk
1 2 1 0 1 1
amit sztochasztikus trendnek is szoktunk nevezni, hiszen nagyban emlékeztet a trend-stacionárius fo-lyamatra (ennek felismeréséhez alkalmazzuk a y0, helyettesítést!). Ugyanakkor fontos ész-revennünk azt az eltérést, hogy a véletlen bolyongás során az idősor aktuális értékét nem csupán az adott időpillanatra érvényes véletlen befolyásolja, hanem az összes korábbi sokk összege.
A trend-stacioner folyamat és véletlen bolyongás – illetve a kettő kombinációja – lehetővé teszi a stacionáriusságra vonatkozó hipotézisek tesztelését.
Annak érdekében, hogy el tudjuk dönteni, a modellezés során stacioner változóval (változókkal) állunk-e szemben, nyilvánvalóan először tesztelnünk kell az erre vonatkozó, alkalmasan választott hipotézisrendszert.47
Láthattuk, hogy a véletlen bolyongás folyamatának kitüntetett szerepe van az ökonometriában, így nem meglepő, hogy a változók vizsgálata során elsőként azt kívánjuk eldönteni, hogy egy adott idősor random walk folyamatból származik-e. A korábbiak alapján ez viszonylag egyszerűnek látszik, hiszen a (4.5) modellre paraméterbecslést kell végeznünk, és a regresszió alapján le kell tesztelnünk a
hipotézisrendszert, és azonnal választ kapunk a kérdésre. Ugyanakkor a nemstacionárius változók között felírt regressziós modellek számos kényelmetlen tulajdonsággal bírnak, ezért a szokásos pró-bák gyengék, nem használhatók. Vagyis, amennyiben a nullhipotézis teljesül (a regresszióban sze-replő változók nemstacionerek), akkor előállhat a nehézség.
hipotézisrendszert, és azonnal választ kapunk a kérdésre. Ugyanakkor a nemstacionárius változók között felírt regressziós modellek számos kényelmetlen tulajdonsággal bírnak, ezért a szokásos pró-bák gyengék, nem használhatók. Vagyis, amennyiben a nullhipotézis teljesül (a regresszióban sze-replő változók nemstacionerek), akkor előállhat a nehézség.