Wst p do ekonometrii II

Podobne dokumenty
Metody Ekonometryczne

Ekonometria. wiczenia 2 Werykacja modelu liniowego. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Modele wielorównaniowe. Estymacja parametrów

Ekonometria. Ćwiczenia nr 3. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. wiczenia 3 Autokorelacja, heteroskedastyczno±, wspóªliniowo± Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Modele wielorównaniowe. Problem identykacji

Metody Ekonometryczne

Ekonometria. Własności składnika losowego. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria Przestrzenna

Ekonometria. wiczenia 1 Regresja liniowa i MNK. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Ekonometria. Prognozowanie ekonometryczne, ocena stabilności oszacowań parametrów strukturalnych. Jakub Mućk. Katedra Ekonomii Ilościowej

Czasowy wymiar danych

Ekonometria. wiczenia 5 i 6 Modelowanie szeregów czasowych. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Heteroscedastyczność. Zjawisko heteroscedastyczności Uogólniona Metoda Najmniejszych Kwadratów Stosowalna Metoda Najmniejszych Kwadratów

Ekonometria. wiczenia 4 Prognozowanie. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Spis treści Wstęp Estymacja Testowanie. Efekty losowe. Bogumiła Koprowska, Elżbieta Kukla

Rozdziaª 4. Jednowymiarowe modele szeregów czasowych

Ekonometria Przestrzenna

Natalia Neherbecka. 11 czerwca 2010

Testowanie hipotez statystycznych

Metody Ekonometryczne

Ekonometria - wykªad 8

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 6

Ekonometria Szeregów Czasowych

Testowanie hipotez statystycznych

Uogólniona Metoda Momentów

Egzamin z ekonometrii - wersja ogólna

Ekonometria. Wprowadzenie do modelowania ekonometrycznego Estymator KMNK. Jakub Mućk. Katedra Ekonomii Ilościowej

Ekonometria. Weryfikacja liniowego modelu jednorównaniowego. Jakub Mućk. Katedra Ekonomii Ilościowej

Analiza wariancji w analizie regresji - weryfikacja prawdziwości przyjętego układu ograniczeń Problem Przykłady

1 Modele ADL - interpretacja współczynników

Stanisław Cichocki. Natalia Neherbecka. Zajęcia 13

Rozdziaª 5. Modele wektorowej autoregresji

Stanisław Cichocki. Natalia Nehrebecka. Wykład 13

Autokorelacja i heteroskedastyczność

Testowanie hipotez statystycznych

Ekonometria Przestrzenna

REGRESJA LINIOWA Z UOGÓLNIONĄ MACIERZĄ KOWARIANCJI SKŁADNIKA LOSOWEGO. Aleksander Nosarzewski Ekonometria bayesowska, prowadzący: dr Andrzej Torój

Wykªad 1+2: Klasyczny model regresji liniowej. Podstawy R

Metoda najmniejszych kwadratów

Testowanie hipotez statystycznych

Rozwini cia asymptotyczne dla mocy testów przybli»onych

1.1 Klasyczny Model Regresji Liniowej

Modele wielorównaniowe (forma strukturalna)

Prawdopodobieństwo i statystyka

Stanisław Cichocki Natalia Nehrebecka. Zajęcia 8

0.1 Modele Dynamiczne

Statystyka i eksploracja danych

Własności statystyczne regresji liniowej. Wykład 4

Makroekonomia Zaawansowana

Stacjonarność Integracja. Integracja. Integracja

Ekonometria. wiczenia 7 Modele nieliniowe. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Elementarna statystyka Wnioskowanie o regresji (Inference 2 czerwca for regression) / 13

EGZAMIN MAGISTERSKI, r Matematyka w ekonomii i ubezpieczeniach

2.2 Autokorelacja Wprowadzenie

Ekonometria egzamin wersja Informatyka i Ekonometria 26/06/08

Modele zapisane w przestrzeni stanów

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk

0.1 Modele Dynamiczne

Ekonometria. Modelowanie szeregów czasowych. Stacjonarność. Testy pierwiastka jednostkowego. Modele ARDL. Kointegracja. Jakub Mućk

Stanisław Cihcocki. Natalia Nehrebecka

Stanisław Cichocki. Natalia Nehrebecka. Zajęcia 15-16

Stanisław Cichocki. Natalia Nehrebecka

WIELKA SGH-OWA POWTÓRKA ZE STATYSTYKI REGRESJA LINIOWA

Ekonometria Przestrzenna

Ekonometria Bayesowska

Wprowadzenie Model ARMA Sezonowość Prognozowanie Model regresji z błędami ARMA. Modele ARMA

Powtórzenie wiadomości z rachunku prawdopodobieństwa i statystyki.

Stosowana Analiza Regresji

ARYTMETYKA MODULARNA. Grzegorz Szkibiel. Wiosna 2014/15

Stanisław Cichocki Natalia Neherbecka

Stanisław Cichocki. Natalia Nehrebecka. Wykład 12

Statystyka matematyczna - ZSTA LMO

Liniowe równania ró»niczkowe n tego rz du o staªych wspóªczynnikach

Ekonometria dla IiE i MSEMat Z12

Modele liniowe i mieszane na przykªadzie analizy danych biologicznych - Wykªad 1

Ekonometria Szeregów Czasowych

Rozdziaª 6. Strukturalne modele VAR

Ekonometria. Modele wielorównaniowe. Jakub Mućk. Katedra Ekonomii Ilościowej

EKONOMETRIA prowadzący: Piotr Piwowarski

Pakiety statystyczne Wykªad 14

Macierze. Dziaªania na macierzach. 1. Niech b d dane macierze , D = , C = , B = 4 12 A = , F = , G = , H = E = a) Obliczy A + B, 2A 3B,

Ekonometria. wiczenia 8 Modele zmiennej jako±ciowej. Andrzej Torój. Instytut Ekonometrii Zakªad Ekonometrii Stosowanej

Pakiety statystyczne - Wykªad 8

1.9 Czasowy wymiar danych

Dane zgrupowane: każda obserwacja należy do jednej grupy i jest tylko jeden czynnik grupujący

Ekonometria. Zajęcia

Egzamin z ekonometrii - wersja IiE, MSEMAT

Ekonometria - wykªad 1

WNIOSKOWANIE W MODELU REGRESJI LINIOWEJ

Ćwiczenia IV

Metody Ekonometryczne

Metoda największej wiarogodności

Modele warunkowej heteroscedastyczności

Ekonometria Bayesowska

STATYSTYKA MATEMATYCZNA WYKŁAD listopada 2009

STATYSTYKA I DOŚWIADCZALNICTWO Wykład 7

Materiaªy do Repetytorium z matematyki

Transkrypt:

Wst p do ekonometrii II Wykªad 1: Modele ADL. Analiza COMFAC. Uogólniona MNK (1) WdE II 1 / 36

Plan wykªadu 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy wariancji-kowariancji skªadnika losowego 3 Testowanie restrykcji COMFAC Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) Jedna restrykcja COMFAC w ADL(2,2) 4 Analiza COMFAC: przykªad (1) WdE II 2 / 36

ADL(1,1) Plan prezentacji 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy wariancji-kowariancji skªadnika losowego 3 Testowanie restrykcji COMFAC Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) Jedna restrykcja COMFAC w ADL(2,2) 4 Analiza COMFAC: przykªad (1) WdE II 3 / 36

ADL(1,1) Modele ADL ADL(I,J): autoregressive distributed lag y t = α 0 + I α i y t i + J β j x t j + ε t i=1 j=0 Zaªó»my,»e ε t jest sferycznym zaburzeniem. Na przykªad: ADL(1,1): y t = α 0 + α 1 y t 1 + x t + β 1 x t 1 + ε t ADL(2,2): y t = α 0 + α 1 y t 1 + α 2 y t 2 + x t + β 1 x t 1 + β 2 x t 2 + ε t (1) WdE II 4 / 36

ADL(1,1) Modele ADL ADL(I,J): autoregressive distributed lag y t = α 0 + I α i y t i + J β j x t j + ε t i=1 j=0 Zaªó»my,»e ε t jest sferycznym zaburzeniem. Na przykªad: ADL(1,1): y t = α 0 + α 1 y t 1 + x t + β 1 x t 1 + ε t ADL(2,2): y t = α 0 + α 1 y t 1 + α 2 y t 2 + x t + β 1 x t 1 + β 2 x t 2 + ε t (1) WdE II 4 / 36

ADL(1,1) Restrykcja wspólnego czynnika (COMFAC) ADL(1,1): y t = α 1 y t 1 + x t + β 1 x t 1 + ε t w notacji wielomianu opó¹nie«: (1 α 1 L) y t = ( + β 1 L) x t + ε t ) jest to równoznaczne z: (1 α 1 L) y t = (1 + β 1 L x t + ε t co by byªo gdyby α 1 = β 1? Testujemy H 0 : α 1 = β 1 i gdy jej nie odrzucimy: jest wspólny czynnik, przez który mo»emy podzieli obie strony, by upro±ci model......ale to wpªywa na skªadnik losowy! (1) WdE II 5 / 36

ADL(1,1) Restrykcja wspólnego czynnika (COMFAC) ADL(1,1): y t = α 1 y t 1 + x t + β 1 x t 1 + ε t w notacji wielomianu opó¹nie«: (1 α 1 L) y t = ( + β 1 L) x t + ε t ) jest to równoznaczne z: (1 α 1 L) y t = (1 + β 1 L x t + ε t co by byªo gdyby α 1 = β 1? Testujemy H 0 : α 1 = β 1 i gdy jej nie odrzucimy: jest wspólny czynnik, przez który mo»emy podzieli obie strony, by upro±ci model......ale to wpªywa na skªadnik losowy! (1) WdE II 5 / 36

ADL(1,1) Restrykcja wspólnego czynnika (COMFAC) ADL(1,1): y t = α 1 y t 1 + x t + β 1 x t 1 + ε t w notacji wielomianu opó¹nie«: (1 α 1 L) y t = ( + β 1 L) x t + ε t ) jest to równoznaczne z: (1 α 1 L) y t = (1 + β 1 L x t + ε t co by byªo gdyby α 1 = β 1? Testujemy H 0 : α 1 = β 1 i gdy jej nie odrzucimy: jest wspólny czynnik, przez który mo»emy podzieli obie strony, by upro±ci model......ale to wpªywa na skªadnik losowy! (1) WdE II 5 / 36

ADL(1,1) Skªadnik losowy przy COMFAC Przy H 0 : (1 α 1 L) y t = (1 α 1 L) x t + ε t ε t Podzielmy przez (1 α 1 L): y t = x t + 1 α 1 L }{{} v t v t = εt 1 α 1 L (1 α 1 L) v t = ε t v t = α 1 v t 1 + ε t Restrykcja wspólnego czynnika w modelu ADL(1,1)......prowadzi do modelu statycznego y t = x t + v t z autokorelacj skªadnika losowego! Taki model powinien by szacowany uogólnion MNK. (1) WdE II 6 / 36

ADL(1,1) Skªadnik losowy przy COMFAC Przy H 0 : (1 α 1 L) y t = (1 α 1 L) x t + ε t ε t Podzielmy przez (1 α 1 L): y t = x t + 1 α 1 L }{{} v t v t = εt 1 α 1 L (1 α 1 L) v t = ε t v t = α 1 v t 1 + ε t Restrykcja wspólnego czynnika w modelu ADL(1,1)......prowadzi do modelu statycznego y t = x t + v t z autokorelacj skªadnika losowego! Taki model powinien by szacowany uogólnion MNK. (1) WdE II 6 / 36

ADL(1,1) Skªadnik losowy przy COMFAC Przy H 0 : (1 α 1 L) y t = (1 α 1 L) x t + ε t ε t Podzielmy przez (1 α 1 L): y t = x t + 1 α 1 L }{{} v t v t = εt 1 α 1 L (1 α 1 L) v t = ε t v t = α 1 v t 1 + ε t Restrykcja wspólnego czynnika w modelu ADL(1,1)......prowadzi do modelu statycznego y t = x t + v t z autokorelacj skªadnika losowego! Taki model powinien by szacowany uogólnion MNK. (1) WdE II 6 / 36

ADL(1,1) Skªadnik losowy przy COMFAC Przy H 0 : (1 α 1 L) y t = (1 α 1 L) x t + ε t ε t Podzielmy przez (1 α 1 L): y t = x t + 1 α 1 L }{{} v t v t = εt 1 α 1 L (1 α 1 L) v t = ε t v t = α 1 v t 1 + ε t Restrykcja wspólnego czynnika w modelu ADL(1,1)......prowadzi do modelu statycznego y t = x t + v t z autokorelacj skªadnika losowego! Taki model powinien by szacowany uogólnion MNK. (1) WdE II 6 / 36

ADL(2,2) Plan prezentacji 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy wariancji-kowariancji skªadnika losowego 3 Testowanie restrykcji COMFAC Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) Jedna restrykcja COMFAC w ADL(2,2) 4 Analiza COMFAC: przykªad (1) WdE II 7 / 36

ADL(2,2) COMFAC w modelu ADL(2,2) ADL(2,2): y t = α 1 y t 1 + α 2 y t 2 + x t + β 1 x t 1 + β 2 x t 2 + ε t W notacji wielomianu opó¹nie«: ( 1 α1 L α 2 L 2) y t = ( 1 + β 1 L + β 2 L 2 ) x t + ε t Faktoryzujemy wielomiany: (1 Lγ 1 ) (1 Lγ 2 )y t = (1 Lτ 1 ) (1 Lτ 2 )x t + ε t 2 testowalne restrykcje: γ 1 = τ 1 i γ 2 = τ 2 : ª czne odrzucenie obu restrykcji: model bez zmian odrzucenie 1 z 2: model upraszcza si do ADL(1,1) ze skªadnikiem losowym AR(1) nieodrzucenie»adnej: model upraszcza si do modelu statycznego ze skªadnikiem losowym AR(2) (1) WdE II 8 / 36

ADL(2,2) COMFAC w modelu ADL(2,2) ADL(2,2): y t = α 1 y t 1 + α 2 y t 2 + x t + β 1 x t 1 + β 2 x t 2 + ε t W notacji wielomianu opó¹nie«: ( 1 α1 L α 2 L 2) y t = ( 1 + β 1 L + β 2 L 2 ) x t + ε t Faktoryzujemy wielomiany: (1 Lγ 1 ) (1 Lγ 2 )y t = (1 Lτ 1 ) (1 Lτ 2 )x t + ε t 2 testowalne restrykcje: γ 1 = τ 1 i γ 2 = τ 2 : ª czne odrzucenie obu restrykcji: model bez zmian odrzucenie 1 z 2: model upraszcza si do ADL(1,1) ze skªadnikiem losowym AR(1) nieodrzucenie»adnej: model upraszcza si do modelu statycznego ze skªadnikiem losowym AR(2) (1) WdE II 8 / 36

ADL(2,2) COMFAC w modelu ADL(2,2) ADL(2,2): y t = α 1 y t 1 + α 2 y t 2 + x t + β 1 x t 1 + β 2 x t 2 + ε t W notacji wielomianu opó¹nie«: ( 1 α1 L α 2 L 2) y t = ( 1 + β 1 L + β 2 L 2 ) x t + ε t Faktoryzujemy wielomiany: (1 Lγ 1 ) (1 Lγ 2 )y t = (1 Lτ 1 ) (1 Lτ 2 )x t + ε t 2 testowalne restrykcje: γ 1 = τ 1 i γ 2 = τ 2 : ª czne odrzucenie obu restrykcji: model bez zmian odrzucenie 1 z 2: model upraszcza si do ADL(1,1) ze skªadnikiem losowym AR(1) nieodrzucenie»adnej: model upraszcza si do modelu statycznego ze skªadnikiem losowym AR(2) (1) WdE II 8 / 36

ADL(2,2) COMFAC w modelu ADL(2,2) ADL(2,2): y t = α 1 y t 1 + α 2 y t 2 + x t + β 1 x t 1 + β 2 x t 2 + ε t W notacji wielomianu opó¹nie«: ( 1 α1 L α 2 L 2) y t = ( 1 + β 1 L + β 2 L 2 ) x t + ε t Faktoryzujemy wielomiany: (1 Lγ 1 ) (1 Lγ 2 )y t = (1 Lτ 1 ) (1 Lτ 2 )x t + ε t 2 testowalne restrykcje: γ 1 = τ 1 i γ 2 = τ 2 : ª czne odrzucenie obu restrykcji: model bez zmian odrzucenie 1 z 2: model upraszcza si do ADL(1,1) ze skªadnikiem losowym AR(1) nieodrzucenie»adnej: model upraszcza si do modelu statycznego ze skªadnikiem losowym AR(2) (1) WdE II 8 / 36

ADL(2,2) Mo»liwe przypadki w modelu ADL(1,1): brak wspólnego czynnika 1 wspólny czynnik model upraszcza si do statycznego z resztami AR(1) w modelu ADL(2,2): brak wspólnego czynnika 1 wspólny czynnik model upraszcza si do AR(1) z resztami AR(1) 2 wspólne czynniki model upraszcza si do statycznego z resztami AR(2) restrykcje COMFAC s nieliniowe i powinny by testowane w adekwatny sposób...ale czasami liniowy test Walda uznawany za wystarczaj ce przybli»enie (zob: Greene) (1) WdE II 9 / 36

ADL(2,2) Mo»liwe przypadki w modelu ADL(1,1): brak wspólnego czynnika 1 wspólny czynnik model upraszcza si do statycznego z resztami AR(1) w modelu ADL(2,2): brak wspólnego czynnika 1 wspólny czynnik model upraszcza si do AR(1) z resztami AR(1) 2 wspólne czynniki model upraszcza si do statycznego z resztami AR(2) restrykcje COMFAC s nieliniowe i powinny by testowane w adekwatny sposób...ale czasami liniowy test Walda uznawany za wystarczaj ce przybli»enie (zob: Greene) (1) WdE II 9 / 36

ADL(2,2) Mo»liwe przypadki w modelu ADL(1,1): brak wspólnego czynnika 1 wspólny czynnik model upraszcza si do statycznego z resztami AR(1) w modelu ADL(2,2): brak wspólnego czynnika 1 wspólny czynnik model upraszcza si do AR(1) z resztami AR(1) 2 wspólne czynniki model upraszcza si do statycznego z resztami AR(2) restrykcje COMFAC s nieliniowe i powinny by testowane w adekwatny sposób...ale czasami liniowy test Walda uznawany za wystarczaj ce przybli»enie (zob: Greene) (1) WdE II 9 / 36

Idea UMNK Plan prezentacji 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy wariancji-kowariancji skªadnika losowego 3 Testowanie restrykcji COMFAC Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) Jedna restrykcja COMFAC w ADL(2,2) 4 Analiza COMFAC: przykªad (1) WdE II 10 / 36

Idea UMNK Estymator UMNK (1) y = Xβ + ε ε ( E [ε] = 0, E [ εε T ] = σ 2 Ω ) Przy dobrze okre±lonej, symetrycznej macierzy Ω......istnieje jednoznaczna dekompozycja Ω 1 = V T V. Mno»ymy równanie modelu lewostronnie przez V: Vy = VXβ + Vε Skªadnik losowy takiego zmodykowanego modelu jest sferyczny: [ ] var (Vε) = E (Vε) (Vε) T = E [ Vεε T V T ] = = VE [ εε T ] V T = Vσ 2 ΩV T = = σ 2 V ( V T V ) 1 V T = σ 2 VV 1 ( V T ) 1 V T = σ 2 I (1) WdE II 11 / 36

Idea UMNK Estymator UMNK (1) y = Xβ + ε ε ( E [ε] = 0, E [ εε T ] = σ 2 Ω ) Przy dobrze okre±lonej, symetrycznej macierzy Ω......istnieje jednoznaczna dekompozycja Ω 1 = V T V. Mno»ymy równanie modelu lewostronnie przez V: Vy = VXβ + Vε Skªadnik losowy takiego zmodykowanego modelu jest sferyczny: [ ] var (Vε) = E (Vε) (Vε) T = E [ Vεε T V T ] = = VE [ εε T ] V T = Vσ 2 ΩV T = = σ 2 V ( V T V ) 1 V T = σ 2 VV 1 ( V T ) 1 V T = σ 2 I (1) WdE II 11 / 36

Idea UMNK Estymator UMNK (1) y = Xβ + ε ε ( E [ε] = 0, E [ εε T ] = σ 2 Ω ) Przy dobrze okre±lonej, symetrycznej macierzy Ω......istnieje jednoznaczna dekompozycja Ω 1 = V T V. Mno»ymy równanie modelu lewostronnie przez V: Vy = VXβ + Vε Skªadnik losowy takiego zmodykowanego modelu jest sferyczny: [ ] var (Vε) = E (Vε) (Vε) T = E [ Vεε T V T ] = = VE [ εε T ] V T = Vσ 2 ΩV T = = σ 2 V ( V T V ) 1 V T = σ 2 VV 1 ( V T ) 1 V T = σ 2 I (1) WdE II 11 / 36

Idea UMNK Estymator UMNK (1) y = Xβ + ε ε ( E [ε] = 0, E [ εε T ] = σ 2 Ω ) Przy dobrze okre±lonej, symetrycznej macierzy Ω......istnieje jednoznaczna dekompozycja Ω 1 = V T V. Mno»ymy równanie modelu lewostronnie przez V: Vy = VXβ + Vε Skªadnik losowy takiego zmodykowanego modelu jest sferyczny: [ ] var (Vε) = E (Vε) (Vε) T = E [ Vεε T V T ] = = VE [ εε T ] V T = Vσ 2 ΩV T = = σ 2 V ( V T V ) 1 V T = σ 2 VV 1 ( V T ) 1 V T = σ 2 I (1) WdE II 11 / 36

Idea UMNK Estymator UMNK (2) Vy = VXβ + Vε Przypu± my,»e V (i w konsekwencji Ω) jest znane. Wówczas estymacja wyj±ciowego równania za pomoc UMNK jest równoznaczna z estymacj powy»szego równania (na transformowanych danych) za pomoc KMNK.: ˆβ OLS = ( X T X ) 1 X T y [ ˆβ GLS 1 = (VX) (VX)] T (VX) T (Vy) = = [ X T V T VX ] 1 X T V T Vy = [ X T Ω 1 X ] 1 X T Ω 1 y (1) WdE II 12 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego Plan prezentacji 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy wariancji-kowariancji skªadnika losowego 3 Testowanie restrykcji COMFAC Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) Jedna restrykcja COMFAC w ADL(2,2) 4 Analiza COMFAC: przykªad (1) WdE II 13 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego Jak znale¹ macierz Ω? nieznana i, w ogólnym przypadku, niemo»liwa do oszacowania (zawiera T 2 parametrów przy T obserwacjach) ale mo»e by wyra»ona jako funkcja niewielkiej liczby parametrów wymaga to pewnych zaªo»e«nt. procesu stochastycznego ε t, np.: ε t = ρε t 1 + η t η ( ) 0, σ 2 I wówczas: ˆΩ = Ω (ˆρ) ε t = ρ 1 ε t 1 + ρ 2 ε t 2 + η t η ( ) 0, σ 2 I wówczas: ˆΩ = Ω (ˆρ 1, ˆρ 2 ) itd. (1) WdE II 14 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego Jak znale¹ macierz Ω? nieznana i, w ogólnym przypadku, niemo»liwa do oszacowania (zawiera T 2 parametrów przy T obserwacjach) ale mo»e by wyra»ona jako funkcja niewielkiej liczby parametrów wymaga to pewnych zaªo»e«nt. procesu stochastycznego ε t, np.: ε t = ρε t 1 + η t η ( ) 0, σ 2 I wówczas: ˆΩ = Ω (ˆρ) ε t = ρ 1 ε t 1 + ρ 2 ε t 2 + η t η ( ) 0, σ 2 I wówczas: ˆΩ = Ω (ˆρ 1, ˆρ 2 ) itd. (1) WdE II 14 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego Jak znale¹ macierz Ω? nieznana i, w ogólnym przypadku, niemo»liwa do oszacowania (zawiera T 2 parametrów przy T obserwacjach) ale mo»e by wyra»ona jako funkcja niewielkiej liczby parametrów wymaga to pewnych zaªo»e«nt. procesu stochastycznego ε t, np.: ε t = ρε t 1 + η t η ( ) 0, σ 2 I wówczas: ˆΩ = Ω (ˆρ) ε t = ρ 1 ε t 1 + ρ 2 ε t 2 + η t η ( ) 0, σ 2 I wówczas: ˆΩ = Ω (ˆρ 1, ˆρ 2 ) itd. (1) WdE II 14 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego Przykªad procesu AR(1): ˆΩ = Ω (ˆρ) (1) Przyjmijmy: ε t = ρε t 1 + η t η ( 0, σ 2 η I ) var(ε t) = var(ρε t 1 + η t) = var(ρ 2 ε t 2 + ρη t 1 + η t) = var ( η t + ρη t 1 + ρ 2 η t 2 +... ) = σ 2 η + σ 2 ηρ 2 + σ 2 ηρ 4 +... = cov(ε t, ε t 1 ) = cov (ρε t 1 + η t, ε t 1 ) = ρvar(ε t 1 ) = ρ σ2 η 1 ρ 2 σ2 η 1 ρ 2 cov(ε t, ε t 2 ) = cov ( ρ 2 ) ε t 2 + ρε t 1 + η t, ε t 2 = ρ 2 var(ε t 2 ) = ρ 2 1 ρ 2 σ2 η. ˆΩ = σ2 η 1 ρ 2 1 ρ ρ 2 ρ T 1 ρ 1 ρ...... ρ 2 ρ 1... ρ 2.......... ρ ρ T 1 ρ 2 ρ 1 (1) WdE II 15 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego Przykªad procesu AR(1): ˆΩ = Ω (ˆρ) (2) W takiej sytuacji mo»na pokaza,»e: 1 ρ 0 0 ρ 1 + ρ 2. ρ..... ˆΩ 1 = 1 ση 2 0 ρ 1 + ρ 2... 0.......... ρ 0 0 ρ 1 1 ρ 2 0 0 0. ρ 1 0..... V =. 0 ρ 1.. 0.......... 0 0 0 ρ 1 Dowód: Oblicz ˆΩˆΩ 1 (powinno wyj± I ) oraz V T V (powinno wyj± ˆΩ 1 ). (1) WdE II 16 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego UMNK w praktyce ˆΩ ˆρ ˆε Start: ˆβ OLS ˆβ GLS ŷ (1) WdE II 17 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego UMNK w praktyce ˆΩ ˆρ ˆε Start: ˆβ OLS ˆβ GLS ŷ (1) WdE II 18 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego UMNK w praktyce ˆΩ ˆρ ˆε Start: ˆβ OLS ˆβ GLS ŷ (1) WdE II 19 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego UMNK w praktyce ˆΩ ˆρ ˆε Start: ˆβ OLS ˆβ GLS ŷ (1) WdE II 20 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego UMNK w praktyce ˆΩ ˆρ ˆε Start: ˆβ OLS ˆβ GLS ŷ (1) WdE II 21 / 36

Znajdowanie macierzy wariancji-kowariancji skªadnika losowego Metoda Cochrane'a-Orcutta Szczególny przypadek UMNK: zakªadamy autokorelacj 1. rz du. y t = x t β + ε t ε t = ρ 1 ε t 1 + η t y t 1 = x t 1 β + ε t 1 η t = ε t ρ 1 ε t 1 Odejmujemy równania stronami, przy czym drugie z nich jest mno»one przez ρ 1 : y t ρ 1 y t 1 = x t β ρ 1 x t 1 β + ε t ρ 1 ε t y t ρ 1 y }{{ t 1 = } transformowana z.objaśniana (x t ρ 1 x t 1 ) }{{} transformowane z.objaśniające β + η t }{{} sferyczny sk l.losowy (1) WdE II 22 / 36

Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) Plan prezentacji 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy wariancji-kowariancji skªadnika losowego 3 Testowanie restrykcji COMFAC Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) Jedna restrykcja COMFAC w ADL(2,2) 4 Analiza COMFAC: przykªad (1) WdE II 23 / 36

Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) Testowanie restrykcji liniowych Test Walda: H 0 : Rβ = q, tzn. liniowe restrykcje dla β s prawdziwe H 1 : Rβ q, i.e. tzn. liniowe restrykcje dla β s odrzucane przez dane Statystyka testowa: F = (RRSS URSS)/m URSS/(T k) ma rozkªad F (m, T k), gdzie: RRSS: suma kwadratów reszt w modelu z restrykcjami URSS: suma kwadratów reszt w modelu bez restrykcji m: liczba restrykcji T : liczba obserwacji k: liczba szacowanych parametrów w modelu bez restrykcji (1) WdE II 24 / 36

Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) ADL(1,1), nieliniowo± restrykcja α 1 = β 1 jest nieliniowa (wzgl dem parametrów) tym bardziej restrykcje dotycz ce modelu ADL(2,2) skomplikowane funkcje parametrów strukturalnych test Walda dla nieliniowych restrykcji hipoteza zerowa i alternatywna: jak w te±cie Walda (1) WdE II 25 / 36

Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) ADL(1,1), nieliniowo± restrykcja α 1 = β 1 jest nieliniowa (wzgl dem parametrów) tym bardziej restrykcje dotycz ce modelu ADL(2,2) skomplikowane funkcje parametrów strukturalnych test Walda dla nieliniowych restrykcji hipoteza zerowa i alternatywna: jak w te±cie Walda (1) WdE II 25 / 36

Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) ADL(2,2), 2 restrykcje COMFAC H 0 : λ 1 = τ 1 λ 2 = τ 2 model z 2 restrykcjami: y t = α 0 + (λ 1 + λ 2 ) y t 1 λ 1 λ 2 y t 2 + x t (λ 1 + λ 2 ) x t 1 + λ 1 λ 2 x t 2 + ε t (1) WdE II 26 / 36

Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) ADL(2,2), 2 restrykcje COMFAC H 0 : λ 1 = τ 1 λ 2 = τ 2 model z 2 restrykcjami: y t = α 0 + (λ 1 + λ 2 ) y t 1 λ 1 λ 2 y t 2 + x t (λ 1 + λ 2 ) x t 1 + λ 1 λ 2 x t 2 + ε t (1) WdE II 26 / 36

Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) ADL(2,2), 2 restrykcje COMFAC, nieliniowo± H 0 : β 1 = α 1 β 2 = α 2 (dwa wspólne czynniki) test mo»e, ale nie musi by prosty to zale»y od hipotezy alternatywnej: brak wspólnych czynników restrykcje ªatwo wyrazi jako funkcje parametrów strukturalnych jeden wspólny czynnik nie mo»na wówczas ªatwo wyj jednego z dwóch równa«z H 0, lecz musimy rozªo»y na czynniki wielomian opó¹nie«(1) WdE II 27 / 36

Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) ADL(2,2), 2 restrykcje COMFAC, nieliniowo± H 0 : β 1 = α 1 β 2 = α 2 (dwa wspólne czynniki) test mo»e, ale nie musi by prosty to zale»y od hipotezy alternatywnej: brak wspólnych czynników restrykcje ªatwo wyrazi jako funkcje parametrów strukturalnych jeden wspólny czynnik nie mo»na wówczas ªatwo wyj jednego z dwóch równa«z H 0, lecz musimy rozªo»y na czynniki wielomian opó¹nie«(1) WdE II 27 / 36

Jedna restrykcja COMFAC w ADL(2,2) Plan prezentacji 1 Restrykcje COMFAC w modelach ADL ADL(1,1) ADL(2,2) 2 Uogólniona MNK Idea UMNK Znajdowanie macierzy wariancji-kowariancji skªadnika losowego 3 Testowanie restrykcji COMFAC Proste przypadki: ADL(1,1) i dwie restrykcje w ADL(2,2) Jedna restrykcja COMFAC w ADL(2,2) 4 Analiza COMFAC: przykªad (1) WdE II 28 / 36

Jedna restrykcja COMFAC w ADL(2,2) ADL(2,2), 1 restrykcja COMFAC ( 1 α1 L α 2 L 2) y t = α 0 + ( 1 + β 1 L + β 2 L 2 )x t + ε t (1 Lλ 1 ) (1 Lλ 2 )y t = α 0 + (1 Lτ 1 ) (1 Lτ 2 )x t + ε t (1 (λ1 + λ 2 ) L + λ 1 λ 2 L 2) y t = α 0 + ( 1 (τ1 + τ 2 ) L + τ 1 τ 2 L 2) x t + ε t y t = α 0 + (λ 1 + λ 2 ) y t 1 λ 1 λ 2 y t 2 + x t (τ 1 + τ 2 ) x t 1 + τ 1 τ 2 x t 2 + ε t Testujemy λ 1 = τ 1. (Czy ma znaczenie, czy testujemy λ 1 = τ 1 czy λ 2 = τ 2?) (1) WdE II 29 / 36

Jedna restrykcja COMFAC w ADL(2,2) ADL(2,2), 1 restrykcja COMFAC ( 1 α1 L α 2 L 2) y t = α 0 + ( 1 + β 1 L + β 2 L 2 )x t + ε t (1 Lλ 1 ) (1 Lλ 2 )y t = α 0 + (1 Lτ 1 ) (1 Lτ 2 )x t + ε t (1 (λ1 + λ 2 ) L + λ 1 λ 2 L 2) y t = α 0 + ( 1 (τ1 + τ 2 ) L + τ 1 τ 2 L 2) x t + ε t y t = α 0 + (λ 1 + λ 2 ) y t 1 λ 1 λ 2 y t 2 + x t (τ 1 + τ 2 ) x t 1 + τ 1 τ 2 x t 2 + ε t Testujemy λ 1 = τ 1. (Czy ma znaczenie, czy testujemy λ 1 = τ 1 czy λ 2 = τ 2?) (1) WdE II 29 / 36

Jedna restrykcja COMFAC w ADL(2,2) ADL(2,2), 1 restrykcja COMFAC ( 1 α1 L α 2 L 2) y t = α 0 + ( 1 + β 1 L + β 2 L 2 )x t + ε t (1 Lλ 1 ) (1 Lλ 2 )y t = α 0 + (1 Lτ 1 ) (1 Lτ 2 )x t + ε t (1 (λ1 + λ 2 ) L + λ 1 λ 2 L 2) y t = α 0 + ( 1 (τ1 + τ 2 ) L + τ 1 τ 2 L 2) x t + ε t y t = α 0 + (λ 1 + λ 2 ) y t 1 λ 1 λ 2 y t 2 + x t (τ 1 + τ 2 ) x t 1 + τ 1 τ 2 x t 2 + ε t Testujemy λ 1 = τ 1. (Czy ma znaczenie, czy testujemy λ 1 = τ 1 czy λ 2 = τ 2?) (1) WdE II 29 / 36

Jedna restrykcja COMFAC w ADL(2,2) ADL(2,2), 1 COMFAC, nieliniowo± ( 1 α1 L α 2 L 2) y t = α 0 + ( 1 + β 1 L + β 2 L 2 ) x t + ε t (1 Lλ 1 ) (1 Lλ 2 ) y t = α 0 + (1 Lτ 1 ) (1 Lτ 2 ) x t + ε t Jaka dokªadnie jest relacja mi dzy (wspólnymi) czynnikami a parametrami? = α 2 1 4 ( α 2) = α 2 1 + 4α 2 = β2 1 β 2 0 λ 1,2 = α 1± α 2 1 +4α β 1 2 2α 2 τ 1,2 = ± 4 β 2 β 1 2 β 0 2 4 β 2 2 β 2 (1) WdE II 30 / 36

Jedna restrykcja COMFAC w ADL(2,2) ADL(2,2), 1 COMFAC, nieliniowo± ( 1 α1 L α 2 L 2) y t = α 0 + ( 1 + β 1 L + β 2 L 2 ) x t + ε t (1 Lλ 1 ) (1 Lλ 2 ) y t = α 0 + (1 Lτ 1 ) (1 Lτ 2 ) x t + ε t Jaka dokªadnie jest relacja mi dzy (wspólnymi) czynnikami a parametrami? = α 2 1 4 ( α 2) = α 2 1 + 4α 2 = β2 1 β 2 0 λ 1,2 = α 1± α 2 1 +4α β 1 2 2α 2 τ 1,2 = ± 4 β 2 β 1 2 β 0 2 4 β 2 2 β 2 (1) WdE II 30 / 36

Jedna restrykcja COMFAC w ADL(2,2) jeden wspólny czynnik H 0 : λ 1 = τ 1 α 1 ± α 2 1 +4α β 1 2 2α 2 = ± pierwiastków β 1 2 β 0 2 4 β 2 2 β 2 przynajmniej dla jednej pary mno»ymy obie strony przez 2α 2 β 2, pierwiastki kwadratowe umieszczamy po prawej stronie równania, podniosimy obie strony do kwadratu i redukujemy α 1 β 1 + 2 α 2 2β 2 ± (α 2 1 + 4α 2 ) ( β 2 1 4 β 2 ) = 0 s dwa równania i jeden wspólny czynnik, je»eli jedno z nich zostanie odrzucone (1) WdE II 31 / 36

Jedna restrykcja COMFAC w ADL(2,2) jeden wspólny czynnik H 0 : λ 1 = τ 1 α 1 ± α 2 1 +4α β 1 2 2α 2 = ± pierwiastków β 1 2 β 0 2 4 β 2 2 β 2 przynajmniej dla jednej pary mno»ymy obie strony przez 2α 2 β 2, pierwiastki kwadratowe umieszczamy po prawej stronie równania, podniosimy obie strony do kwadratu i redukujemy α 1 β 1 + 2 α 2 2β 2 ± (α 2 1 + 4α 2 ) ( β 2 1 4 β 2 ) = 0 s dwa równania i jeden wspólny czynnik, je»eli jedno z nich zostanie odrzucone (1) WdE II 31 / 36

Jedna restrykcja COMFAC w ADL(2,2) jeden wspólny czynnik H 0 : λ 1 = τ 1 α 1 ± α 2 1 +4α β 1 2 2α 2 = ± pierwiastków β 1 2 β 0 2 4 β 2 2 β 2 przynajmniej dla jednej pary mno»ymy obie strony przez 2α 2 β 2, pierwiastki kwadratowe umieszczamy po prawej stronie równania, podniosimy obie strony do kwadratu i redukujemy α 1 β 1 + 2 α 2 2β 2 ± (α 2 1 + 4α 2 ) ( β 2 1 4 β 2 ) = 0 s dwa równania i jeden wspólny czynnik, je»eli jedno z nich zostanie odrzucone (1) WdE II 31 / 36

wiczenie wiczenie Przykªad 19.6 z Greene, s. 585-586: Rozwa»amy model obja±niaj cy logarytm realnej konsumpcji przez logarytm PKB. Oszacuj model statyczny. Co z autokorelacj reszt? Oszacuj model ADL(1,1). Zwerykuj hipotez wspólnego czynnika. Oszacuj model ADL(2,2). Zwerykuj hipotezy wspólnych czynników. Czy s 2 wspólne czynniki w modelu ADL(2,2)? Omówmy otrzymane wyniki.. (1) WdE II 32 / 36

wiczenie ADL(1,1), test restrykcji liniowych Szacujemy model z nieliniow restrykcj za pomoc nieliniowej MNK. F (1, 199) = (0,0101 0,0096)/1 0,0096/(203 4) 9, 79 z p-value 0, 002 wspólny czynnik ODRZUCONY (1) WdE II 33 / 36

wiczenie ADL(2,2), 2 restrykcje COMFAC, test restrykcji liniowych F (2, 196) = (0,0094 0,0089)/2 0,0089/(202 6) 5, 99 z p-value 0,015 Odrzucenie (lub nie) hipotezy,»e model ADL(2,2) ze sferycznymi resztami upraszcza si do modelu statycznego z resztami AR(2) zale»y od wybranego poziomu istotno±ci. (1) WdE II 34 / 36

wiczenie Testy restrykcji nieliniowych Powy»sze post powanie jest niedokªadne ze wzgl du na nieuwzgl dnienie nieliniowych restrykcji. Statystyka testowa dla nieliniowych restrykcji: W = χ 2 (r) [ LHS ( ˆβ)] T { [ LHS( ˆβ) ] T Cov ˆβ gdzie: r liczba rozwa»anych restrykcji N liczba obserwacji ( ) LHS ˆβ ( [ ˆβ) LHS( ˆβ) ˆβ ] } 1 [ ( )] LHS ˆβ - lewa strona równania restrykcji (przy zaªo»eniu,»e prawa wynosi 0); przy r > 1 pionowy wektor Rozwi zanie: zob. kod w R. (1) WdE II 35 / 36

wiczenie Lektury Greene: rozdziaª Models With Lagged Variables (1) WdE II 36 / 36