Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Norwegian Business School
11. november 2011
3.A IKKE-STASJONARITET BST 1612 – ANVENDT MAKROØKONOMI MODUL 5
Foreleser: Drago Bergholt
E-post: [email protected]
BST 1612 – Anvendt makroøkonomi 2
- Ikke-stasjonære tidsserier
- Trendstasjonaritet
- Ikke-stasjonaritet
- Test for random walk
- Spuriøse regresjoner
OVERSIKT
BST 1612 – Anvendt makroøkonomi 3
- Mange makroøkonomiske variabler øker over tid. Konsumutgifter:
INNLEDNING
BST 1612 – Anvendt makroøkonomi 4
- Offentlige utgifter:
INNLEDNING
BST 1612 – Anvendt makroøkonomi 5
- Priser:
INNLEDNING
BST 1612 – Anvendt makroøkonomi 6
- Børsindeksen S&P 500:
INNLEDNING
BST 1612 – Anvendt makroøkonomi 7
- Økende verdi på variablene over tid reiser spørsmålet om hvorvidt seriene er
trendstasjonære (fluktuerer rundt en eller annen lineær eller ikke-lineær
trend), eller mer generelt hva slags vekstegenskaper de besitter.
- Svaret på dette spørsmålet har stor betydning for valg metode når vi foretar
dataanalyser!
- Hvis vi antar egenskaper om en tidsserie som ikke er sanne, kan de
statistiske resultatene bli veldig misledende.
INNLEDNING
BST 1612 – Anvendt makroøkonomi 8
- For å illustrere, la oss betrakte følgende autoregressive modell:
der er hvit støy, og er koeffisienter ( ), og er en deterministisk
trend.
- Er denne prosessen stasjonær? Har den et konstant gjennomsnitt over tid?
- La oss simulere prosessen.
- To ord om simulering.
- Eksempelvis setter vi , og variansen til restleddet lik :
der
TRENDSTASJONARITET
BST 1612 – Anvendt makroøkonomi 9
- Resultat av simuleringen (200 trekninger):
- Lite tyder på at prosessen er (nivå-)stasjonær!
- Imidlertid er prosessen trend-stasjonær fordi tidsserien fluktuerer rundt en
deterministisk trend, noe vi straks kommer tilbake til.
TRENDSTASJONARITET
BST 1612 – Anvendt makroøkonomi 10
- For å si noe mer om den langsiktige trenden kan vi transformere AR( )-
modellen til en MA( )-modell.
- Prosedyren er nøyaktig som før, bortsett fra at vi har et lineært (m.a.o.
deterministisk) trendledd å ta hensyn til i tillegg. Ikke la deg skremme av
utregningen, den er først og fremst ment som en frivillig utfordring til de aller
ivrigste:
TRENDSTASJONARITET
BST 1612 – Anvendt makroøkonomi 11
- I utregningen har vi brukt at innebærer at går mot null når går
mot uendelig, og at derfor nærmer seg null når blir høy. Vi har også
brukt formelen for en uendelig geometrisk rekke:
når ( og ).
- Oppsummert er den trend-stasjonære prosessen gitt ved:
- Merk at dette er den samme MA( )-prosessen vi utledet tidligere, bortsett
fra at vi nå har et konstantledd (som er nesten lik null) og en deterministisk,
lineær trend
.
TRENDSTASJONARITET
BST 1612 – Anvendt makroøkonomi 12
- Gitt parametrene vi har satt i simuleringen er den lineære trendveksten gitt
ved
. La oss plotte en lineær trend med som
stigningstall i samme figur som den simulerte prosessen, slik at begrepet
trendstasjonaritet blir klart:
TRENDSTASJONARITET
BST 1612 – Anvendt makroøkonomi 13
- Det sentrale poenget er at effekten av et sjokk i dag dør ut over tid i den
trend-stasjonære modellen, og at prosessen returnerer tilbake til den lineære
vekstbanen.
- Dette ser vi også fra modellen
Summeleddet viser at effekten av et sjokk avtar, der ”minnet”
som vanlig avhenger av størrelsen på (se også slides om
autokorrelasjonsfunksjonen).
- Dermed vil ikke en innovasjon i prosessen endre langsiktige prediksjoner!
TRENDSTASJONARITET
BST 1612 – Anvendt makroøkonomi 14
- Det var trend-stasjonaritet. Et spørsmål som melder seg er hvorvidt
makroøkonomiske variable er trendstasjonære eller ikke.
- Ofte kan det være svært vanskelig å konkludere hvorvidt en serie er
trendstasjonær bare ved å studere grafiske plot.
- For å illustrere, anta nå at i stedet følger en random walk ( ) der vi
også inkluderer et konstantledd (det blir snart klart hvorfor):
- Simulering: Vi setter og variansen til restleddet lik :
der
IKKE-STASJONARITET
BST 1612 – Anvendt makroøkonomi 15
- Resultat:
- Hmmm… Denne er ikke helt ulik den trend-stasjonære serien vi så på
tidligere!
IKKE-STASJONARITET
BST 1612 – Anvendt makroøkonomi 16
- Men, vi vet at seriene ikke er de samme (på grunn av simulerings-
spesifikasjonene).
- La oss studere egenskapene til random walk-prosessen nærmere. Som før
kan vi sette inn rekursivt for tidligere verdier på :
- La oss for enkelhets skyld anta at . Dette gir:
- Dersom forsvinner simpelthen trendleddet.
IKKE-STASJONARITET
BST 1612 – Anvendt makroøkonomi 17
- Med har vi en lineær trend i serien gitt som , altså identisk med
den vi hadde i det trendstasjonære tilfellet.
- Men, i motsetning til tidligere vil ikke konvergere systematisk tilbake til
den lineære trenden! Dette ser vi av .
- For eksempel vil et sjokk lik, la oss si i en gitt tidsperiode, medføre at
samtlige fremtidige realiseringer av serien vil være nøyaktig enhet høyere
enn hvis sjokket ikke hadde funnet sted ( ).
- Dette innebærer at en random walk med drift er ikke-stasjonær i
betydningen at serien ikke har en tendens til å vende tilbake til den lineære
trenden etter et sjokk.
IKKE-STASJONARITET
BST 1612 – Anvendt makroøkonomi 18
- La oss legge den lineære trenden inn i figuren med random walk:
- Kan du fastslå at serien ikke er trendstasjonær?
IKKE-STASJONARITET
BST 1612 – Anvendt makroøkonomi 19
- Ved å utvide til 10000 observasjoner blir det tydeligere:
- Serien drifter over trendlinjen i flere tusen sammenhengende observasjoner!
Merk at en ny simulering ville gitt andre realiseringer.
IKKE-STASJONARITET
BST 1612 – Anvendt makroøkonomi 20
- Poenget er at et sjokk i en random walk vil virke med full tyngde inn på alle
fremtidige realiseringer av , og at det ikke er noen tendens for serien å
vende tilbake til trenden etter sjokket (ikke trendstasjonær).
- Dette er i skarp motsetning til AR( )-prosessen vi studerte tidligere der
.
- Merk også at vi sjelden har veldig ”lange” tidsserier for typiske
makroøkonomiske data. Med korte perioder kan en random walk ligne andre
prosesser.
IKKE-STASJONARITET
BST 1612 – Anvendt makroøkonomi 21
- Er en, begge eller ingen av seriene under RW?
IKKE-STASJONARITET
BST 1612 – Anvendt makroøkonomi 22
- Er en, begge eller ingen av seriene under RW?
IKKE-STASJONARITET
BST 1612 – Anvendt makroøkonomi 23
- Hva er konsekvensen av å overse at en serie er random walk?
- La oss estimere sammenhengen mellom to random walk ved hjelp av MKM:
- Simulerer først to uavhengige random walk (kaller dem Y og RW).
- Bruker deretter de simulerte dataene til å estimere
regresjonskoeffisientene i modellen: .
- I sann modell er .
- Resultat:
- Konklusjon:
Ved å overse at seriene
er RW risikerer vi at
estimatene blir (veldig)
misvisende!
IKKE-STASJONARITET
BST 1612 – Anvendt makroøkonomi 24
- I økonometrisk litteratur sier vi at en serie er integrert av orden 1, dvs I( ),
dersom man må ta førstedifferensen for å gjøre den stasjonær. For
eksempel er serien I( ).
- Til sammenligning er serien I( ).
- Dersom en serie er I( ) ønsker vi å transformere den til I( ).
- Men, først må vi forsøke å avklare hvorvidt serien faktisk er I( ).
- Kan skille mellom to tilfeller:
1. Serien har ikke en trend.
2. Serien har en (positiv eller negativ) trend.
TEST FOR RANDOM WALK
BST 1612 – Anvendt makroøkonomi 25
- Testen vi skal se på kalles en Dickey-Fuller test (DF-test). Betrakt følgende
AR( ):
- Dersom denne serien er en RW er . Hvordan teste dette statistisk?
- Løsning: Trekk fra på begge sider slik at venstresiden uttrykker
førstedifferensen :
- Dersom er . Ergo estimerer vi i modellen
ved hjelp av MKM og tester
:
versus
: (fordi alternativhypotesen er at ) (hva hvis ?)
TEST FOR RANDOM WALK
BST 1612 – Anvendt makroøkonomi 26
- Vi kan ikke bruke vanlige -verdier fordi den asymptotiske -verdien ikke er
Gaussian og har bias nedover (vil føre til at vi avviser for ofte).
- Relevante kritiske verdier finnes i Fuller (1976), men Eviews rapporterer
også disse automatisk (på henholdsvis 1%-, 5%- og 10%-nivå).
TEST FOR RANDOM WALK
BST 1612 – Anvendt makroøkonomi 27
- DF-testene kommer i forskjellige varianter. Valg av spesifikasjon avhenger
av seriens egenskaper:
- Random walk:
Strukturmodell Testmodell
⇔
- Random walk med drift:
Strukturmodell Testmodell
⇔
- Random walk med drift og deterministisk trend:
Strukturmodell Testmodell
⇔
TEST FOR RANDOM WALK
BST 1612 – Anvendt makroøkonomi 28
- Hvis restleddene er seriekorrelert kan dette kontrolleres for ved å estimere
en augmentert regresjon, typisk kalt en Augmented Dickey-Fuller test (ADF-
test). For eksempel, hvis restleddene er seriekorrelert av orden :
Strukturmodell Testmodell
⇔
- Eviews har forskjellige algoritmer som automatisk velger størrelsen på .
TEST FOR RANDOM WALK
BST 1612 – Anvendt makroøkonomi 29
- Merk følgende: I AR(1)-modellen vi startet med, , kan det
tenkes at den sanne parameteren ligger nær , for eksempel at . I
så fall er i testmodellen , altså nær .
- DF-/ADF-testene kan ha liten forklaringskraft når serien som testes er nær
en random walk.
TEST FOR RANDOM WALK
BST 1612 – Anvendt makroøkonomi 30
- Data: US GDP (log) over perioden 1947q1-2011q3 (259 observasjoner)
- Setter max laglengde 4 og inkluderer trend og konstantledd når vi tester
variabelen på nivåform.
TEST FOR RANDOM WALK
BST 1612 – Anvendt makroøkonomi 31
TEST FOR RANDOM WALK
BST 1612 – Anvendt makroøkonomi 32
- Resultater:
1. kan ikke forkastes,
altså beholder vi
hypotesen om random
walk.
2. Inkluderer ett lag av
førstedifferensen til
avhengig variabel. Tyder
på førsteordens serie-
korrelasjon i restleddet.
- Gitt resultatene er neste
steg å teste for RW i
førstedifferensen av
log GDP.
TEST FOR RANDOM WALK
BST 1612 – Anvendt makroøkonomi 33
- Setter max laglengde 4 og inkluderer konstantledd.
TEST FOR RANDOM WALK
BST 1612 – Anvendt makroøkonomi 34
- Resultater:
1. forkastes.
2. Fant ikke serie-
korrelasjon.
3. Tallverdien på tilsier
at i likningen:
TEST FOR RANDOM WALK
BST 1612 – Anvendt makroøkonomi 35
- Vi så tidligere at MKM på to RW-prosesser kan gi signifikante resultater selv
om de var skapt av hverandre.
“If one estimates equations using non-stationary
variables by linear regression and test the hypotheses
about the coefficients using standard test statistics (e.g.,
t-tests), the tests may often suggest a statistically
significant relationship between variables where none in
fact exists.” Granger og Newbold (1974)
- Den sterke korrelasjonen er en konsekvens av en underliggende trend.
Gjelder enten serien er trendstasjonær eller ren RW.
- Løsning: Differensiere dataene så de er stasjonære.
Estimere en kointegrerende sammenheng (vi rekker ikke gå gjennom dette).
SPURIØSE REGRESJONER
BST 1612 – Anvendt makroøkonomi 36
1980 1985 1990 1995 2000
0.9
1.0
1.1
1.2
1.3
1.4
1.5 vGER pNOR
SPURIØSE REGRESJONER
BST 1612 – Anvendt makroøkonomi 37
SPURIØSE REGRESJONER
BST 1612 – Anvendt makroøkonomi 38
SPURIØSE REGRESJONER
BST 1612 – Anvendt makroøkonomi 39
SPURIØSE REGRESJONER
BST 1612 – Anvendt makroøkonomi 40
SPURIØSE REGRESJONER