- •Оглавление
- •Введение
- •Глава 1. Особенности регрессионного анализа для стохастических объясняющих переменных
- •Глава 2. Стационарные ряды. Модели ARMA
- •2.1. Общие понятия.
- •2.2. Процесс белого шума
- •2.3. Процесс авторегрессии
- •2.4. Процесс скользящего среднего
- •2.6. Модели ARMA, учитывающие наличие сезонности
- •Глава 3. Подбор стационарной модели ARMA для ряда наблюдений
- •3.1. Идентификация стационарной модели ARMA
- •3.2. Оценивание коэффициентов модели
- •3.3. Диагностика оцененной модели
- •Глава 4. Регрессионный анализ для стационарных объясняющих переменных
- •4.1. Асимптотическая обоснованность стандартных процедур
- •4.2. Динамические модели
- •4.3. Векторная авторегрессия
- •4.4. Некоторые частные случаи динамических моделей
- •Глава 5. Нестационарные временные ряды
- •5.1. Нестационарные ARMA модели
- •5.2. Проблема определения принадлежности временного ряда классу TS рядов или классу DS рядов
- •5.3. Различение TS и DS рядов в классе моделей ARMA. Гипотеза единичного корня.
- •Глава 6. Процедуры для различения TS и DS рядов
- •6.1. Предварительные замечания
- •6.2. Критерии Дики – Фуллера
- •6.3. Расширенные критерии Дики - Фуллера
- •6.4. Краткий обзор критериев Дики – Фуллера
- •6.5. Некоторые другие сочетания DGP и SM
- •6.6. Ряды с квадратичным трендом.
- •6.7. Многовариантная процедура проверки гипотезы единичного корня
- •6.8. Обзор некоторых других процедур
- •6.8.1. Критерий Филлипса – Перрона
- •6.8.2. Критерий Лейбурна
- •6.8.3. Критерий Шмидта – Филлипса.
- •6.8.4. Критерий DF-GLS
- •6.8.5. Критерий Квятковского – Филлипса – Шмидта – Шина (KPSS)
- •6.8.6. Процедура Кохрейна (отношение дисперсий)
- •6.9. Некоторые проблемы, возникающие при различении TS и DS гипотез
- •6.9.1. Коррекция сезонности
- •6.9.2. Протяженность ряда и мощность критерия
- •6.9.3. Проблема согласованности статистических выводов при различении TS и DS гипотез
- •6.9.4. Наличие нескольких единичных корней
- •6.10. Критерий Перрона и его обобщение
- •6.10.1. Критерий Перрона
- •6.10.2. Обобщенная процедура Перрона
- •Глава 7. Регрессионный анализ для нестационарных объясняющих переменных
- •7.1. Проблема ложной регрессии
- •7.2. Коинтегрированные временные ряды. Модели коррекции ошибок
- •7.4. Оценивание коинтегрированных систем временных рядов
- •Глава 8. Процедура Йохансена
- •8.1. Оценивание ранга коинтеграции
- •8.2. Оценивание модели коррекции ошибок
- •Заключение
- •Список литературы
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
27 |
|
5.3. Различение TS и DS рядов в классе моделей ARMA. Гипотеза единичного корня.
Как уже отмечалось выше, для решения вопроса об отнесении исследуемого ряда Xt к классу TS (стационарных или стационарных относительно тренда) или DS (разностно стационарных) процессов имеется целый ряд различных процедур. Однако все эти процедуры страдают теми или иными недостатками. Процедуры, оформленные в виде формальных статистических критериев, как правило, имеют достаточно низкую мощность, что ведет к весьма частому неотвержению исходной (нулевой гипотезы), когда она в действительности не выполняется. В то же время невыполнение теоретических предпосылок, на которых основывается критерий, при применении его к реальным данным приводит к отличию реально наблюдаемого размера критерия от заявленного уровня значимости. Вследствие последнего обстоятельства теряется контроль над вероятностью ошибки первого рода, и это может приводить к слишком частому отвержению нулевой гипотезы, когда она в действительности верна. В связи с таким положением вещей исследователи обычно используют при анализе рядов на принадлежность их к классу TS или DS не один, а несколько критериев и подкрепляют выводы, полученные с использованием формальных критериев (с установленными уровнями значимости) графическими процедурами. Мы также будем пользоваться в нашем исследовании несколькими процедурами различения TS и DS рядов и в этом разделе кратко опишем эти процедуры. Более подробное их описание можно найти в цитируемой ниже литературе.
В большинстве критериев, предложенных для различения DS и TS гипотез, эта задача решается в классе моделей ARMA (стационарных и нестационарных).
Если ряд Xt имеет тип ARIMA(p, k, q), то в результате его k-кратного дифференцирования мы получаем ряд стационарный ряд ∆kXt типа ARMA(p, q), скажем,
a*(L) ∆kXt = b(L) εt ,
где a*(L) и b(L) – полиномы от оператора обратного сдвига L , имеющие степени p и q, соответственно. Заметим, что ∆Xt = (1 – L) Xt , так что
∆kXt = (1 – L)kXt ,
и
a*(L) (1 – L)k Xt = b(L) εt ,
или
a(L) Xt = b(L) εt ,
где a(L) = a*(L) (1 – L)k – полином степени (p + k). Поскольку ряд ∆kXt стационарный, все p корней полинома a*(z) находятся за пределами единичного круга,
так что полином a(z) имеет p корней за пределами единичного круга и k корней на границе этого круга, точнее, корень z = 1 кратности k .
Таким образом, ряд Xt представляется нестационарной моделью ARMA(p+ k, q), в которой авторегрессионный полином a(L) имеет ровно k корней, равных 1, а все остальные корни по модулю больше 1. Поэтому проверка нулевой гипотезы H0 о том,
www.iet.ru/mipt/2/text/curs_econometrics.htm
Эконометрика. Введение в регрессионный анализ временных рядов. В.П.Носко www.iet.ru |
28 |
|
что некоторый ARMA ряд Xt является DS-рядом (а не стационарным рядом), может быть сведена к проверке гипотезы о том, что авторегрессионный полином a(L) имеет хотя бы один корень, равный 1. Это оправданно, если исходить из предположения, что a(z) не имеет корней внутри единичного круга, т.е. исключить из рассмотрения “взрывные” модели. При этом о гипотезе H0 кратко говорят как о гипотезе единичного корня (UR – unit root hypothesis), хотя точнее было бы говорить о гипотезе авторегрессионного единичного корня. В качестве альтернативной тогда выступает TS гипотеза о том, что рассматриваемый ARMA ряд – стационарный.
Критерии, в которых за исходную (нулевую) гипотезу берется гипотеза TS, служат скорее для подтверждения результатов проверки DS-гипотезы. В этом случае вместо проверки гипотезы единичного корня у полинома a(z) проверяется гипотеза о наличии единичного корня z = 1 у уравнения b*(z) = 0, где b*(L) – полином от оператора обратного сдвига L в представлении в виде процесса скользящего среднего ∆ Xt = b*(z)ε t ряда разностей ∆ Xt = Xt – Xt–1 исходного процесса Xt .
www.iet.ru/mipt/2/text/curs_econometrics.htm