Rozdziaª 4. Jednowymiarowe modele szeregów czasowych

Transkrypt

1 Rozdziaª 4. Jednowymiarowe modele szeregów czasowych MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 4) Modele ARMA 1 / 24

2 Jednowymiarowe modele szeregów czasowych Jednowymiarowe modele szeregów czasowych: Klasa specykacji modeli ekonometrycznych, w których wnioskowanie na temat dynamiki zmiennej ekonomicznej jest przeprowadzane jedynie na podstawie przeszªych i bie» cych obserwacji dla tej zmiennej. Zastosowania: Analiza dynamicznych wªasno±ci szeregów czasowych Prognozowanie Najpopularniejsze modele jednorównaniowe: Autoregresyjne modele ±redniej ruchomej (AutoRegressive Moving Average, ARMA). MPGzR (rozdz. 4) Modele ARMA 2 / 24

3 Model ±redniej ruchomej Proces ±redniej ruchomej (moving average) MA(Q) stanowi ±redni wa»on procesu biaªego szumu z bie» cego oraz Q poprzednich okresów: y t = α 0 + ϵ t + θ 1 ϵ t θ Q ϵ t Q, ϵ t WN(0, σ 2 ϵ ) Inny zapis procesu MA(Q) z wykorzystaniem operatora opó¹nie«: y t = α 0 + θ(l)ϵ t gdzie θ(l) = 1 + θ 1 L θ Q L Q jest wielomianem Q-tego stopnia. MPGzR (rozdz. 4) Modele ARMA 3 / 24

4 Model ±redniej ruchomej Momenty procesu MA(Q): E(y t ) = α 0 Var(y t ) = (1 + θ θq)σ 2 ϵ 2 { 0 dla k > Q Cov(y t, y t k ) = (θ k + θ k+1 θ θ Q θ Q k )σϵ 2 dla k Q Uwaga: ACF wynosi zero dla opó¹nie«k > Q. MPGzR (rozdz. 4) Modele ARMA 4 / 24

5 Model autoregresyjny Dla procesu autoregresyjnego (autoregression) AR(P) bie» ca warto± zmiennej y t zale»y od jej P przeszªych realizacji {y t p : p = 1, 2,..., P}: y t = α 0 + α 1 y t α P y t P + ϵ t, ϵ t WN(0, σ 2 ϵ ) Lub w zapisie z operatorem opó¹nie«: α(l)y t = α 0 + ϵ t, gdzie α(l) = (1 α 1 L... α P L P ) jest wielomianem P-tego stopnia. MPGzR (rozdz. 4) Modele ARMA 5 / 24

6 Model autoregresyjny Proces AR(P) jest stacjonarny tylko dla warto±ci parametrów α p (p = 1, 2,..., P) dla których pierwiastki równania: α(z) = (1 λ 1 z)(1 λ 2 z)... (1 λ P z) = 0. s co do moduªu wi ksze od 1, tj. je»eli z p > 1 dla p = 1, 2,..., P. Jest to równowa»ne warunkowi λ p < 1. Procesu AR(1) postaci y t = α 1 y t 1 + ϵ t jest stacjonarny gdy α 1 < 1. Przykªad: Proces y t = 1, 3y t 1 0, 4y t 2 + ϵ t jest stacjonarny poniewa» pierwiastki równania (1 0, 5z)(1 0, 8z) = 0 wynosz z 1 = 2 oraz z 2 = 1, 25 Proces y t = 1, 5y t 1 0, 5y t 2 + ϵ t jest niestacjonarny, poniewa» pierwiastki wynosz z 1 = 2 oraz z 2 = 1. MPGzR (rozdz. 4) Modele ARMA 6 / 24

7 Model autoregresyjny Warunek stacjonarno±ci procesu AR mo»na tak»e zdeniowa w kategoriach mo»liwo±ci zapisania go w postaci niesko«czonej ±redniej ruchomej: dla której zachodzi warunek y t = α 1 (L)(α 0 + ϵ t ) = µ + ϵ t + lim θ k = 0 k θ q ϵ t q, Oznacza to,»e dynamiczny wpªyw szoku ϵ na zmienn y jest tymczasowy i wygasa w czasie. Powy»sza denicja stacjonarno±ci pokrywa si z twierdzeniem Wolda mówi cym,»e ka»dy szereg stacjonarny mo»na zapisa jako sum procesu deterministycznego oraz stochastycznego w postaci niesko«czonego procesu MA. q=1 MPGzR (rozdz. 4) Modele ARMA 7 / 24

8 Model autoregresyjny Momenty procesu AR(P): α 0 E(y t ) = 1 P p=1 αp Var(y t ) = (1 + θq)σ 2 ϵ 2 q=1 Równania Yule'a-Walkera dla warto±ci autokowariancji γ k : γ 0 =α 1 γ α Q γ Q + σ 2 ϵ γ k =α 1γ k α Q γ k Q Dla procesu AR(1): γ k = (α1)k σ 2 1 α1 2 ϵ, Warto±ci PACF dla procesu AR(P) przyjmuj warto±ci zerowe dla opó¹nie«wi kszych od P, ρ kk = 0 dla k > P. MPGzR (rozdz. 4) Modele ARMA 8 / 24

9 Przykªad Proces AR: y t = 1, 3y t 1 0, 4y t 2 + ϵ t Proces MA: y t = ϵ t + 1, 5ϵ t 1 + ϵ t 2 Realizacja procesu AR(2) Realizacja procesu MA(2) ACF dla procesu AR(2) ACF dla procesu MA(2) PACF dla procesu AR(2) PACF dla procesu MA(2) MPGzR (rozdz. 4) Modele ARMA 9 / 24

10 Model ARMA Poª czeniem modelu AR(P) oraz modelu MA(Q) jest autoregresyjny model ±redniej ruchomej ARMA(P, Q) postaci: α(l)y t = α 0 + θ(l)ϵ t, ϵ t WN(0, σ 2 ϵ ) gdzie α(l) = 1 α 1 L... α P L P oraz θ(l) = 1 + θ 1 L θ Q L Q Proces ARMA jest stacjonarny je»eli pierwiastki równania α(z) = 0 le» poza koªem jednostkowym. Je»eli y t jest procesem niestacjonarnym zintegrowanym w stopniu D, stosuje si proces ARIMA(P, D, Q) postaci: α(l)(1 L) D y t = α 0 + θ(l)ϵ t. MPGzR (rozdz. 4) Modele ARMA 10 / 24

11 Estymacja parametrów modelu AR Dla modelu AR(1): y t = α 0 + α 1y t 1 + ϵ t, parametry α 0 i α 1 mo»na oszacowa MNK. Ze wzgl du na brak danych dla y 0, dopasowanie modelu pomija bª d dla pierwszej obserwacji. Dla ϵ t N(0, σϵ 2 ) parametry modelu AR(1) mo»na oszacowa stosuj c MNW. Niech Y t = {y 1, y 2,... y t } - informacja dost pn do momentu t oraz Φ = (α 0, α 1, σϵ 2 ) - parametry modelu. Warunkowa funkcja g sto±ci dla y t wynosi: ) 1 p(y t Φ, Y t 1 ) = exp ( (y t α 0 α 1 y t 1 ) 2, 2πσ 2 ϵ 2σϵ 2 za± funkcja g sto±ci dla wszystkich obserwacji jest równa: p(y 1, y 2,..., y T Φ) = p(y T Φ, Y T 1 ) p(y T 1 Φ, Y T 2 )... p(y 2 Φ, Y 1) p(y 1 Φ). Znamy pierwsze T 1 czynników powy»szego iloczynu, oraz nie znamy warto±ci p(y 1 Φ). MPGzR (rozdz. 4) Modele ARMA 11 / 24

12 Estymacja parametrów modelu AR Je»eli zaªo»ymy,»e p(y 1 Φ) jest dane przez bezwarunkowy rozkªad dla procesu AR(1), y 1 N( α 0 σϵ 1 α 1, 2 1 α 2 ), czyli: 1 1 p(y 1 Φ) = exp (y t α 0 2π σ2 ϵ 2 σ2 ϵ 1 α 2 1 α α 1 ) 2 to mo»emy wyznaczy dokªadn warto± funkcji wiarygodno±ci (exact likelihood): L(Φ; y 1,..., y T ) = p(y 1, y 2,..., y T Φ). Maksimum powy»szego wyra»enia znajduje si w sposób numeryczny (brak analitycznego rozwi zania). Z tego wzgl du, stosuje si tak»e warunkow funkcj wiarygodno±ci (conditional likelihood): L(Φ; y 2,..., y T y 1 ) = p(y T Φ, Y T 1 ) p(y T 1 Φ, Y T 2 )... p(y 2 Φ, Y 1 ). W tym przypadku oszacowania α 0 oraz α 1 s takie same jak dla MNK.. MPGzR (rozdz. 4) Modele ARMA 12 / 24

13 Estymacja parametrów modelu MA: Metoda warunkowej sumy kwadratów reszt (CSS) Dla modelu MA(1) y t = ϵ t + θϵ t 1 estymacja MNK nie jest mo»liwa. W celu ilustracji metody CSS zapiszmy skªadnik losowy procesu MA(1) jako: ϵ t = y t θy t 1 + θ 2 y t ( 1) t 1 θ t 1 y 1 + ( 1) t θ t ϵ 0 = h(y 1, y 2,..., y t, θ, ϵ 0 ), W metodzie CSS przyjmuje si,»e ϵ 0 = 0, a tym samym reszty s równe: gdzie ˆθ jest oszacowaniem θ. e t = h(y 1, y 2,..., y t, ˆθ, 0), Suma kwadratów reszt jest nieliniow funkcj obserwacji y t oraz parametru ˆθ: T t=1 e 2 t = S(y 1,..., y T ; ˆθ). MPGzR (rozdz. 4) Modele ARMA 13 / 24

14 Estymacja parametrów modelu MA: Metoda warunkowej sumy kwadratów reszt (CSS) Estymator CSS jest warto±ci parametru ˆθ który minimalizuje warto± wyra»enia S(y 1,..., y T ; ˆθ). Dla modeli ARMA(P, Q) metoda CSS zakªada,»e ϵ s = 0, s P, za± minimalizowana jest suma kwadratów reszt dla T P obserwacji. Przy zaªo»eniu o normalno±ci ϵ t oszacowania uzyskane metod CSS pokrywaj si z oszacowaniami uzyskanymi na postawie warunkowej MNW. W praktyce parametry modeli ARMA najcz ±ciej szacuje si poprzez maksymalizacj dokªadnej funkcji wiarygodno±ci Poniewa» oszacowania uzyskuje si metodami numerycznymi, nale»y ustali pocz tkowe warto±ci parametrów. Sugeruje si rozpocz cie iteracji z kilku punktów startowych lub dla warto±ci parametrów uzyskanych metod CSS. MPGzR (rozdz. 4) Modele ARMA 14 / 24

15 Przykªad estymacji modelu ARMA Oszacowanie modelu ARMA(3,3) dla miesi cznej inacji CPI w Polsce (próba 1999:1-2010:10) ar1 ar2 ar3 ma1 ma2 ma3 cons. CSS-ML CSS ML MPGzR (rozdz. 4) Modele ARMA 15 / 24

16 Wybór specykacji modelu ARMA Metoda Boxa-Jenkinsa (1970): Arbitralne ustalenie warto±ci P i Q na podstawie wykresu y t, funkcji ACF i PACF Estymacja parametrów modelu ARMA(P, Q). Werykacja modelu ARMA(P, Q) skªadaj ca si z dwóch cz ±ci: a. Dla modelu ARMA(P, Q ), gdzie P P oraz Q Q, werykuje si hipotez,»e dodatkowe opó¹nienia nie s istotne b. Sprawdza si czy wyst puje autokorelacja reszt MPGzR (rozdz. 4) Modele ARMA 16 / 24

17 Wybór specykacji modelu ARMA Kryteria informacyjne: Kryteria informacyjne faworyzuj specykacje o wysokiej warto±ci logarytmu funkcji wiarygodno±ci l = ln L i niskiej liczbie szacowanych parametrów K = P + Q + 1. Trzy najcz ±ciej stosowane kryteria to kryterium Akaike'a (AIC), Schwarza (BIC) oraz Hannana-Quinna (HQIC): AIC = 2 l T + 2 K T BIC = 2 l T + K T ln T HQIC = 2 l T + 2 K T ln(ln T ), gdzie K(SIC) K(HQIC ) K(AIC ) MPGzR (rozdz. 4) Modele ARMA 17 / 24

18 Przykªad Kryterium AIC ma0 ma1 ma2 ma3 ma4 ar ar ar ar ar Kryterium BIC ma0 ma1 ma2 ma3 ma4 ar ar ar ar ar MPGzR (rozdz. 4) Modele ARMA 18 / 24

19 Test ilorazu wiarygodno±ci Zestaw hipotez: H 0 : P<p P α p = 0 Q<q Q θ q = 0 H 1 : P<p P α p 0 Q<q Q θ q 0 Liczba tych restrykcji: m = P P + Q Q. Statystyka testu ilorazu wiarygodno±ci (likelihood ratio test). LR = 2(l r l u ) przy prawdiwo±ci H 0 ma asymptotyczny rozkªad χ 2 o m stopniach swobody. Przykªad: model ARMA(3,4) vs model ARMA(1,2): Wyniki testu ilorazu funkcji wiarygodnosci: LR = 8.168, prob = MPGzR (rozdz. 4) Modele ARMA 19 / 24

20 Test portmanteau na autokorelacj reszt Hipoteza zerowa: H 0 : 1 j J ρ e,j = 0 H 1 : 1 j J ρ e,j 0 Przy prawdziwo±ci H 0 statystyka Boxa-Pierca: BP = T J ˆρ 2 e,j, j=1 ma asymptotyczny rozkªad χ 2 o m = J (P + Q) stopniach swobody. Dla niewielkich prób Ljung i Box zaproponowali statystyk : LB = T 2 J j=1 1 T j ˆρ2 e,j MPGzR (rozdz. 4) Modele ARMA 20 / 24

21 Test portmanteau - przykªad Wyniki testu Ljunga-Boxa dla modelu ARMA(1,2) dla inacji CPI w Polsce: J LB prawd MPGzR (rozdz. 4) Modele ARMA 21 / 24

22 Prognoza punktowa Niech dany b dzie proces ARMA(P, Q), dla którego znamy y t oraz e t dla t T. Prognoza punktowa jest liczona w sposób rekurencyjny: E(y T +1 ) =α 0 + α 1 y T α P y T +1 P + θ 1 e T θ Q e T +1 Q E(y T +2 ) =α 0 + α 1 E(y T +1 ) α P y T +2 P + θ 2 e T θ Q e T +2 Q E(y T +3 ) =α 0 + α 1 E(y T +2 ) α P y T +3 P + θ 3 e T θ Q e T +3 Q... E(y T +k ) =α 0 + α 1 E(y T +k 1 ) α P E(y T +k P ) dla k > P i k > Q MPGzR (rozdz. 4) Modele ARMA 22 / 24

23 Wariancja bª du prognozy Posta MA( ) modelu ARMA: y t = µ + ϵ t + ψ 1ϵ t 1 + ψ 2ϵ t Bª d losowy prognozy: y T +1 E(y T +1 ) =ϵ T +1 y T +2 E(y T +2 ) =ϵ T +2 + ψ 1 ϵ T k 1 y T +k E(y T +k ) =ϵ T +k + ψ i ϵ T +k i Poniewa» Cov(ϵ t, ϵ s) = 0 oraz Var(ϵ t) = σ 2 ϵ, to wariancja prognozy na k okresów wynosi: i=1 k 1 σ 2 k = Var(y T +k ) = σϵ 2 (1 + ψ 2 i ) Uwaga: nie uwzgl dniono innych bª dów prognozy!!! i=1 MPGzR (rozdz. 4) Modele ARMA 23 / 24

24 Prognoza przedziaªowa Wzór na prognoz przedziaªow : P(E(y T +k ) c α σ k y T +k E(y T +k ) + c α σ k ) = 1 α, gdzie c α jest warto±ci krytyczn rozkªadu normalnego dla poziomu istotno±ci α. CPI m/m poziom CPI MPGzR (rozdz. 4) Modele ARMA 24 / 24