Dr Łukasz Goczek. Uniwersytet Warszawski

Transkrypt

1 Dr Łukasz Goczek Uniwersytet Warszawski

2 M3 use C:\Users\as\Desktop\Money.dta, clear format t %tm (oznaczamy tsset t tsline M m1 1970m1 1980m1 1990m1 2000m1 2010m1 t

3 tsline PPI CPI m1 1970m1 1980m1 1990m1 2000m1 2010m1 t PPI CPI

4 tsline FFR FFR m1 1970m1 1980m1 1990m1 2000m1 2010m1 t

5 dfuller M3 Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) = Przypomnienie: H0 pierwiastek jednostkowy, proces niestacjonarny

6 g dm3=d.m3 dfuller dm3 Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) =

7 dfuller FFR dfuller FFR Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) =

8 g dffr=d.ffr dfuller dffr Dickey-Fuller test for unit root Number of obs = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(t) MacKinnon approximate p-value for Z(t) =

9 Rozwiązanie heteroskedastyczności: g lnm3=ln(m3) dfuller lnm3 Daje wynik na granicy, zatem: pperron lnm3 Phillips-Perron test for unit root Number of obs = 565 Newey-West lags = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(rho) Z(t) MacKinnon approximate p-value for Z(t) = Generujemy różnice g dlnm3=d.lnm3

10 Generujemy różnice g dlnm3=d.lnm3 Phillips-Perron test for unit root Number of obs = 564 Newey-West lags = Interpolated Dickey-Fuller Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value Z(rho) Z(t) MacKinnon approximate p-value for Z(t) =

11 tsline m1 1970m1 1980m1 1990m1 2000m1 2010m1 t dffr dcpi dppi dlnm3

12 Podobne wyniki pozostałych zmiennych. Niestacjonarne szeregi, w pierwszych różnicach stacjonarne zatem wszystko to procesy I(1) Rozważmy model autoregresyjny bez ograniczeń (VAR) z poprzedniego wykładu.

13 Zmienne zerojedynkowe (patrz dodatkowy tutorial ze Staty u mnie na stronie): generate m=month(dofm(t)) tab m, g(y) drop y12

14 varsoc dlnm3 dffr dppi dcpi, maxlag(24) exog(y*) Selection-order criteria Sample: 1961m2-2006m2 Number of obs = lag LL LR df p FPE AIC HQIC SBIC e e * e e * e e e e e e e e e e e e-08* * e

15 var dlnm3 dffr dppi dcpi, lags(1/15) lutstats exog(y*) Vector autoregression Sample: 1960m5-2006m2 No. of obs = 550 Log likelihood = (lutstats) AIC = FPE = 3.27e-08 HQIC = Det(Sigma_ml) = 1.14e-08 SBIC = Equation Parms RMSE R-sq chi2 P>chi dlnm dffr dppi dcpi

16 vargranger Granger causality Wald tests Equation Excluded chi2 df Prob > chi dlnm3 dffr dlnm3 dppi dlnm3 dcpi dlnm3 ALL dffr dlnm dffr dppi dffr dcpi dffr ALL dppi dlnm dppi dffr dppi dcpi dppi ALL dcpi dlnm dcpi dffr dcpi dppi dcpi ALL

17 varnorm, jbera skewness kurtosis Jarque-Bera test Equation chi2 df Prob > chi dlnm dffr 3.0e dppi dcpi ALL 3.2e Skewness test Equation Skewness chi2 df Prob > chi dlnm dffr dppi dcpi ALL

18 varnorm, jbera skewness kurtosis Kurtosis test Equation Kurtosis chi2 df Prob > chi dlnm dffr e dppi dcpi ALL 3.2e

19 varlmar, mlag(12) Lagrange-multiplier test lag chi2 df Prob > chi H0: no autocorrelation at lag order.

20 varstable, graph Imaginary All the eigenvalues lie inside the unit circle. VAR satisfies stability condition.. Roots of the companion matrix Real

21 varwle Equation: dlnm lag chi2 df Prob > chi

22 varwle cd. Equation: dffr lag chi2 df Prob > chi Equation: dppi

23 irf set "_varbasic.irf irf create nazwa, step(30) irf cgraph (VAR dppi dcpi irf, noci) (VAR dppi dlnm3 irf, noci) (VAR dppi dffr irf, noci).05 VAR: dppi -> dcpi.001 VAR: dppi -> dlnm step step irf irf.2 VAR: dppi -> dffr step irf

24 irf set "_varbasic.irf irf create nazwa, step(30) irf cgraph (VAR dppi dcpi fevd, noci) (VAR dppi dlnm3 fevd, noci) (VAR dppi dffr fevd, noci).4 VAR: dppi -> dcpi.06 VAR: dppi -> dlnm step step fevd fevd.06 VAR: dppi -> dffr step fevd

25 irf set "_varbasic.irf irf create nazwa, step(30) irf cgraph (VAR dppi dcpi irf, noci) (VAR dppi dlnm3 irf, noci) (VAR dppi dffr irf, noci)

26 vecrank dm3 dppi dcpi dffr, trend(constant) lags(15) sindicators(y*) max ic level99 Johansen tests for cointegration Trend: constant Number of obs = 550 Sample: 1960m5-2006m2 Lags = % maximum trace critical rank parms LL eigenvalue statistic value *

27 vec dlnm3 dppi dcpi dffr, trend(constant) rank(2) lags(12) sindicators(y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11) alpha dforce Vector error-correction model Sample: 1960m2-2006m2 No. of obs = 553 AIC = Log likelihood = HQIC = Det(Sigma_ml) = 1.44e-08 SBIC = Equation Parms RMSE R-sq chi2 P>chi D_dlnM D_dPPI D_dCPI D_dFFR

28 cd. Cointegrating equations Equation Parms chi2 P>chi _ce _ce

29 cd. Identification: beta is exactly identified Johansen normalization restrictions imposed beta Coef. Std. Err. z P> z [95% Conf. Interval] _ce1 dlnm dppi 3.47e dcpi dffr _cons _ce2 dlnm3 (omitted) dppi dcpi dffr _cons

30 cd. Identification: beta is exactly identified Johansen normalization restrictions imposed beta Coef. Std. Err. z P> z [95% Conf. Interval] _ce1 dlnm dppi 3.47e dcpi dffr _cons _ce2 dlnm3 (omitted) dppi dcpi dffr _cons

31 cd alpha Coef. Std. Err. z P> z [95% Conf. Interval] D_dlnM3 _ce1 L _ce2 L D_dPPI _ce1 L _ce2 L D_dCPI _ce1 L _ce2 L D_dFFR

32 Diagnostyka identyczna jak w przypadku VAR.

33 Imaginary Roots of the companion matrix Real The VECM specification imposes 2 unit moduli

34 1. Badanie stacjonarności 2. Sprowadzamy do tego samego poziomu integracji (pamiętajmy o sensie, czy jest sens?) różnicując 3. Wybór liczby opóźnień 4. Diagnostyka stabilność, normalność, wyłączenia opóźnień, egzogeniczność, autokorelacja. 5. Wyniki przy pomocy funkcji reakcji i dekompozycji wariancji 6. Test kointegracji. 7. Oszacowanie VEC 8. Diagnostyka jak w przypadku VAR.

35

36 Dziękuję za uwagę.