ÖKONOMETRIA
ÖKONOMETRIA
Készült a TÁMOP-4.1.2-08/2/A/KMR-2009-0041pályázati projekt keretében Tartalomfejlesztés az ELTE TátK Közgazdaságtudományi Tanszékén
az ELTE Közgazdaságtudományi Tanszék, az MTA Közgazdaságtudományi Intézet,
és a Balassi Kiadó közreműködésével.
ÖKONOMETRIA
Készítette: Elek Péter, Bíró Anikó Szakmai felelős: Elek Péter
2010. június
ELTE TáTK Közgazdaságtudományi Tanszék
ÖKONOMETRIA
12. hét
Regresszió idősorokban 1.
Elek Péter, Bíró Anikó
Tartalom
Regresszió stacionárius idősorokban Hibatagok autokorreláltságának
következményei
Autokorreláltság tesztelése Autokorreláltság kezelése Tankönyv: M 6.1–6.5., 6.8.
Ismétlés: keresztmetszeti regresszió sztochasztikus magyarázó változókkal
Idősoroknál a fix magyarázó változók nem igazán értelmesek Sztochasztikus változós modell: yi = β0 + β1xi1 + β2xi2 + … βkxik + ui Ebben az OLS becslés torzítatlanságának feltételei
(yi,xi1,xi2,…,xik) (i = 1,…,n) véletlen minta a modellből E(u|x1,x2,…,xk) = 0
nincs tökéletes kollinearitás
Továbbá a homoszkedaszticitást is feltételezve, a következők is igazak
a szokásos variancia-képlet helyes, és az OLS-becslés aszimptotikusan normális
az OLS-becslés BLUE.
Ezeken kívül a hibatag normalitását is feltételezve, a kismintás próbák (t-teszt, F-teszt) is érvényesek
Regresszió stacionárius idősorokkal
yt = β0 + β1xt1 + β2xt2 +… βkxtk + ut
Ha xti (i = 1,…,k) és yt is stacionárius, akkor az OLS konzisztenciájának elegendő feltételei
E(ut|xt1,xt2,…,xtk) = 0 és
nincs tökéletes kollinearitás
További feltételek kellenek a szokásos próbák aszimptotikus érvényességéhez (a variancia-képletek jóságához stb.)
homoszkedaszticitás és
hibatagok autokorrelálatlansága E(utus|xt1,…,xtk,xs1,…,xsk) = 0 (t s)
Regresszió stacionárius idősorokkal (folyt.)
Trendstacionárius esetben ugyanezek igazak, de a trendet regresszorként szerepeltetni kell!
Egyes xti-k lehetnek az yt késleltetettjei (de az exogenitási feltételnek teljesülnie kell!)
Pl. stacionárius AR(1)-modell: k = 1, xt1 = yt–1
paraméter OLS-becslése konzisztens,
aszimptotikusan normális (de nem torzítatlan!)
A hibatagok autokorrelációja stacionárius regresszióban
Ha a hibatagok autokorreláltak egy stacionárius regresszióban, akkor
az OLS-becslés továbbra is konzisztens, de már nem BLUE,
és a variancia-képlet és így a szokásos tesztek sem érvényesek!
Variancia-torzítás mértéke: M 285–286. old.
Hibatagok autokorrelációjának tesztelése
Durbin-Watson-teszt Breusch-Godfrey-teszt
az eltérésváltozó fehér zaj az eltérésváltozó autokorrelált
-4 -2 0 2 4
10 20 30 40 50 60 70 80 90 00 -4
-2 0 2 4
10 20 30 40 50 60 70 80 90 00
Durbin–Watson-teszt
Az OLS regresszió reziduumait vizsgálja
12 2 1 1 1
2 2 2 2 2
2 2 2
1 1 1
ˆ ˆ ˆ 2 ˆ ˆ ˆ ˆ ˆ
2 2
ˆ ˆ ˆ
n n n n n
t t t t t t t t
t t t t t
n n n
t t t
t t t
u u u u u u u u
u u u
d
Az elsőrendű autokorreláció becslőfüggvénye: 2 1
2 1
ˆ ˆ ˆ
ˆ
n
t t t
n t t
u u u
2 1 ˆ d
0 d 4 ( –1 1)
d = 2 = 0 (feher zaj)
0 < d < 2 > 0 (pozitív autokorreláció) 2 < d < 4 < 0 (negatív autokorreláció)
DW-teszt, folyt.
H0: = 0, H1: > 0 (egyoldalú próba!)
A tesztnek két kritikus értéke van, mert a tesztstatisztika eloszlása függ a magyarázó változóktól: dL (alsó érték), dU (felső érték)
Döntési szabály:
Elfogadjuk H0 – t, ha d > dU Elvetjük H0 – t, ha d < dL
Nem tudunk mit tenni ha dL < d < dU (semleges zóna, szürke tartomány)
Negatív autokorreláció tesztje:
d helyett 4 – d használata, egyébként minden ugyanaz Elfogadjuk H0 – t, ha 4 – d > dU
Elvetjük H0 – t, ha 4 – d < dL
Nem tudunk mit tenni ha dL < 4-d < dU (semleges zóna, szürke tartomány)
DW-teszt korlátai
Csak AR(1) maradéktagok esetén használható
Teszt bizonyos esetekben (dL<d<dU) nem konkluzív
Késleltetett függő változós modellekben (bizonyos esetekben) nem használható (ld. még később)
Breusch-Godfrey-teszt
AR(p) modell a hibatagokra
ut = 1ut-1 + 2ut-2 + … + qut-p + et
H0: 1 = 2 =…= p = 0
becsült hibatag regresszálása a magyarázó változókon és p db. késleltetett hibatagokon H0 esetén, aszimptotikusan nR2 ~ p2
Autokorreláció kezelése
OLS-becslés standard hibáját korrigáló eljárás: Newey-West
Mint ahogy a White-féle eljárás korrigálta az OLS hibáját heteroszkedaszticitás esetén
Generalised Least Squares (GLS) típusú becslések, pl. Cochrane-Orcutt eljárás
Cochrane-Orcutt-eljárás
Modell
yt = β0 + β1x1t + β1x2t + β1xkt + ut ut = ut–1 + et , et ~ IN
Kvázi differenciálás
(yt – yt-1) = (1 – )β0 + β1(x1t – x1,t–1) + … + βk(xkt – xk,t–1) + et yt – yt-1 regresszálása xit – xi,t–1 változókon
Eljárás
egyszerű OLS-becslés, majd megbecsülése a hibatagokból OLS-becslés a kvázi-differenciált idősorokra
esetleg iteráció (aszimptotikusan nem javít a hatásosságon)
Mivel becsült, 0 közeli esetén nem feltétlenül jobb az OLS-nél
Példa: statikus Phillips-görbe becslése (USA) becslés egyszerű OLS-sel
Autokorreláció jelentős
Példa (folyt.): korrekció az autokorrelációval
Magas autokorreláció, lényegében a differenciákra írjuk fel a regressziót! Ebben a becslésben jobban hihetünk.
Osztott késleltetésű modellek
Modell: yt = α + β0xt + β1xt–1 + … + βkxt–k + ut
β0: x egységnyi sokkjának azonnali hatása y-ra β0, β1, β2,…: késleltetések eloszlása
(lag distribution)
β0 + β1…+ βk: x egységnyi permanens sokkjának hatása y-ra (hosszú távú multiplikátor – long run multiplier)
Vannak végtelen késleltetést tartalmazó modellek is, pl. a geometriai késleltetés (geometriailag
lecsengő β – k)
Gyakorlat
Regresszió idősorokban 1.
AR(2)-folyamat:
Stacionaritása, szükséges feltétel a stacionaritáshoz Yule-Walker egyenlet megoldása
ARMA(1,1)-folyamat autokorrelációi
ARMA- és ARIMA-folyamatok szimulációja Differencia- és trendstacionárius folyamatok összehasonlítása és szimulációja
Box-Jenkins-modellezés, előrejelzés a ARIMA- modellből
Példa: (szezonálisan igazított) ipari termelési idősorok modellezése