Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16

Transkrypt

1 Stanisław Cichocki Natalia Nehrebecka Zajęcia

2 1. Sezonowość 2. Zmienne stacjonarne 3. Zmienne zintegrowane 4. Test Dickey-Fullera 5. Rozszerzony test Dickey-Fullera 6. Test KPSS 7. Regresja pozorna 2

3

4 - o sezonowości mówimy wtedy gdy zmienna zmienia się w pewnym cyklu, zwykle związanym z cyklem kalendarzowym - np. zmienne kwartalne charakteryzują się sezonowością kwartalną zmienne miesięczne charakteryzują się sezonowością miesięczną - sezonowość w danych może pojawiać się z rożnych powodów: czynniki klimatyczne (spadek wartości dodanej w budownictwie w okresie zimowym); czynniki kulturowe (wzrost wartości sprzedaży w okresie świąt) 4

5 pass

6 Poland

7 - sezonowości należy uwzględnić w modelu jeśli ma ona wpływ na związek między zmienną objaśniającą a objaśnianą jeśli w modelu nie zostanie uwzględniona sezonowość to pojawi się ona w resztach, które nie będą spełniały założeń KMRL - jeśli model ma służyć celom prognostycznym to pominięcie sezonowości pogarsza jakość otrzymanych przewidywań 7

8 - uwzględnienie problemu sezonowości w procesie estymacji: a) posłużenie się danymi wyrównanymi sezonowo (publikowane przez urzędy statystyczne; samodzielnie można usunąć sezonowość z danych np. korzystając z programu TRAMO/SEATS) b) dodanie do modelu zmiennych zerojedynkowych związanych z poszczególnymi miesiącami/kwartałami 8

9 c) zastosowanie różnicowania sezonowego zamiast pierwotnych zmiennych stosujemy różnice miedzy tymi zmiennymi a wartościami tych samych zmiennych sprzed roku: gdzie: s yt = yt yt s s=4 dla zmiennych kwartalnych s=12 dla zmiennych miesięcznych itd. 9

10

11 - zmienna stacjonarna zmienna, której własności nie zmieniają sie wraz z upływem czasu - istnieje kilka definicji stacjonarności, my będziemy posługiwać sie pojęciem słabej (kowariancyjnej) stacjonarności: 1. E( y ) t = µ < 2. Var( y ) t 2 = < σ 3. Cov( y, y ) = Cov( y, y ) = γ dla dowolnych t, t i h t t + h t, t + h h

12 - 1. E( y ) = µ < wartość oczekiwana y jest skończona i stała w czasie t t Var( yt ) = σ < - wariancja yt jest skończona i stała w czasie - 3. Cov( y, y ) = Cov( y, y ) = γ kowariancja między realizacjami y t t + h t, t + h h t zależy jedynie od dystansu w czasie h któryś z warunków niespełniony= zmienna niestacjonarna 12

13 - 1. E( y ) = µ < wartość oczekiwana y jest skończona i stała w czasie t t 13

14 2. Var( y ) = σ < - wariancja y jest skończona i stała w czasie 2 - t t 14

15 - założenie o stacjonarności zmiennych w modelu jest niezbędne przy wyprowadzaniu rozkładów typowych statystyk testowych używanych przy testowaniu hipotez - badanie stacjonarności zmiennych w modelu może być traktowane jako test diagnostyczny weryfikuje prawdziwość założeń koniecznych do tego, by standardowe procedury testowania hipotez były prawidłowe 15

16 - przykład zmiennej stacjonarnej: biały szum x t ~ IID(0, σ 2 ) gdzie IID (Independently and Identically Distibuted) oznacza, że realizacje x t są niezależne i mają identyczne rozkłady 16

17 - przykład zmiennej stacjonarnej: biały szum E( x ) = 0 t Var( x ) t = σ 2 Cov( x, x ) = 0 dla t s t s 17

18 -przykład zmiennej stacjonarnej: biały szum 18

19 - przykład zmiennej stacjonarnej: AR (1) y y IID 2 t = α t 1 + ε t ε ~ t (0, σ ) α < 1 19

20 - przykład zmiennej stacjonarnej: AR (1) 20

21 - standardowa definicja stacjonarności w wielu przypadkach okazuje się zbyt restrykcyjna - zmienne ekonomiczne oscylują nie tyle wokół stałej ale wokół pewnego trendu zmienna stacjonarna wokół trendu (trendostacjonarna) y E( y) - zmienna trendostacjonarna: t t (odchylenia od trendu) stacjonarne 21

22 - przykład zmiennej trendostacjonarnej: trend liniowy y = α + βt + ε gdzie ε jest stacjonarne t t t E ( y ) t = α + β t y E ( y ) = ε jest stacjonarna t t t 22

23 - przykład zmiennej trendostacjonarnej: 23

24

25 - zmienne zintegrowane: zmienne niestacjonarne, które można sprowadzić do stacjonarności poprzez różnicowanie - zmienna, która po zastosowaniu d-tych różnic staje się zmienną stacjonarną oznaczamy jako: yt ~ I( d) y mówimy, ze zmienna jest zintegrowana rzędu d t 25

26 - zmienne stacjonarne są zintegrowane rzędu 0: y t ~ I (0) 26

27 - przykład zmiennej niestacjonarnej: błądzenie przypadkowe y y IID 2 t = t 1 + ε t ε ~ t (0, σ ) y y 1 - różnicując zmienną (odejmując od obu stron t ) : t y = ε t t - biały szum, zmienna I(0) - wobec tego błądzenie przypadkowe jest zmienną I(1) 27

28 - przykład zmiennej niestacjonarnej: błądzenie przypadkowe 28

29 - uważa się, ze znaczna część zmiennych makroekonomicznych jest I(1) - istnieją też zmienne ekonomiczne, które są I(2) - zmienne I(3) stanowią wśród zmiennych ekonomicznych rzadkość albo nie występują wcale 29

30

31 -najwcześniejszym i najpopularniejszym testem za pomocą którego badamy czy zmienna jest stacjonarna jest test Dickey-Fullera (test DF) - model: y y IID 2 t = β t 1 + εt ε ~ t (0, σ ) H 0 : β = 1 - y jest błądzeniem przypadkowym, niestacjonarna t H : β < 1 - y jest zmienną stacjonarną AR(1) 1 t 31

32 y - odejmując od obu stron t 1: y = ( β 1) y + ε = ρy + ε t t 1 t t 1 t H 0 : ρ = 0 - y jest niestacjonarna t H : ρ ( 2,0) - y jest stacjonarna 1 t 32

33 - problem: nie można używać statystki t do testowania istotności parametru ρ ponieważ rozkłady statystyk testowych są niestandardowe jeśli w modelu występują zmienne niestacjonarne - specjalne tablice z wartościami krytycznymi dla testu DF 33

34 - test DF przeprowadzamy w następujący sposób: 1. regresja y na y t t 1 2. porównujemy statystykę t dla y z wartościami krytycznymi t 1 testu DF: a) wartość statystyki testowej < wartości krytycznej - odrzucamy H o niestacjonarności i przyjmujemy H o stacjonarności y b) wartość statystyki testowej > wartości krytycznej - brak podstaw do odrzucenia H o niestacjonarności y 0 t 1 t 0 34

35 - uwaga techniczna: wielkości krytyczne rozkładu statystki DF są zawsze ujemne 35

36 PATENTS

37 37

38 Model 1: Estymacja KMNK z wykorzystaniem 33 obserwacji Zmienna zależna: PATENTS_d współczynnik błąd standardowy t-student wartość p const -1, , ,2516 0,8031 time 0, , ,9801 0,3349 PATENTS_1 0, , ,1725 0,8642 Średnia arytmetyczna zmiennej zależnej = 3,17879 Odchylenie standardowe zmiennej zależnej = 4,85102 Suma kwadratów reszt = 631,204 Błąd standardowy reszt = 4,58695 Wsp. determinacji R-kwadrat = 0,16179 Skorygowany wsp. R-kwadrat = 0,10591 Statystyka F (2, 30) = 2,8952 (wartość p = 0,0708) Statystyka testu Durbina-Watsona = 1,76372 Autokorelacja reszt rzędu pierwszego = 0, Logarytm wiarygodności = -95,5185 Kryterium informacyjne Akaike'a (AIC) = 197,037 Kryterium bayesowskie Schwarza (BIC) = 201,527 Kryterium infor. Hannana-Quinna (HQC) = 198,548 38

39 ? lmtest 1 --autocorr Test Breuscha-Godfreya na autokorelację rzędu pierwszego Estymacja KMNK z wykorzystaniem 33 obserwacji Zmienna zależna: uhat współczynnik błąd standardowy t-student wartość p const 1, , ,2355 0,8155 time 0, , ,2048 0,8391 PATENTS_1-0, , ,2421 0,8104 uhat_1 0, , ,5582 0,5810 Wsp. determinacji R-kwadrat = 0,01063 Statystyka testu: LMF = 0,311587, z wartością p = P(F(1,29) > 0,311587) = 0,581 Statystyka testu: TR^2 = 0,350795, z wartością p = P(Chi-kwadrat(1) > 0,350795) = 0,554 Ljung-Box Q' = 0, z wartością p = P(Chi-kwadrat(1) > 0,300061) = 0,584 39

40 ? lmtest 2 --autocorr Test Breuscha-Godfreya na autokorelację do rzędu 2 Estymacja KMNK z wykorzystaniem 33 obserwacji Zmienna zależna: uhat współczynnik błąd standardowy t-student wartość p const 2, , ,4619 0,6478 time 0, , ,4181 0,6791 PATENTS_1-0, , ,4743 0,6390 uhat_1 0, , ,6087 0,5477 uhat_2 0, , ,5884 0,5610 Wsp. determinacji R-kwadrat = 0,02271 Statystyka testu: LMF = 0,325366, z wartością p = P(F(2,28) > 0,325366) = 0,725 Statystyka testu: TR^2 = 0,749515, z wartością p = P(Chi-kwadrat(2) > 0,749515) = 0,687 Ljung-Box Q' = 0, z wartością p = P(Chi-kwadrat(2) > 0,580661) = 0,748 40

41 ? lmtest 3 --autocorr Test Breuscha-Godfreya na autokorelację do rzędu 3 Estymacja KMNK z wykorzystaniem 33 obserwacji Zmienna zależna: uhat współczynnik błąd standardowy t-student wartość p const 4, , ,5767 0,5689 time 0, , ,5405 0,5933 PATENTS_1-0, , ,5862 0,5626 uhat_1 0, , ,6769 0,5042 uhat_2 0, , ,6400 0,5275 uhat_3 0, , ,3550 0,7254 Wsp. determinacji R-kwadrat = 0,02725 Statystyka testu: LMF = 0,252137, z wartością p = P(F(3,27) > 0,252137) = 0,859 Statystyka testu: TR^2 = 0,899307, z wartością p = P(Chi-kwadrat(3) > 0,899307) = 0,826 Ljung-Box Q' = 0,58507 z wartością p = P(Chi-kwadrat(3) > 0,58507) = 0,9 41

42 15 10 d1patents

43 43

44 44

45 45

46 46

47 47

48 v

49 49

50 v

51 51

52

53 - często reszty z regresji: wykazują silną autokorelację y = ρ y + ε t t 1 t - rozszerzony test Dickey-Fullera (test ADF) różni się od standardowego testu DF rozszerzeniem regresji o dodatkowe elementy, których celem jest eliminacja autokorelacji reszt 53

54 - celem uzyskania statystyki testowej przeprowadzamy regresję: y = ρ y + γ y + ε k t t 1 i t i t i = 1 k gdzie γ y - rozszerzenie i= 1 i t i - ilość opóźnień k dobieramy tak aby z reszt wyeliminować autokorelację 54

55 - statystyka testowa dla testu ADF : statystyka t policzona dla oszacowania parametru przy y t 1 - dla dużych prób tablice wartości krytycznych dla testu ADF są takie same jak w teście DF - dla małych prób, małopróbkowe wartości krytyczne testu DF są jedynie aproksymacją prawdziwych wartości krytycznych testu ADF 55

56 R_D

57 57

58 58

59 59

60 60

61 61

62

63 - test KPSS (Kwiatkowski, Philips, Schmidt, Shin) testuje hipotezę zerową o stacjonarności zmiennej - test KPSS: H 0 2 : σ u = 0, zmienna yt jest stacjonarna H 1 > y 2 : σ u 0, zmienna t jest niestacjonarna - hipotezę zerową odrzucamy gdy statystka testowa > wartości krytycznej - statystyka testowa dla testu KPSS zawsze >0 63

64 - problem gdy sprzeczne wyniki testu DF i KPSS: - gdy liczba obserwacji w szeregu mała często okazuje się, że niemożliwe jest odrzucenie hipotezy o niestacjonarności w teście ADF ale nie jest możliwe odrzucenie hipotezy o stacjonarności w teście KPSS nie wiemy czy zmienna jest stacjonarna czy niestacjonarna 64

65 v

66 Zmienna stacjonarna!!! 0,06 0,146 66

67

68 - jedną z najważniejszych przyczyn dlaczego testuje się stacjonarność zmiennych problem regresji pozornej (spurious regression) - problem ten może pojawić się w modelu gdzie część zmiennych niestacjonarna najczęściej wtedy gdy zmienna objaśniana i część zmiennych objaśniających jest I(1) - wtedy statystyki t dla zmiennych I(1) okazują się z reguły istotne nawet jeśli miedzy zmiennymi objaśniającymi a zmienną objaśnianą nie ma rzeczywistego związku 68

69 - wynika to z faktu, iż rozkład statystki t w przypadku, gdy zmienne w modelu są niestacjonarne, nie jest rozkładem t-studenta - problem regresji pozornej może doprowadzić do budowy modelu, w którym zależności miedzy zmiennymi są całkowicie pozorne - gdy zmienna objaśniana i zmienne objaśniające są I(1) nie da się przeprowadzić wnioskowania przy użyciu standardowych statystyk testowych, jednak estymator MNK jest nadal estymatorem zgodnym 69

70 prostym rozwiązaniem problemu regresji pozornej przekształcenie modelu na model na pierwszych różnicach zmiennych 70

71 -przykład: y = α + β x + u t t t y = α + β x + u t 1 t 1 t 1 odejmując stronami uzyskujemy: y = β x + ε t t t gdzie ε t = u t 71

72 - jeśli y ~ I(1), x ~ I(1) to y ~ I(0), x ~ I(0) t t t t - model na pierwszych różnicach jest modelem stacjonarnym - i można w nim przeprowadzić standardowe wnioskowanie statystyczne za pomocą standardowych statystyk testowych 72

73 1. Wyjaśnić co to znaczy, że w danych występuje sezonowość. Podać sposoby uwzględnienia sezonowości w procesie modelowania. 2. Podać definicje zmiennej stacjonarnej i trendostacjonarnej. 3. Podać definicje zmiennej I(0) i I (1). 4. Opisać procedurę testowania stacjonarności za pomocą testu Dickey-Fullera. 5. Wyjaśnić, na czym polega zjawisko regresji pozornej. 73

74 Dziękuję za uwagę 74