Univerzita Karlova v Praze Matematicko-fyzik´aln´ı fakulta
´ PRACE ´ DIPLOMOVA
Marek Mikoˇska Modely kointegrovan´ ych ˇ casov´ ych ˇ rad Katedra pravdˇepodobnosti a matematick´e statistiky
Vedouc´ı diplomov´e pr´ace: Doc. RNDr. Petr Lachout, CSc. Studijn´ı program: Ekonometrie
Dˇekuji Doc. RNDr. Petru Lachoutovi, CSc. za veden´ı moj´ı diplomov´e pr´ace, cenn´e rady, pˇripom´ınky a n´avrhy pˇri jej´ım psan´ı.
Prohlaˇsuji, ˇze jsem svou diplomovou pr´aci napsal samostatnˇe a v´ yhradnˇe s pouˇzit´ım citovan´ ych pramen˚ u. Souhlas´ım se zap˚ ujˇcov´an´ım pr´ace. V Praze dne 18. dubna 2008
Marek Mikoˇska
Obsah ´ Uvod
6
1 Z´ akladn´ı pojmy 1.1 N´ahodn´e procesy . . . . . . . . . . . . . . . . . . 1.2 Grangerova kauzalita v ˇcasov´ ych ˇrad´ach a anal´ yza 1.3 Exogenita . . . . . . . . . . . . . . . . . . . . . . 1.4 Z´akladn´ı modely v´ıcerozmˇern´ ych ˇcasov´ ych ˇrad . . 1.5 Nestacionarita a integrovan´e procesy . . . . . . . 1.6 Funkcion´aln´ı centr´aln´ı limitn´ı vˇeta . . . . . . . .
. . . . . . . . impuls-reakce . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
7 7 10 11 13 15 19
2 Testov´ an´ı jednotkov´ eho koˇ rene 2.1 Dickey-Fullerovy testy . . . . . . 2.2 Zobecnˇen´e Dickey-Fullerovy testy 2.3 Phillips-Perronovy testy . . . . . 2.4 Testov´an´ı v´ıce parametr˚ u. . . . .
. . . .
. . . .
. . . .
. . . .
22 23 25 26 31
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
3 Kointegrace 34 3.1 Definice kointegrace . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2 Grangerova vˇeta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4 Modely kointegrovan´ ych ˇ casov´ ych ˇ rad 40 4.1 VAR a VMA reprezentace kointegrovan´ ych veliˇcin . . . . . . . . . . . 40 4.2 ECM reprezentace . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.2.1 Odhad error-correction modelu dvoukrokovou metodou . . . . 43 4.2.2 Odhad error-correction modelu a testov´an´ı kointegrace Johansenovou procedurou . . . . . . . . . . . . . . . . . . . . . . . . 44 4.2.3 Volba d´elky zpoˇzdˇen´ı p . . . . . . . . . . . . . . . . . . . . . . 48 4.2.4 Line´arn´ı omezen´ı na β . . . . . . . . . . . . . . . . . . . . . . 49 4.2.5 Hypot´ezy na parametr α a podm´ınˇen´ y model . . . . . . . . . 49 4.3 Triangular reprezentace . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.4 Statick´ y regresn´ı model kointegrovan´ ych veliˇcin . . . . . . . . . . . . 54 4.5 ADL reprezentace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
OBSAH 4.6
4 Grangerova kauzalita v kointegrovan´ ych syst´emech . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5 Numerick´ a aplikace na re´ aln´ a data 5.1 Anal´ yza integrovanosti . . . . . . . . . . . . . . . . . . 5.2 Kointegraˇcn´ı anal´ yza v´ıcerozmˇern´eho syst´emu . . . . . 5.3 Testov´an´ı restrikc´ı na parametr β a testov´an´ı exogenity 5.4 Z´avˇery z v´ıcerozmˇern´e error-correction anal´ yzy . . . . . 5.5 Anal´ yza v jednorovnicov´em modelu . . . . . . . . . . . 6 Shrnut´ı
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
58 61 63 65 69 71 72 75
N´azev pr´ace: Modely kointegrovan´ ych ˇcasov´ ych ˇrad. Autor: Marek Mikoˇska Katedra: Katedra pravdˇepodobnosti a matematick´e statistiky Vedouc´ı diplomov´e pr´ace: Doc. RNDr. Petr Lachout, CSc. e-mail vedouc´ıho:
[email protected] Abstrakt: V pr´aci se zab´ yv´ame konceptem kointegrace, kter´ y je vhodn´ ym n´astrojem k anal´ yze nestacion´arn´ıch proces˚ u. Pˇredkl´ad´ame shrnut´ı nejpouˇz´ıvanˇejˇs´ıch test˚ u jednotkov´eho koˇrene, kter´ ymi ovˇeˇrujeme integrovanost analyzovan´ ych ˇrad. D´ale se detailnˇe zamˇeˇrujeme na modely, kter´e jsou bˇeˇznˇe pouˇz´ıv´any k anal´ yze kointegrovan´ ych ˇcasov´ ych ˇrad. Nejv´ıce se vˇenujeme popisu nejpouˇz´ıvanˇejˇs´ıho error-correction (EC) modelu, kter´ y lze pouˇz´ıt k modelov´an´ı vˇetˇs´ıho poˇctu kointegraˇcn´ıch vztah˚ u. Zab´ yv´ ame se testov´an´ım line´arn´ıch omezen´ı na kointegraˇcn´ı vztah a d´ale tak´e testov´an´ım slab´e exogenity vyˇsetˇrovan´ ych ˇrad pouˇzit´ım pomˇeru vˇerohodnost´ı. V r´amci jednorovnicov´e kointegraˇcn´ı anal´ yzy je podrobnˇe pops´an autoregressive distributed lags model (ADL). Ilustrujeme pˇr´ımou souvislost mezi EC a ADL modely. D´ale pˇredstavujeme modely VAR, VMA, Phillipsovu triangular reprezentaci a kointegraˇcn´ı regresi. Zab´ yv´ame se vz´ajemn´ ymi vztahy mezi uveden´ ymi modely a shrnujeme v´ yhody a nev´ yhody jejich pouˇzit´ı. Na z´avˇer ilustrujeme teoretick´e v´ ysledky na anal´ yze re´aln´ ych ˇcasov´ ych ˇrad. Na zvolen´em modelu bylo moˇzn´e prov´est redukci vektorov´eho error-correction modelu na jednorovnicov´ y ADL model bez ztr´aty eficience a ovˇeˇrit vztah mezi tˇemito modely. Pouˇzit´ım test˚ u na line´arn´ı omezen´ı kointegraˇcn´ıho vektoru a test˚ u exogenity a Grangerovy kauzality jsme dok´azali pˇresnˇeji identifikovat model na pozad´ı ekonomick´e teorie. Kl´ıˇcov´a slova: kointegrace, error correction model (EC), autoregressive distributed lag model (ADL), kointegrovan´ y VAR model, exogenita, triangular reprezentace. Title: Cointegrated Time Series Models. Author: Marek Mikoˇska Department: Department of Probability and Mathematical Statistics Supervisor: Doc. RNDr. Petr Lachout, CSc. Supervisor’s e-mail address:
[email protected] Abstract: The thesis deals with the concept of cointegration which represents appropriate tool in the analysis of nonstationary processes. First we summarized most commonly used test for the presence of the unit root in individual time series. Next we concentrate on the models which are commonly used in the cointegration analysis of the time series. We are extensively described error-correction (EC) model which could be used in the analysis of few cointegrating relations. We also pay attention to testing of the linear restrictions on cointegrating relations and testing the hypothesis of weekly exogeneity of examined series by employing likelihood ratio. For the single equation cointegration analysis we described autoregressive distributed lags model (ADL) in detail. We illustrated straight connection between EC and ADL models. Next we introduce the models VAR, VMA, Phillips triangular representation and cointegrating regression. We were concerned with description of relationships between models and we summarized their advantages and disadvantages. Final we illustrated theoretical results in the analysis of the real time series. In the final choice of model we could reduced vector error-correction model to single equation ADL model without the loss of efficiency and we could verified the relationship between them. By employing the tests of linear restriction on cointegrating relation and tests of exogeneity and Granger causality we achieved the better identification of the model in the background of economic theory. Keywords: cointegration, error correction model (EC), autoregressive distributed lag model (ADL), cointegrated VAR model, exogeneity, triangular representation.
´ Uvod Kointegraˇcn´ı anal´ yza pˇredstavuje modern´ı n´astroj, kter´ ym lze modelovat dlouhodob´ y rovnov´aˇzn´ y vztah mezi nˇekolika nestacion´arn´ımi promˇenn´ ymi. Velmi zaj´ımav´e v´ ysledky dosahuje v anal´ yze ekonomick´ ych ˇcasov´ ych ˇrad, kter´e ˇcasto obsahuj´ı stochastick´ y trend. V pr´aci jsme vych´azeli z diplomov´ ych prac´ı Bittner (2005) a Jur´aˇska (2007). Kromˇe pˇrehledn´eho shrnut´ı z´akladn´ıch v´ ysledk˚ u jsme se detailnˇeji zab´ yvali vztahy mezi jednotliv´ ymi typy kointegraˇcn´ıch model˚ u. V prvn´ı kapitole jsou zadefinov´any z´akladn´ı pojmy, kter´e jsou v dalˇs´ım textu pouˇz´ıv´any. D´ale jsou shrnuty nejpouˇz´ıvanˇejˇs´ı testy jednotkov´eho koˇrene, nebot’ tato problematika je velmi u ´zce spjat´a s problematikou kointegrace. V tˇret´ı kapitole je ˇcten´aˇri pˇredstaven pojem kointegrace, spolu s pˇr´ısluˇsnou motivac´ı. Zde je tak´e seps´ana obecn´a verze u ´stˇredn´ı Grangerovy vˇety, kter´a popisuje vztah z´akladn´ıch kointegraˇcn´ıch model˚ u. N´aslednˇe se vˇenujeme popisu z´akladn´ıch model˚ u, kter´e b´ yvaj´ı pouˇz´ıv´any v r´amci kointegrace. Zmiˇ nujeme se o VAR a VMA modelu, error-correction modelu, Phillipsovˇe triangular reprezentaci a na z´avˇer detailnˇeji popisujeme jednorovnicov´e modely, zvl´aˇstˇe pak model ADL. Nejv´ıce se samozˇrejmˇe zab´ yv´ame nejpouˇz´ıvanˇejˇs´ım vektorov´ ym error-correction modelem a d´ale pak ADL modelem, kter´ y je s n´ım u ´zce spjat´ y. Detailnˇe se zab´ yv´ame testov´an´ım line´arn´ıch omezen´ı v kointegraˇcn´ım vztahu a tak´e pˇrevody mezi jednotliv´ ymi modely. Na z´avˇer ilustrujeme mnoh´e teoretick´e v´ ysledky v praktick´e ˇc´asti, kde analyzujeme re´aln´a data. Volba dat n´am umoˇznila ilustrovat pˇrechod z v´ıcerozmˇern´eho na jednorozmˇern´ y model. Tak´e jsme mohli posoudit d˚ uleˇzitost ekonomick´e teorie, kter´a stoj´ı za volbou modelu. D´ıky pouˇzit´ı line´arn´ıch omezen´ı na parametry modelu jsme identifikovali probl´em v nekonzistenci v´ ysledk˚ u s jin´ ymi anal´ yzami prov´adˇen´ ymi na obdobn´em popt´avky po penˇez´ıch. V naˇsem pˇr´ıpadˇe jsme doˇsli k z´avˇeru, ˇze v pouˇzit´ ych datech je sp´ıˇse modelov´an jin´ y kointegraˇcn´ı vztah, neˇz bylo p˚ uvodnˇe pˇredpokl´ad´ano. Praktick´a ˇc´ast je pˇr´ınosn´a vzhledem k ilustraci probl´em˚ u souvisej´ıc´ıch s anal´ yzou a n´avrhu moˇzn´ ych zp˚ usob˚ u ˇreˇsen´ı.
Kapitola 1 Z´ akladn´ı pojmy V t´eto kapitole jsou shrnuty z´akladn´ı definice a pojmy, se kter´ ymi se setk´av´ame v souvislosti s t´ematem kointegrace. V prvn´ı ˇc´asti se zab´ yv´ame z´aklady n´ahodn´ ych proces˚ u. Zm´ın´ıme se o exogenitˇe a Grangerovˇe kauzalitˇe. D´ale jsou prezentov´any nˇekter´e z´akladn´ı typy v´ıcerozmˇern´ ych n´ahodn´ ych proces˚ u v pˇr´ıpadˇe stacion´arn´ıch proces˚ u. Na z´avˇer si zavedeme pojmy nestacion´arn´ıho a integrovan´eho n´ahodn´eho procesu a funkcion´aln´ı centr´aln´ı limitn´ı vˇetu, kter´a se v tomto textu ˇcasto vyuˇz´ıv´a pˇri odvozen´ı asymptotick´eho asymptotick´ ych vlastnost´ı.
1.1
N´ ahodn´ e procesy
V t´eto sekci jsou zadefinov´any z´akladn´ı pojmy z n´ahodn´ ych proces˚ u, kter´e bezprostˇrednˇe souvis´ı s t´ematem kointegrace. Vˇetˇsinu pojm˚ u lze nal´ezt v publikac´ıch Pr´aˇskov´a (2004), Arlt (1999) a L¨ utkepohl (2005). Definice 1.1. Necht’ T ⊂ R a (Ω, A, P ) je pravdˇepodobnostn´ı prostor. Rodinu n´ahodn´ ych veliˇcin {Yt , t ∈ T } definovan´ ych na (Ω, A, P ) naz´ yv´ame n´ ahodn´y proces. Rodinu (m-rozmˇern´ ych) n´ahodn´ ych vektor˚ u {Y t , t ∈ T } definovan´ ych na (Ω, A, P ) naz´ yv´ame vektorov´y (m-rozmˇern´y) n´ahodn´y proces. N´ahodn´ y proces s diskr´etn´ı mnoˇzinou ˇcas˚ u (T ⊂ Z nebo T = Z) naz´ yv´ame ˇcasovou ˇradou. Nˇekdy budeme n´ahodn´ y proces {Y t , t ∈ Z} pro zjednoduˇsen´ı znaˇcit {Y t }. Definice 1.2. N´ahodn´ y proces {Yt , t ∈ T } se naz´ yv´a striktnˇe stacion´arn´ı, jestliˇze pro libovoln´e ti ∈ T , i = 1, . . . , n a libovoln´e h takov´e, ˇze ti+h ∈ T , i = 1, . . . , n, je rozdˇelen´ı n´ahodn´eho vektoru (Yt1 , . . . , Ytn ) stejn´e jako rozdˇelen´ı n´ahodn´eho vektoru (Yt1 +h , . . . , Ytn +h ).
´ ´I POJMY KAPITOLA 1. ZAKLADN
8
ˇ Definice 1.3. Rekneme, ˇze n´ahodn´ y proces {Yt , t ∈ Z} je slabˇe stacion´arn´ı, jestliˇze plat´ı: E(Yt ) = µt = µ ∈ R pro kaˇzd´e t ∈ Z , var(Yt ) = E(Yt − µt )2 = σt2 = σ 2 < ∞ pro kaˇzd´e t ∈ Z , cov(Yt , Yt+h ) = E(Yt − µt )(Yt+h − µt+h ) = γh ∈ R pro kaˇzd´e t, h ∈ Z . Funkce R(t, s) = E(Yt − µt )(Ys − µs ) se naz´ yv´a autokovarianˇcn´ı funkce procesu 2 {Yt , t ∈ Z}. Funkce µt a σt = R(t, t) z pˇredeˇsl´e definice naz´ yv´ame stˇredn´ı hodnotou a rozptylem procesu {Yt , t ∈ Z}. Z definice vypl´ yv´a, ˇze autokovarianˇcn´ı funkce R(t, s) slabˇe stacion´arn´ıho procesu z´avis´ı pouze na rozd´ılu t − s a jeho rozptyl a stˇredn´ı hodnota je v ˇcase nemˇenn´a. Obdobn´e poˇzadavky obsahuje definice slab´e stacionarity pro v´ıcerozmˇern´ y n´ahodn´ y proces. ˇ Definice 1.4. Rekneme, ˇze m-rozmˇern´ y n´ahodn´ y proces{Y t , t ∈ Z} je slabˇe stacion´arn´ı, jestliˇze plat´ı: E(Y t ) = µt = µ ∈ Rm pro kaˇzd´e t ∈ Z , var(Y t ) = E[(Y t − µt )(Y t − µt )0 ] = Σt = Σ pro kaˇzd´e t ∈ Z , Σ je re´aln´a symetrick´a pozitivnˇe semidefinitn´ı matice , cov(Y t , Y t+h ) = E[(Y t − µt )(Y t+h − µt+h )0 ] = Γh ∈ Rm pro kaˇzd´e t, h ∈ Z . Matice Σ je kovarianˇcn´ı matice rozmˇeru (m × m), kter´a m´a na diagon´ale rozptyly a mimo diagon´alu kovariance jednotliv´ ych n´ahodn´ ych veliˇcin m-rozmˇern´eho procesu Y t . Γh z pˇredeˇsl´e definice se naz´ yv´a autokovarianˇcn´ı (maticov´ a) funkce m-rozmˇern´eho procesu Y t . Pro slabˇe stacion´arn´ı m-rozmˇern´ y proces Y t = (Y1,t , . . . , Ym,t )0 ji lze zapsat n´asledovnˇe: γ11,h γ12,h · · · γ1m,h γ21,h γ22,h · · · γ2m,h Γh = E[(Y t − µ)(Y t+h − µ)0 ] = .. .. .. .. , . . . . γm1,h γm2,h · · · γmm,h kde γij,h = E(Yi,t − µi )(Yj,t+h − µj ) pro h ∈ Z, i = 1, . . . , m a j = 1, . . . , m. V praktick´e anal´ yze ˇcasov´ ych ˇrad vˇetˇsinou pouˇz´ıv´ame v´ yhradnˇe slabou stacionaritu, pro jej´ıˇz ovˇeˇren´ı staˇc´ı odhadovat prvn´ı dva momenty. Pokud nebude uvedeno jinak, pod pojmem stacionarita budeme rozumˇet slabou stacionaritu.
´ ´I POJMY KAPITOLA 1. ZAKLADN ˇ Definice 1.5. Rekneme, ˇze m-rozmˇern´ y n´ahodn´ y proces {εt , t (m-rozmˇern´y) b´ıl´y ˇsum, pokud pro nˇej plat´ı:
9 ∈
Z} je
E(εt ) = 0 , E(εt ε0t ) = Σε pro kaˇzd´e t ∈ Z , Σε je re´aln´a symetrick´a pozitivnˇe semidefinitn´ı matice , 0 E(εt εs ) = 0 pro kaˇzd´e t ∈ Z , s ∈ Z , t 6= s . Struˇcnˇe budeme zapisovat εt ∼ WN(0, Σε ). Pokud nav´ıc plat´ı εt ∼ N (0, Σε ), pak proces naz´ yv´ame norm´aln´ı (gaussovsk´y) b´ıl´y ˇsum. V pˇredeˇsl´e definici i dalˇs´ım textu budeme symbolem 0 znaˇcit nulov´ y vektor nebo matici pˇr´ısluˇsn´ ych rozmˇer˚ u. Definice 1.6. Spojit´ y n´ahodn´ y proces {Wt , t ≥ 0} naz´ yv´ame Wiener˚ uv proces, jestliˇze splˇ nuje: (i ) W0 = 0 s. j., (ii ) {Wt , t ≥ 0} m´a spojit´e trajektorie, (iii ) pro libovoln´e k ∈ N a Wt1 − Wt0 .. .
libovoln´e ˇcasov´e okamˇziky 0 = t0 < t1 < . . . < tk plat´ı: 0 (t1 − t0 ) 0 . .. .. ∼ N .. , . . Wtk − Wtk−1 0 · · · (tk − tk−1 ) 0
(to znamen´a, ˇze pˇr´ır˚ ustky Wti − Wti−1 , i = 1, . . . , k jsou nez´avisl´e norm´alnˇe rozdˇelen´e s nulovou stˇredn´ı hodnotou a rozptylem ti − ti−1 , i = 1, . . . , k). Za povˇsimnut´ı stoj´ı, ˇze Wt ∼ N (0, t) pro t > 0. Wiener˚ uv proces nen´ı slabˇe stacion´arn´ı, nebot’ rozptyl tohoto procesu se mˇen´ı v z´avislosti na ˇcase. Uv´ad´ıme jeˇstˇe obdobu t´eto definice pro m-rozmˇern´ y Wiener˚ uv proces. ˇ Definice 1.7. Necht’ m ∈ N. Rekneme, ˇze spojit´ y m-rozmˇern´ y n´ahodn´ y proces {W t , t ≥ 0} je m-rozmˇern´y Wiener˚ uv proces, jestliˇze splˇ nuje: (i ) W 0 = 0 s. j., (ii ) {W t , t ≥ 0} m´a spojit´e trajektorie, (iii ) pro libovoln´e k ∈ N a libovoln´e ˇcasov´e okamˇziky 0 = t0 < t1 < . . . < tk jsou pˇr´ır˚ ustky [W ti − W ti−1 ], i = 1, . . . , k nez´avisl´e s m-rozmˇern´ ym norm´aln´ım rozdˇelen´ı. Plat´ı [W ti − W ti−1 ] ∼ N (0, (ti − ti−1 ) Im ) pro i = 1, . . . , k.
´ ´I POJMY KAPITOLA 1. ZAKLADN
1.2
10
Grangerova kauzalita v ˇ casov´ ych ˇ rad´ ach a anal´ yza impuls-reakce
V anal´ yze ˇcasov´ ych ˇrad se ˇcasto zaj´ım´ame o vz´ajemn´e vztahy mezi jednotliv´ ymi ˇradami. Hled´ame mezi nimi vz´ajemn´e p˚ usoben´ı a snaˇz´ıme se zjistit, zda je jedna ’ ˇcasov´a ˇrada uˇziteˇcn´a pro pˇredpovˇed ˇrady druh´e. Nejˇcastˇeji v souvislosti s kointegrac´ı vyuˇz´ıv´an koncept kauzality, kter´ y byl zadefinov´an v Granger (1969). Vych´azel z myˇslenky, ˇze pokud je ˇcasov´a ˇrada {Y t } ovlivˇ nov´ana ˇradou {X t }, potom by mˇela ˇrada {X t } vylepˇsit predikci ˇrady {Y t }. Pro form´aln´ı z´apis kauzality uvaˇzujeme predikci zaloˇzenou na minimalizaci stˇredn´ı ˇctvercov´e chyby (MSE)1 . Necht’ {X t } je m-rozmˇern´ y n´ahodn´ y proces a {Y t } je n-rozmˇern´ y n´ahodn´ y proces. Mnoˇzinu, kter´a obsahuje vˇsechny informace dostupn´e do ˇcasu t vˇcetnˇe, oznaˇcme Ωt . Necht’ d´ale Ωt \{X s , s ≤ t} je mnoˇzina, kter´a obsahuje vˇsechny informace dostupn´e do ˇcasu t s v´ yjimkou informac´ı obsaˇzen´ ych v minulosti a pˇr´ıtomnosti procesu {X t }. Necht’ Y t (h | Ωt ) je optim´aln´ı pˇredpovˇed’ (minim´aln´ı MSE) procesu {Y t } o h ˇ krok˚ u vpˇred konstruovan´a v ˇcase t, zaloˇzen´a na informac´ıch v mnoˇzinˇe Ωt . Rekneme, ˇze proces {X t } kauz´ alnˇe p˚ usob´ı v Grangerovˇe smyslu na proces {Y t }, jestliˇze pro alespoˇ n jeden z horizont˚ u h = 1, 2, . . . je rozd´ıl matic MSE[Y t (h | Ωt \{X s , s ≤ t})] − MSE[Y t (h | Ωt )] pozitivnˇe semidefinitn´ı matice, r˚ uzn´a od matice nulov´e. V dalˇs´ım textu budeme m´ısto oznaˇcen´ı kauz´alnˇe p˚ usob´ı v Grangerovˇe smyslu pouˇz´ıvat pouze zkr´acen´e oznaˇcen´ı kauz´alnˇe p˚ usob´ı. Pro jednorozmˇern´e procesy je formulace analogick´a jako v pˇr´ıpadˇe v´ıcerozmˇern´ ych proces˚ u. Pokud proces {X t } kauz´alnˇe p˚ usob´ı na proces {Y t } a z´aroveˇ n proces {Y t } kauz´alnˇe p˚ usob´ı na proces 0 0 0 {X t }, potom proces {Z t } = {(X t , Y t ) } naz´ yv´ame feedback system. S dalˇs´ımi pojmy jako okamˇzit´ a kauzalita (instantaneous causality) se lze podrobnˇeji sezn´amit v L¨ utkepohl (2005). Zde je tak´e prob´ır´ana problematika, kter´a souvis´ı s definic´ı kauzality. Pokud bychom mˇeˇrili kvalitu pˇredpovˇedi jin´ ym krit´eriem neˇz MSE, m˚ uˇzeme dostat odliˇsnou definici kauzality. D´ale se v praxi vˇetˇsinou omezujeme na pˇredpovˇedi line´arn´ı. Dalˇs´ı probl´em se t´ yk´a volby informaˇcn´ı mnoˇziny Ωt . V praxi vˇetˇsinou nem´ame k dispozici vˇsechny informace. Z tohoto d˚ uvodu je velmi ˇcast´e omezen´ı na mnoˇzinu Ωt = {X s , Y s , s ≤ t}. 1
Necht’ {Y t , t ∈ Z} je m-rozmˇern´ y n´ahodn´ y proces a mnoˇzina Ωt obsahuje vˇsechny informace, kter´e jsou dostupn´e do ˇcasu t (vˇcetnˇe). Pˇredpovˇed’ procesu {Y t } konstruovanou v ˇcase t o h krok˚ u dopˇredu na z´akladˇe mnoˇziny informac´ı Ωt oznaˇcme Y t (h | Ωt ). Pak MSE[Y t (h | Ωt )] = E[(Y t+h − Y t (h | Ωt ))(Y t+h − Y t (h | Ωt ))0 ] .
´ ´I POJMY KAPITOLA 1. ZAKLADN
11
Dalˇs´ı metoda, kterou se vyˇsetˇruj´ı vz´ajemn´e vztahy mezi ˇcasov´ ymi ˇradami ve v´ıcerozmˇern´ ych syst´emech, se naz´ yv´a anal´yza impuls-reakce (v anglicky psan´e literatuˇre m´a n´azev impuls-response analysis nebo tak´e multiplier analysis). Zaj´ım´a n´as vztah mezi dvˇema jednorozmˇern´ ymi ˇcasov´ ymi ˇradami v tomto v´ıcerozmˇern´em syst´emu. Anal´ yzou se snaˇz´ıme zjistit, jakou reakci v jedn´e ˇcasov´e ˇradˇe vyvol´a impuls v druh´e ˇcasov´e ˇradˇe. Vzhledem k rozsahu pr´ace se t´ımto typem anal´ yzy nebudeme d´ale zab´ yvat. Z´ajemci o tuto problematiku mohou naj´ıt podrobnosti v L¨ utkepohl (2005) nebo Arlt (1999). Obecnˇe plat´ı, ˇze pˇri anal´ yze kauzality ˇci jin´ ych vztah˚ u mezi n´ahodn´ ymi procesy ve v´ıcerozmˇern´em syst´emu mus´ıme b´ yt velmi opatrn´ı. Ve v´ıcerozmˇern´ ych syst´emech se vyskytuj´ı probl´emy s nepozorovan´ ymi promˇenn´ ymi, korelac´ı atd. Interpretace v´ ysledk˚ u ˇcasto b´ yv´a sloˇzitˇejˇs´ı.
1.3
Exogenita
V dalˇs´ıch kapitol´ach se velmi ˇcasto budeme zab´ yvat modely pro ˇcasov´e ˇrady, zvl´aˇstˇe v kapitol´ach o modelech, kter´e souvis´ı s kointegrac´ı. Promˇenn´e, kter´e jsou modelov´any uvnitˇr syst´emu, naz´ yv´ame endogenn´ı. V praxi vˇsak mohou b´ yt ekonomick´e modely ovlivˇ nov´any jin´ ymi stochastick´ ymi nebo deterministick´ ymi procesy, kter´e v modelu nejsou zahrnuty, ale p˚ usob´ı z vnˇejˇsku. Jedn´a se o exogenn´ı promˇenn´e. Z´akladn´ı pojmy ohlednˇe exogenity bylo potˇreba zadefinovat. Kompletn´ı popise je uveden napˇr. Engle a kol. (1983), z nˇej budeme tak´e vych´azet. Uvedeme si definice slab´e a siln´e exogenity. Mˇejme n-rozmˇern´ y re´aln´ y n´ahodn´ y proces {X t , t ∈ N} a Ω0 oznaˇc´ıme matici poˇc´ateˇcn´ıch hodnot. Vˇetˇsinou m´ame T pozorov´an´ı, pak t = 1, . . . , T . D´ale oznaˇcme historii procesu {X t } do ˇcasu t−1 jako Ω1t−1 = (X 1 , . . . , X t−1 ) a Ωt−1 = (Ω0 , Ω1t−1 ). Sdruˇzenou hustotu D(Ω1T |Ω0 , θ), kde θ = (θ1 , . . . , θn )0 je vektor nezn´am´ ych parametr˚ u z prostoru Θ ⊆ Rn , faktorizujeme jako D(Ω1T |Ω0 , θ) =
T Y
D(X t |Ωt−1 , θ) ,
t=1
kde D(X t |Ωt−1 , θ) je podm´ınˇen´a hustota za podm´ınky Ωt−1 . Vektor X t rozdˇel´ıme na dva podprocesy: ¸ · Yt , kde Y t ∈ Rp , Z t ∈ Rq , p + q = n . Xt = Zt Uvaˇzujme bijektivn´ı transformaci nebo reparametrizaci p˚ uvodn´ıch parametr˚ u θ: f : Θ → Λ;
θ → λ = f (θ) .
a zvolme λ tak, ˇze λ0 = (λ01 , λ02 ), kde λi je rozmˇeru ni , n1 + n2 = n.
´ ´I POJMY KAPITOLA 1. ZAKLADN
12
ˇ Definice 1.8. Rekneme, ˇze proces {Z t } je slabˇe exogenn´ı pro parametr ψ (vektor o k elementech) pr´avˇe tehdy, kdyˇz existuje reparametrizace λ0 = (λ01 , λ02 ) takov´a, ˇze D(X t |Ωt−1 , θ) = DY |Z (Y t |Z t , Ωt−1 , λ1 ) DZ (Z t |Ωt−1 , λ2 )
(1.1)
a plat´ı (i) ψ je funkc´ı pouze λ1 , (ii) λ1 a λ2 jsou tzv. variation free (tzn. (λ1 , λ2 ) ∈ Λ1 × Λ2 , kde λ1 ∈ Λ1 a λ2 ∈ Λ2 ). ˇ Casto se nezaj´ım´ame o vˇsechny parametry, ale o nˇejakou funkci parametru θ, ˇreknˇeme: f : Θ → Ψ ; θ → ψ = f (θ) . Takovou funkci uvaˇzujeme i v definici 1.8. V anglicky psan´e literatuˇre jsou takov´e funkce naz´ yv´any parameters of interest. D´ale si vˇsimnˇeme, ˇze jsme v definici vyuˇz´ıvali rozkladu sdruˇzen´e hustoty na souˇcin podm´ınˇen´e hustoty Y |Z a margin´aln´ı hustoty Z. Je vidˇet, ˇze v pˇr´ıpadˇe slab´e exogenity procesu {Z t } je pˇresn´a specifikace margin´aln´ı hustoty nev´ yznamn´a pro anal´ yzu, nebot’ tato margin´aln´ı hustota z´avis´ı pouze na ruˇsiv´ ych parametrech (tzv. nuisance parameters). Slab´a exogenita b´ yv´a vyuˇz´ıv´ana k z´ısk´an´ı eficientn´ıch odhad˚ u parametr˚ u pˇri anal´ yze modelu. ˇ Definice 1.9. Rekneme, ˇze proces {Z t } je silnˇe exogenn´ı pro parametr ψ pr´avˇe tehdy, kdyˇz je slabˇe exogenn´ı pro parametr ψ a nav´ıc plat´ı (iii) proces {Y t } kauz´alnˇe nep˚ usob´ı na proces {Z t } v Grangerovˇe smyslu. Definice siln´e exogenity m´a ˇcasto praktick´e vyuˇzit´ı v konstruov´an´ı pˇredpovˇed´ı. Chceme-li konstruovat pˇredpovˇed’ v modelu, kter´ y obsahuje zpoˇzdˇen´e promˇenn´e, ’ mus´ıme b´ yt opatrn´ı, nebot existuje riziko zpˇetn´e vazby mezi exogenn´ım a endogenn´ım procesem. Tento probl´em m˚ uˇze b´ yt odstranˇen poˇzadavkem striktn´ı exogenity. Pˇrid´ame-li k definici slab´e exogenity podm´ınku na invarianci parametr˚ u λ1 v podm´ınˇen´em modelu DY |Z (Y t |Z t , Ωt−1 , λ1 ) vzhledem ke zmˇen´am v distribuci podmiˇ nuj´ıc´ı promˇenn´e, dost´av´ame definici super exogenity. Jedn´a se o velmi siln´ y poˇzadavek, se kter´ ym nebudeme d´ale pracovat. Vˇsechny uveden´e typy exogenity jsou obs´ahle pops´any v Engle a kol. (1983). Mimo uveden´e typy existuj´ı tak´e pojmy striktn´ı exogenita a predeterminovanost procesu, kter´e souvis´ı s nez´avislost´ı zkouman´eho procesu a nesystematick´e sloˇzky
´ ´I POJMY KAPITOLA 1. ZAKLADN
13
modelu. Tyto pojmy jsou vˇcetnˇe ilustrace uvedeny v Arlt & Arltov´a (2007, kapitola 5.3.1). My se jimi d´ale nebudeme zab´ yvat. Stejnˇe, jako lze v modelech ovˇeˇrovat Grangerovu kauzalitu, je moˇzn´e testovat exogenitu promˇenn´ ych. V souvislosti s kointegrac´ı je nejˇcastˇeji pouˇz´ıv´ana slab´a exogenita.
1.4
Z´ akladn´ı modely v´ıcerozmˇ ern´ ych ˇ casov´ ych ˇ rad
Modely kointegrovan´ ych ˇcasov´ ych ˇrad jsou velmi u ´zce prov´az´any se z´akladn´ımi modely v´ıcerozmˇern´ ych ˇcasov´ ych ˇrad, kter´e jsou pouˇz´ıv´any k anal´ yze stacion´arn´ıch proces˚ u. V n´asleduj´ıc´ı sekci jsou tyto modely kr´atce shrnuty. Pˇri z´apisu je vyuˇz´ıv´an oper´ ator zpˇetn´eho posunut´ı (znaˇc´ıme jej L), kter´ y je pro libovolnou n-rozmˇernou (n ∈ N) n´ahodnou posloupnost {Y t , t ∈ Z} definov´an n´asledovnˇe: LY t = Y t−1 ,
Lk Y t = Lk−1 (LY t ) = Y t−k ,
k ∈ Z.
V dalˇs´ım textu vyuˇzijeme tak´e oper´ ator k-t´e diference, kter´ y pro k ∈ N0 definujeme jako: ∆k = (1 − L)k .
Vektorov´ y autoregresn´ı proces (VAR) ˇ Mˇejme n-rozmˇern´ y n´ahodn´ y proces {Y t , t ∈ Z}. Rekneme, ˇze tento proces se ˇr´ıd´ı vektorov´ym autoregresn´ım procesem ˇr´ adu p, jestliˇze pro nˇej plat´ı Yt =c+
p X
Φi Y t−i + εt ,
(1.2)
i=1
kde c znaˇc´ı (n × 1) rozmˇern´ y vektor konstant, Φi , i = 1, . . . , p jsou (n × n) rozmˇern´e nen´ahodn´e matice re´aln´ ych autoregresn´ıch koeficient˚ u a εt = (ε1,t , . . . , εn,t )0 je n-rozmˇern´ y b´ıl´ y ˇsum se symetrickou pozitivnˇe definitn´ı varianˇcn´ı matic´ı Σε . Vektorov´ y autoregresn´ı proces ˇra´du p znaˇc´ıme VAR(p). V t´eto pr´aci budeme uvaˇzovat pouze koneˇcn´ y ˇra´d autoregrese. Vektor konstant c umoˇzn ˇuje pracovat s nenulovou stˇredn´ı hodnotou E(Y t ). V pˇr´ıpadˇe, ˇze E(Y t ) je nulov´a, budeme pouˇz´ıvat rovnici (1.2) bez vektoru konstant. S vyuˇzit´ım oper´atoru zpˇetn´eho posunut´ı m˚ uˇzeme VAR(p) proces pˇrepsat ve tvaru
´ ´I POJMY KAPITOLA 1. ZAKLADN
14
Φ(L)Y t = c + εt , kde Φ(L) = In − Φ1 L − Φ2 L2 − · · · − Φp Lp .
(1.3)
Pokud je splnˇena podm´ınka det(In − Φ1 z − Φ2 z 2 − · · · − Φp z p ) 6= 0 pro |z| ≤ 1 , z ∈ C ,
(1.4)
ˇr´ık´ame, ˇze je splnˇena podm´ınka stability. Stabiln´ı VAR(p) proces {Y t , t ∈ Z} je stacion´arn´ı. Podrobnˇeji se stabiln´ımi VAR procesy zab´ yv´a Hamilton (1994) v 10. kapitole.
Vektorov´ y proces klouzav´ ych pr˚ umˇ er˚ u (VMA) ˇ Rekneme, ˇze n-rozmˇern´ y n´ahodn´ y proces {Y t , t ∈ Z} se ˇr´ıd´ı vektorov´ym procesem klouzav´ych souˇct˚ u ˇr´adu q, jestliˇze pro nˇej plat´ı: Yt =c+
q X
Θi εt−i ,
(1.5)
i=0
kde c znaˇc´ı (n × 1) rozmˇern´ y vektor konstant, Θi , i = 1, . . . , q jsou (n × n) rozmˇern´e nen´ahodn´e matice re´aln´ ych koeficient˚ u, Θ0 = In a εt = (ε1,t , . . . , εn,t )0 je n-rozmˇern´ y b´ıl´ y ˇsum se symetrickou pozitivnˇe definitn´ı varianˇcn´ı matic´ı Σε . Vektorov´ y proces klouzav´ ych souˇct˚ u (vector moving average) ˇra´du q znaˇc´ıme VMA(q). V t´eto pr´aci n´as bude zaj´ımat pouze koneˇcn´ y ˇra´d q. Proces lze opˇet zapsat s vyuˇzit´ım oper´atoru zpˇetn´eho posunut´ı: Y t = c + Θ(L)εt , kde Θ(L) = In + Θ1 L + Θ2 L2 + · · · + Θq Lq .
(1.6)
Pokud je splnˇena podm´ınka det(In + Θ1 z + Θ2 z 2 + · · · + Θq z q ) 6= 0 pro |z| ≤ 1 , z ∈ C ,
(1.7)
je proces {Y t } invertibiln´ı. Lze jej invertovat z VMA procesu na VAR proces. To znamen´a, ˇze k oper´atoru Θ(L) existuje inverzn´ı oper´ ator Θ(L)−1 takov´ y, ˇze −1 −1 Θ(L) Θ(L) = In . Oznaˇc´ıme-li jej Φ(L), pak m´a tvar Θ(L) = Φ(L) = In + Φ1 L + Φ2 L2 + . . ., kde {Φi }+∞ e sˇc´ıtateln´a posloupnost (n × n) rozmˇern´ ych mai=1 je absolutnˇ P +∞ tic (pro prvky φkl,i matic Φi plat´ı i=1 |φkl,i | < +∞ pro k, l = 1, . . . , n). Detailnˇeji se VMA procesy zab´ yv´a L¨ utkepohl (2005) v 11. kapitole.
´ ´I POJMY KAPITOLA 1. ZAKLADN
15
Proces VARMA(p, q) Jedn´a se o sm´ıˇsen´y vektorov´y proces, jehoˇz speci´aln´ım pˇr´ıpadem je proces VAR i proces VMA. M´ısto oznaˇcen´ı vektorov´y autoregresn´ı proces klouzav´ych pr˚ umˇer˚ u ˇr´ adu p, q budeme pouˇz´ıvat bˇeˇzn´e znaˇcen´ı VARMA(p, q) proces. Mˇejme n-rozmˇern´ y n´ahodn´ y ˇ proces {Y t , t ∈ Z}. Rekneme, ˇze tento proces se ˇr´ıd´ı modelem VARMA(p, q), kde p a q jsou koneˇcn´a, jestliˇze pro nˇej plat´ı: p X i=0
Φi Y t−i = c +
q X
Θi εt−i .
(1.8)
i=0
Znaˇcen´ı a v´ yznam symbol˚ u v tomto z´apisu je stejn´ y jako v zadefinov´an´ı proces˚ u VAR a VMA, nav´ıc Φ0 = In . Z rovnice (1.8) je vidˇet, ˇze VARMA(p, q) vych´az´ı z VAR(p) procesu (1.2), kde je chybov´a sloˇzka εt nahrazena VMA procesem ˇra´du q. Opˇet s vyuˇzit´ım oper´atoru zpˇetn´eho posunut´ı lze VARMA proces pˇrepsat: Φ(L)Y t = c + Θ(L)εt , kde Φ(L) = In − Φ1 L − Φ2 L2 − · · · − Φp Lp a Θ(L) = In + Θ1 L + Θ2 L2 + · · · + Θq Lq .
(1.9)
Oper´atory Φ(L) a Θ(L) se nˇekdy v literatuˇre oznaˇcuj´ı jako autoregresn´ı oper´ ator a oper´ ator klouzav´ych souˇct˚ u. V t´eto sekci jsme u n´ahodn´ ych proces˚ u uvaˇzovali obecnˇe t ∈ Z. Velmi ˇcasto nen´ı nekoneˇcn´a historie procesu k dispozici, a proto budeme nˇekdy m´ısto procesu {Y t , t ∈ Z} uvaˇzovat pouze {Y t , t ∈ Z, t ≥ −k}, kde k ≥ 0 a Y −k , . . . , Y 0 jsou poˇca´teˇcn´ı hodnoty n´ahodn´eho vektoru.
1.5
Nestacionarita a integrovan´ e procesy
V praxi b´ yv´a ˇcasto stacionarita, kterou jsme zavedli v definic´ıch 1.3 a 1.4, poruˇsena. Nestacionaritu procesu m˚ uˇze zp˚ usobit napˇr´ıklad v ˇcase se mˇen´ıc´ı stˇredn´ı hodnota nebo rozptyl. Zvl´aˇstˇe ekonomick´e ˇcasov´e ˇrady b´ yvaj´ı ˇcasto nestacion´arn´ı. ˇ e repuNa obr´azku 1.1 je uk´azka mˇes´ıˇcn´ıho v´ yvoje indexu spotˇrebn´ıch cen v Cesk´ blice. Typick´ y je rostouc´ı trend, kter´ y m˚ uˇze b´ yt zp˚ usoben nen´ahodnou trendovou sloˇzkou nebo tak´e se m˚ uˇze jednat o stochastick´ y trend (napˇr. vych´ ylen´a n´ahodn´a proch´azka, o kter´e se zm´ın´ıme pozdˇeji). V pˇr´ıpadˇe nen´ahodn´e trendov´e sloˇzky lze trend nal´ezt jednoduˇse regres´ı a dalˇs´ı pr˚ ubˇeh je velmi dobˇre predikovateln´ y. Takov´ y proces naz´ yv´ame trendovˇe stacion´arn´ı (TSP). V pˇr´ıpadˇe stochastick´eho trendu se vyuˇz´ıv´a diferencov´an´ı procesu k dosaˇzen´ı stacionarity. Takov´ y proces pak naz´ yv´ame diferenˇcnˇe stacion´arn´ı (DSP). Podrobnˇeji se tˇemto pojm˚ um vˇenuje Bittner (2005) a Jur´aˇska (2007).
´ ´I POJMY KAPITOLA 1. ZAKLADN
16
100 95 90 85 80 75
Index spotřebitelských cen (průměr roku 2005 = 100)
105
Index spotřebitelských cen (měsíční vývoj)
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
Rok
ˇ e republice od ledna roku 1997 do srpna roku Obr´azek 1.1: V´yvoj indexu spotˇrebn´ıch cen v Cesk´ 2007 (pr˚ umˇer roku 2005 = 100).
V souvislosti s t´ematem kointegrace se budeme zab´ yvat poruˇsen´ım stacionarity, kter´e je zp˚ usobeno integrovanost´ı procesu. ˇ Definice 1.10. Necht’ d ∈ N0 . Rekneme, ˇze jednorozmˇern´ y n´ahodn´ y proces {Yt , t ∈ Z}, kter´ y neobsahuje deterministickou sloˇzku, je integrovan´y ˇr´ adu d, jestliˇze {∆d Yt } je slabˇe stacion´arn´ı proces, ale proces {∆d−1 Yt } slabˇe stacion´arn´ı nen´ı. Znaˇc´ıme {Yt } ∼ I(d). Integrovan´ y proces je tedy diferenˇcnˇe stacion´arn´ı, k z´ısk´an´ı stacionarity je potˇreba jej d-kr´at diferencovat. Pˇri oznaˇcen´ı {Yt } ∼ I(0) m´ame na mysli, ˇze se jedn´a o slabˇe stacion´arn´ı proces. Ot´azkou je, jak zav´est definici integrovanosti pro v´ıcerozmˇern´ y n´ahodn´ y proces {Y t , t ∈ Z}. Jednou moˇznost´ı je, ˇze n-rozmˇern´ y n´ahodn´ y proces {Y t = (Y1,t , . . . , Yn,t )0 } je integrovan´y ˇr´ adu d, jestliˇze alespoˇ n jedna ˇ ejˇs´ı je ale pojet´ı, ˇze proces {Y t } je intejeho sloˇzka {Yk,t } je integrovan´a ˇr´adu d. Castˇ grovan´y ˇr´ adu d, jestliˇze vˇsechny jeho sloˇzky jsou integrovan´e ˇra´du d. S touto definic´ı budeme pracovat i v t´eto pr´aci. Typick´ ym pˇr´ıkladem integrovan´eho procesu je n´ahodn´ a proch´ azka (random walk), kter´a se ˇr´ıd´ı modelem: Yt = Yt−1 + εt , kde εt ∼ WN(0, σ 2 ) .
(1.10)
Pokud jeˇstˇe do modelu zahrneme konstantn´ı ˇclen µ, dostaneme vych´ylenou n´ahodnou proch´ azku (random walk with drift): Yt = µ + Yt−1 + εt , kde µ ∈ R .
(1.11)
Uk´azka tˇechto dvou model˚ u je na obr´azku 1.2. Zde je tak´e zobrazen rozd´ıl mezi vych´ ylenou n´ahodnou proch´azkou a modelem, kter´ y obsahuje pouze deterministick´ y trend.
´ ´I POJMY KAPITOLA 1. ZAKLADN
17
Náhodná procházka (vychýlení vs determ. trend)
vychýlená NP NP s determ. trendem
0
−5
10
0
20
5
30
10
40
Nevychýlená náhodná procházka
0
50
100 Čas
150
0
50
100
150
Čas
Obr´azek 1.2: N´ahodn´a proch´azka generovan´a gaussovsk´ym b´ıl´ym ˇsumem. Vlevo bez vych´ylen´ı: Yt = Yt−1 +εt . Vpravo je srovn´an´ı v´ ych´ ylen´e n´ahodn´e proch´azky (Yt = 0, 3 + Yt−1 + εt ) s procesem, kter´ y obsahuje pouze deterministick´ y trend a chybovou sloˇzku (Yt = 0, 3 t + εt ).
Zkusme pˇrepsat rovnici (1.11) pro situaci, kdy proces zaˇc´ın´a v ˇcase t = 1, pozorujeme jej do ˇcasu n a poˇca´teˇcn´ı hodnota Y0 = 0. Dost´av´ame rovnici: Yt = µt +
t X
εi , kde µ ∈ R, t = 1, . . . , n .
i=1
Z tohoto pˇrepisu je dobˇre vidˇet, ˇze E(Yt ) = µt a var(Yt ) = tσε2 . Pro t −→ ∞ m´a stˇredn´ı hodnota a rozptyl procesu {Yt } nevlastn´ı limitu. Zˇrejm´e je poruˇsen´ı stacionarity u tohoto procesu. N´ahodnou proch´azku lze vyj´adˇrit jako AR(1) model, kter´ y obsahuje jednotkov´y koˇren v autoregresn´ım oper´atoru tohoto modelu. Pˇrepisem n´ahodn´e proch´azky (1.10) dostaneme n´asleduj´ıc´ı autoregresn´ı model: Yt − φYt−1 = εt , φ = 1 ∆Yt = (1 − L) Yt = εt . Autoregresn´ı oper´ator u tohoto modelu je tvaru Φ(L) = (1 − φL) = (1 − L). Je naruˇsena podm´ınka stability (v tomto pˇr´ıpadˇe m´a podm´ınka tvar Φ(z) 6= 0 pro |z| ≤ 1, z ∈ C), nebot’ polynom Φ(z) = (1−z) m´a jednotkov´y koˇren z = 1. Je zˇrejm´e, ˇze pouˇzit´ım prvn´ı diference na uvedenou n´ahodnou proch´azku dost´av´ame stacion´arn´ı proces. Tato n´ahodn´a proch´azka je tedy I(1) a je diferenˇcnˇe stacion´arn´ı. Na n´ahodn´e proch´azce (1.10) je tak´e n´azornˇe vidˇet, jak jsou Yt a Yt+s velmi silnˇe korelovan´e i pro vˇetˇs´ı horizont s. UvaˇzujmePopˇet poˇca´teˇcn´ı hodnotu Y0 = 0. Za pouˇzit´ı var(Yt ) = tσε2 , E(Yt ) = 0 a pˇrepisu Yt = ti=1 εi , t ∈ N dost´av´ame:
´ ´I POJMY KAPITOLA 1. ZAKLADN
18
E
h¡P t
¢ ³Pt+s
´i
j=1 εj
p var(Yt ) var(Yt+s ) t σ2 √ ε = −→ 1 . σε2 t2 + ts t→∞
cor(Yt , Yt+s ) =
p
i=1 εi
Uvaˇzujme obecnˇeji proces {Yt } ∼ I(d), jehoˇz d-t´a diference se ˇr´ıd´ı jednorozmˇern´ ym stacion´arn´ım a invertibiln´ım ARMA(p, q) modelem. Pak jej lze zapsat ve formˇe: Φ(L)∆d Yt = Θ(L)εt , kde Φ(L) = 1 − Φ1 L − Φ2 L2 − · · · − Φp Lp a Θ(L) = 1 − Θ1 L − Θ2 L2 − · · · − Θq Lq .
(1.12)
Opˇet pˇredpokl´ad´ame εt ∼ WN(0, σε2 ) a pro autoregresn´ı oper´ator a oper´ator klouzav´ ych souˇct˚ u plat´ı: ) Φ(z) 6= 0 pro |z| ≤ 1, z ∈ C . Θ(z) 6= 0 V tomto pˇr´ıpadˇe se proces Yt naz´ yv´a autoregresn´ı integrovan´y proces klouzav´ych souˇct˚ u. Znaˇc´ıme jej ARIMA(p, d, q), kde p je ˇr´ad autoregrese, q je ˇra´d u oper´atoru ˇ klouzav´ ych souˇct˚ u a d je ˇr´ad integrovanosti. Casto se o tomto procesu mluv´ı jako o procesu s jednotkov´ymi koˇreny. D˚ uvodem je pˇr´ıtomnost jednotkov´ ych koˇren˚ u ve v´ yrazu χ(L) = Φ(L)∆d , kter´ y vystupuje na lev´e stranˇe v (1.12). Plat´ı totiˇz: χ(z) = Φ(L)(1 − z)d = 0 pro z = 1 . S procesy ARIMA se lze podrobnˇeji sezn´amit v Cipra (1986). N´ahodn´a proch´azka a tak´e dalˇs´ı integrovan´e procesy v sobˇe obsahuj´ı n´ahodn´y (stochastick´y) trend. Obecnˇe lze tyto procesy rozloˇzit na nˇekolik sloˇzek. Mˇejme proces ARIMA(p, 1, q) tvaru (1.12), kde d = 1. Pak pomoc´ı odvozen´ı, kter´e lze naj´ıt napˇr. v Jur´aˇska (2007, Lemma 1.1), dost´av´ame n´asleduj´ıc´ı dekompozici: Yt = Ψ(1) |
t X
εt +
{zi=1 }
stochastick´ y trend
Ψ∗ (L)εt | {z } stacion´ arn´ı proces
+
Ψ∗ (L)ε0 | {z } poˇ c´ ateˇ cn´ı hodnota
.
(1.13)
´ ´I POJMY KAPITOLA 1. ZAKLADN
19
Vyuˇzili jsme rozkladu Φ−1 (L) Θ(L) = Ψ(L) = (1 − L)Ψ∗ (L) + Ψ(1) , kde Ψ∗ (L) = (1 − L)−1 [Ψ(L) − Ψ(1)]. tohoto pˇrepisu bude zaruˇcena P∞ Korektnost i podm´ınkami, ˇze polynomy Ψ(z) = i=0 Ψi z a Φ(z) maj´ı vˇsechny koˇreny vnˇe jednotkov´eho kruhu. Rozklad (1.13) je zn´am jako Beveridge-Nelsonova dekompozice. Prvn´ı sˇc´ıtanec rozkladu b´ yv´a tak´e nˇekdy oznaˇcov´an jako long-run komponenta, nebot’ je i v budoucnosti v procesu pˇr´ıtomen. Naopak druh´ y sˇc´ıtanec b´ yv´a oznaˇcov´an jako short-run komponenta, jej´ıˇz vliv na Yt+k s rostouc´ım k konverguje k nule. Jedn´a se o kauz´aln´ı line´arn´ı proces. Poˇc´ateˇcn´ı hodnota je fixn´ı n´ahodn´a veliˇcina. Uˇz z vlastnost´ı n´ahodn´e proch´azky a ARIMA proces˚ u je vidˇet, ˇze k anal´ yze tˇechto ˇrad je nutno pˇristupovat velmi opatrnˇe. Testov´an´ı integrovanosti se budeme vˇenovat v druh´e kapitole. Z´avˇerem t´eto sekce si jeˇstˇe kr´atce pˇribl´ıˇz´ıme pojem zd´ anliv´ a regrese. Opˇet jde o uk´azku obt´ıˇz´ı spojen´ ych s anal´ yzou integrovan´ ych ˇcasov´ ych ˇrad. Uvaˇzujme regresi Yt = β0 + β1 Xt + wt , (1.14) kde wt je stacion´arn´ı chybov´a sloˇzka. Procesy {Yt } a {Xt } jsou nez´avisl´e a integrovan´e ˇra´du 1: X 2 ∆Xt = εX t , kde εt ∼ WN(0, σX ) , ∆Yt = εYt , kde εYt ∼ WN(0, σY2 ) .
Teoreticky i pomoc´ı simulac´ı bylo zjiˇstˇeno, ˇze OLS odhad v tomto pˇr´ıpadˇe poukazuje na zd´anlivou regresi mezi Xt a Yt , pˇrestoˇze jsou vz´ajemnˇe nez´avisl´e. Bylo uk´az´ano, ˇze t-statistika asymptoticky vˇzdy zam´ıt´a hypot´ezu β = 0. Fakticky tato statistika diverguje pro t −→ ∞. V anglicky psan´e literatuˇre b´ yv´a probl´em naz´ yv´an spurious regression. Teoretick´ y d˚ ukaz tohoto fenom´enu lze nal´ezt v Phillips (1986), zde je d˚ ukaz i pro obecnˇejˇs´ı pˇr´ıpad Yt = α + X 0t β + wt , kde X t je m-rozmˇern´ y vektor, kter´ y je I(d). α a β jsou koeficienty pˇr´ısluˇsn´ ych rozmˇer˚ u.
1.6
Funkcion´ aln´ı centr´ aln´ı limitn´ı vˇ eta
Pˇri testov´an´ı jednotkov´eho koˇrene se vyuˇz´ıv´a funkcion´ aln´ı centr´ aln´ı limitn´ı vˇeta k odvozen´ı asymptotick´ ych vlastnost´ı. Zde je shrnuta pouze z´akladn´ı myˇslenka. Mnoh´e pˇredpoklady se daj´ı uvolnit, coˇz lze vidˇet napˇr. v Jur´aˇska (2007). Mˇejme jednorozmˇern´ y n´ahodn´ y proces {εt , t ∈ Z}, kde εt ∼ i. i. d. s nulovou stˇredn´ı hodnotou a 2 s rozptylem σε < ∞.
´ ´I POJMY KAPITOLA 1. ZAKLADN √ D Z centr´aln´ı limitn´ı vˇety v´ıme, ˇze plat´ı2 T ε¯T −→ N (0, σε2 ), kde ε¯T = Pro r ∈ [0, 1] zaved’me veliˇcinu XT (r) n´asledovnˇe:
20 1 T
bT rc 1X XT (r) = εt , T t=1
PT
t=1 εt .
(1.15)
kde bT rc znaˇc´ı nejvˇetˇs´ı cel´e ˇc´ıslo, kter´e je rovno nebo menˇs´ı neˇz T r. Opˇet z centr´aln´ı limitn´ı vˇety dost´av´ame p bT rc X bT rc 1 T D √ p XT (r) = εt −→ N (0, r) pro ∀ r ∈ [0, 1] . T →∞ σε σε T bT rc t=1
√
D´ale nen´ı n´aroˇcn´e ovˇeˇrit, ˇze pro libovoln´e r1 , r2 ∈ [0, 1] takov´e, ˇze r1 < r2 plat´ı √ T D [XT (r2 ) − XT (r1 )] −→ N (0, r2 − r1 ) T →∞ σε a pro libovoln´e r1 , . . . , r4 takov´e, ˇze r1 < r2 ≤ r3 < r4 jsou n´ahodn´e souˇcty [XT (r2 ) − XT (r1 )] a [XT (r4 ) − XT (r3 )] nez´avisl´e. Pomoc´ı centr´aln´ı limitn´ı vˇety se D tedy d´a uk´azat konvergence koneˇcnˇe rozmˇern´ ych distribuc´ı XT (r) −→ W (r) pro r ∈ [0, 1]. Vˇsimnˇeme si, ˇze Xr (·) je po ˇca´stech konstantn´ıch n´ahodn´a funkce se skoky v bodech t/T , t = 1, . . . , T − 1. Je tedy elementem prostoru D[0, 1], coˇz je prostor re´aln´ ych funkc´ı na intervalu [0, 1], kter´e jsou zprava spojit´e, a existuje koneˇcn´a levostrann´a limita v kaˇzd´em bodˇe intervalu (0, 1]. Vlastnosti prostoru D[0, 1], kter´ y je vybaven Skorochodovou metrikou, jsou shrnuty kapitole v Billingsley (1968). n√ ve 3. o −1 Zde je tak´e uk´az´ana tˇesnost posloupnosti T σε XT v D[0, 1]. Na z´akladˇe tˇechto vlastnost´ı m˚ uˇzeme ps´at √ T D XT (·) −→ W (·) na D[0, 1] . (1.16) T →∞ σε n√ o Posloupnost n´ahodn´ ych funkc´ı σεT XT (r), r ∈ [0, 1] konverguje v distribuci k Wienerovu procesu {W (r), r ∈ [0, 1]} na D[0, 1] pro T → ∞. Tento v´ ysledek b´ yv´a ˇcasto oznaˇcov´an jako funkcion´aln´ı centr´ aln´ı limitn´ı vˇeta (nebo tak´e Donskerova vˇeta). Uk´azali jsme pouze z´akladn´ı ideu. Pˇresn´e znˇen´ı a d˚ ukaz je uveden v Billingsley (1968, vˇeta 16.1). V t´eto knize se m˚ uˇze ˇcten´aˇr sezn´amit podrobnˇeji s celou problematikou a zmiˇ novan´ ymi pojmy. V uk´azce t´eto z´akladn´ı verze jsme uvaˇzovali, ˇze εt jsou i. i. d. Tento omezuj´ıc´ı pˇredpoklad se d´a uvolnit, jak je moˇzn´e vidˇet v Jur´aˇska (2007) nebo v kapitole 17.5 v Hamilton (1994), kde je zobecnˇen´ı na vektor chyb, jehoˇz sloˇzky jsou vz´ajemnˇe korelovan´e (autokorelovan´e). 2
D
Symbolem −→ znaˇc´ıme konvergenci v distribuci.
´ ´I POJMY KAPITOLA 1. ZAKLADN
21
Pro n´ahodn´e funkce m˚ uˇzeme zav´est tak´e konvergenci v pravdˇepodobnosti. Necht’ {Gt (·)} je posloupnost n´ahodn´ ych funkc´ı a G(·) je n´ahodn´a funkce, vˇsechny jsou definovan´e na intervalu [0, 1]. Pak ˇr´ık´ame, ˇze Gt konverguje v pravdˇepodobnosti ke P G (Gt −→ G) na intervalu [0, 1], jestliˇze P
sup |Gt (s) − G(s)| −→ 0 . t→∞
s∈[0,1]
D˚ uleˇzit´a vlastnost, kter´a je ˇcasto vyuˇz´ıv´ana v souvislost´ı s odhadem jednotkov´eho koˇrene, je zachov´an´ı konvergence pˇri spojit´em zobrazen´ı. Vˇeta, kter´a je vyuˇz´ıv´ana, se naz´ yv´a continuous mapping theorem. Vˇ eta 1.11. Necht’ {Gt (·)} je posloupnost n´ahodn´ych funkc´ı a G(·) je n´ahodn´ a funkce. Necht’ d´ ale h je spojit´y funkcion´al. Pak plat´ı: D
Gt (·) −→ G(·)
=⇒
t→∞
¡ ¢ D ¡ ¢ h Gt (·) −→ h G(·) . t→∞
(1.17)
D˚ ukaz. Je uveden v 5. kapitole v Billingsley (1968). V uveden´e knize je tak´e zobecnˇen´a verze, kter´a povoluje body nespojitosti u funkcion´alu h. Funkcion´alem v t´eto vˇetˇe m˚ uˇze b´ yt napˇr. druh´a mocnina n´ahodn´e funkce nebo tak´e integr´al z n´ahodn´e funkce. S pomoc´ı tˇechto v´ ysledk˚ u jsou konstruov´any mnoh´e asymptotick´e rozdˇelen´ı testov´ ych statistik pˇri testov´an´ı jednotkov´eho koˇrene. Funkcion´aln´ı centr´aln´ı limitn´ı vˇeta m´a tak´e v´ıcerozmˇernou analogii. Ta b´ yv´a vyuˇz´ıv´ana pˇri testov´an´ı kointegrace. Postup odvozen´ı je analogick´ y jako v jednorozmˇern´em pˇr´ıpadˇe. Necht’ {εt , t ∈ N} je m-rozmˇern´ y n´ahodn´ y proces, kter´ y je stacion´arn´ı, εt jsou i. i. d. s nulov´ ym vektorem stˇredn´ıch hodnot a s varianˇcn´ı matic´ı Σε . Analogicky se vzorcem (2.1) zav´ad´ıme: bT rc 1X εt . X T (r) = T t=1
(1.18)
Pro tuto statistiku dojdeme k n´asleduj´ıc´ımu v´ ysledku v´ıcerozmˇern´e funkcion´aln´ı centr´ aln´ı limitn´ı vˇety: √
−1
D
T Σε 2 X T (·) −→ W (·) . T →∞
(1.19)
Opˇet lze uvolnit pˇredpoklady zobecnˇen´ım pro autokorelovan´e procesy εt . Tento v´ ysledek je za obecnˇejˇs´ıch pˇredpoklad˚ u uk´az´an v Phillips (1987a, vˇeta 2.2).
Kapitola 2 Testov´ an´ı jednotkov´ eho koˇ rene Vzhledem k tomu, ˇze ekonomick´e ˇcasov´e ˇrady jsou velmi ˇcasto integrovan´e a obsahuj´ı stochastick´ y trend, bylo nutn´e naj´ıt metodiku, jak testovat, zda je pˇr´ıtomn´ y jednotkov´ y koˇren. Touto problematikou se podrobnˇe zab´ yvaly uˇz diplomov´e pr´ace Jur´aˇska (2007) a Bittner (2005). Jedn´a se o velmi ˇsirok´e t´ema, kter´emu se vˇenovali tak´e mnoh´e knihy a ˇcl´anky. Vzhledem k tomu, ˇze testov´an´ı jednotkov´eho koˇrene nen´ı z´akladn´ım t´ematem t´eto pr´ace, bude cel´a n´asleduj´ıc´ı kapitola vych´azet ze zm´ınˇen´ ych prac´ı m´ ych koleg˚ u, obzvl´aˇstˇe pak z 2. kapitoly Jur´aˇska (2007). Shrneme si pouze z´akladn´ı v´ ysledky, kter´e budou pouˇzity v praktick´e ˇc´asti t´eto diplomov´e pr´ace. Byly vyvinuty r˚ uzn´e pˇr´ıstupy k testov´an´ı jednotkov´eho koˇrene. Velmi ˇcasto b´ yvaj´ı pouˇz´ıv´any Dickey-Fullerovy testy [Dickey & Fuller (1979)]. Prvn´ı testy byly vyvinuty za velmi striktn´ıch pˇredpoklad˚ u na chybov´ y ˇclen εt (dalˇs´ı omezen´ı bylo i na poˇc´ateˇcn´ı hodnotu Y0 = 0 s. j.). Poˇzadavek εt ∼ i. i. d. N(0, σ 2 ) je u ekonomick´ ych ˇcasov´ ych ˇrad v praxi vˇetˇsinou nesplniteln´ y. Proto bylo potˇreba zobecnit tyto pˇredpoklady pro ˇsirˇs´ı tˇr´ıdu chybov´ ych sloˇzek. Rozˇs´ıˇren´e Dickey- Fullerovi texty (ADF testy podle oznaˇcen´ı augmented Dickey-Fuller tests) umoˇzn ˇuj´ı pracovat s bohatˇs´ı autokorelaˇcn´ı strukturou. Neparametrickou u ´pravu testov´ ych krit´erii u standardn´ıch Dicky-Fullerov´ ych test˚ u provedli Phillips a Perron [Phillips (1987b), Phillips & Perron (1988)]. Tyto testy se nˇekdy naz´ yvaj´ı Phillips-Perronovy testy, kter´e jeˇstˇe v´ıce uvolnily pˇredpoklady na chybovou sloˇzku a poˇca´teˇcn´ı hodnoty procesu. Zm´ınˇen´e zobecnˇen´ı DF-test˚ u umoˇznily tak´e jednoduˇsˇs´ı rozˇs´ıˇren´ı modelu o pˇrebyteˇcn´e parametry (nuisance parameters). Uveden´e testy pouˇz´ıv´ame v praktick´e ˇc´asti t´eto pr´ace a kr´atce je zde shrneme. Dalˇs´ı metodou testov´an´ı je napˇr´ıklad testov´an´ı rozptylov´ym pomˇerem [Cochrane (1988), Lo & MacKinlay (1988)], Sargan-Bhargav˚ uv test [Sargan & Bhargava (1983)], a mnoh´e dalˇs´ı. Pro obecnˇejˇs´ı pˇrehled o tˇechto testech ˇcten´aˇri doporuˇcujeme nˇekterou z rozs´ahlejˇs´ıch knih o ˇcasov´ ych ˇrad´ach [Hamilton (1994) apod.].
´ ´I JEDNOTKOVEHO ´ ˇ KAPITOLA 2. TESTOVAN KORENE
2.1
23
Dickey-Fullerovy testy
Mˇejme proces {Yt , t ∈ N0 }. Pro t ∈ N uvaˇzujme n´asleduj´ıc´ı modely: Yt = αYt−1 + εt , Yt = µ + αYt−1 + εt , Yt = µ + β t + αYt−1 + εt .
(2.1) (2.2) (2.3)
V ˇcl´anku Dickey & Fuller (1979) byl pouˇz´ıv´an pˇredpoklad, ˇze Y0 = 0 a {εt } je posloupnost nez´avisl´ ych norm´alnˇe rozdˇelen´ ych promˇenn´ ych s nulovou stˇredn´ı hodno2 tou a koneˇcn´ ym rozptylem σ . Chceme odhadnout parametr α na z´akladˇe pozorov´an´ı Y1 , . . . , YT , T ∈ N. Nejn´azornˇejˇs´ı je uk´azka na modelu 2.1. Metodou nejmenˇs´ıch ˇctverc˚ u dostaneme pro parametr α odhad PT Yt Yt−1 . (2.4) α ˆ = Pt=1 T 2 t=1 Yt−1 Chceme testovat hypot´ezu α = 1.
(2.5)
Pouˇzijeme-li jako testovac´ı krit´erium bˇeˇznou t-statistiku, pak za platnosti hypot´ezy (2.5) nen´ı asymptotick´e rozdˇelen´ı t´eto statistiky norm´aln´ı ani symetrick´e. Dickey a Fuller pro toto testov´an´ı jednotkov´eho koˇrene odvodili asymptotick´e rozdˇelen´ı pro statistiku P T −1 Tt=1 Yt−1 εt T (ˆ α − 1) = (2.6) P 2 T −2 Tt=1 Yt−1 a pro t-statistiku tα =
2
kde s
α ˆ−1 = σ ˆαˆ
Ã
−1
= (T − 1)
T X
! 12 2 Yt−1
s−1 (ˆ α − 1) ,
(2.7)
t=1 T X (Yt − α ˆ Yt−1 )2 . t=1
Oznaˇcen´ım σ ˆαˆ mysl´ıme standardn´ı OLS chybu odhadovan´eho koeficientu α ˆ. K odvozen´ı asymptotick´ ych vlastnost´ı tˇechto statistik je vyuˇz´ıv´ana funkcion´aln´ı centr´aln´ı limitn´ı vˇeta a continuous mapping theorem, kter´e jsme ilustrovali v sekci 1.6. Vezmˇeme v u ´vahu napˇr´ıklad jmenovatel u statistiky (2.6). S vyuˇzit´ım
´ ´I JEDNOTKOVEHO ´ ˇ KAPITOLA 2. TESTOVAN KORENE Y0 = 0 a rozpisu Yt = jako (2.1):
PT
t=1 εt
lze zadefinovat n´ahodnou funkci XT (r) obdobnˇe
bT rc 1X XT (r) = εt T t=1 √
24
pro r ∈ [0, 1] .
D
V´ıme, ˇze σT XT (r) −→ W (r) pro r ∈ [0, 1]. S vyuˇzit´ım continuous mapping theorem dost´av´ame n´asleduj´ıc´ı vztah:
T
−2
T X
2 Yt−1
=σ
2
t=1
T Z X t=1
Z
t/T (t−1)/T
1 2 Y dr T σ 2 bT rc
1
T 2 X (r)dr 2 T 0 σ Z 1 D 2 −→ σ W (r)2 dr .
=σ
2
T →∞
0
Tato jednoduch´a uk´azka vyuˇz´ıvala striktn´ı pˇredpoklady, kter´e jsme uvedli v´ yˇse. Stejn´ y v´ ysledek se d´a ale uk´azat i za uvolnˇen´ ych pˇredpoklad˚ u, kter´e budou uvedeny pozdˇeji. Podobn´ ymi u ´pravami byly odvozeny n´asleduj´ıc´ı asymptotick´e vlastnosti zkouman´ ych statistik: D
T (ˆ α − 1) −→
T →∞
(1/2)(W (1)2 − 1) , R1 2 dr W (r) 0
(1/2)(W (1)2 − 1) D tα −→ ³R ´1/2 . T →∞ 1 2 dr W (r) 0 Tyto v´ ysledky jsou znaˇcnˇe d˚ uleˇzit´e z teoretick´eho hlediska, ale nelze je pouˇz´ıt ke konstrukci kritick´ ych hodnot. Kritick´e hodnoty byly zkonstruov´any pomoc´ı numerick´ ych metod jako napˇr. Monte Carlo simulace. Pro zm´ınˇen´e testy byly poprv´e publikov´any v Fuller (1976). Oznaˇcme odhad parametru α v modelu (2.2) (resp. (2.3)) jako α ˆ µ (resp. α ˆ µβ ). Obdobnˇe byly odvozeny asymptotick´e v´ ysledky pro testov´an´ı µβ µ αµβ − 1) a tα . Testov´e statistiky a detaily ohlednˇe pomoc´ı statistik T (ˆ αµ − 1), tα , T (ˆ tˇechto statistik lze nal´ezt v Dickey & Fuller (1979). Velmi pˇrehlednˇe jsou shrnuty tak´e v Hamilton (1994, kap. 17.4). V pˇr´ıpadˇe tohoto parametrick´eho testov´an´ı jsou dan´e asymptotick´e vlastnosti z´avisl´e na pˇrebyteˇcn´ ych parametrech. Napˇr. asymptotick´a distribuce odhadu α ˆµ v modelu (2.2) z´avis´ı na tom, zda se skuteˇcn´ y DGP (data generating process) ˇr´ıdil modelem (2.1) nebo (2.2).
´ ´I JEDNOTKOVEHO ´ ˇ KAPITOLA 2. TESTOVAN KORENE
2.2
25
Zobecnˇ en´ e Dickey-Fullerovy testy
Jak bylo zm´ınˇeno, v praxi potˇrebujeme testovat jednotkov´ y koˇren v pˇr´ıpadˇe obecnˇejˇs´ı autokorelaˇcn´ı struktury. Jednou z moˇznost´ı je pouˇz´ıt k testov´an´ı zobecnˇen´e Dickey-Fullerovy testy (oznaˇcovan´e ADF testy podle augmented Dickey Fuller tests), kter´e dovoluj´ı pˇr´ıpad, kdy {∆Yt } maj´ı stacion´arn´ı AR(p) reprezentaci (napˇr. Φp (L)∆Yt = εt ). Pˇri nezn´am´em p je potˇreba jej odhadnout. Nˇekter´e postupy uvedeny v Hamilton (1994, kap. 17.7). Testov´an´ı pak vych´az´ı z model˚ u: Yt = αYt−1 +
p X
γj ∆Yt−j + εt ,
(2.8)
j=1
Yt = µ + αYt−1 +
p X
γj ∆Yt−j + εt ,
(2.9)
j=1
Yt = µ + β t + αYt−1 +
p X
γj ∆Yt−j + εt ,
(2.10)
j=1
kde {εt } je i. i. d. posloupnost s nulovou stˇredn´ı hodnotou, koneˇcn´ ym rozptylem σ 2 a koneˇcn´ ymi ˇctvrt´ ymi momenty. M´ame T pozorov´an´ı a poˇc´ateˇcn´ı hodnoty Y−p+1 , . . . , Y0 . Testujeme hypot´ezu α = 1. Odvozen´ı a asymptotick´e vlastnosti tˇechto test˚ u lze nal´ezt rovnˇeˇz v Hamilton (1994, kap. 17.7). Opˇet jsou vyuˇzity analogie statistik (2.6) a (2.7). V tˇechto modelech se nav´ıc mus´ıme vypoˇra´dat s odhady parametr˚ u γ1 , . . . , γp . Statistika T (ˆ α − 1) z´avis´ı na tˇechto odhadech. Said & Dickey (1984) d´ale jeˇstˇe zobecnili ADF pro model Yt = αYt−1 + ut , kde ut je stacion´arn´ı a invertibiln´ı ARMA proces. ˇ Ot´azkou je, jak zvolit d´elku zpoˇzdˇen´ı p. Casto se uˇz´ıvaj´ı pravidla na z´akladˇe informaˇcn´ıch krit´eri´ı. Hled´ame minim´aln´ı hodnotu funkce, kterou dan´e krit´erium vyuˇz´ıv´a. Nejˇcastˇeji b´ yvaj´ı vyuˇz´ıv´any: • Akaikeho informaˇcn´ı krit´erium (AIC) AIC(m) = ln σ ˜2 +
2m , T
m = 0, . . . , M ,
• Schwarzovo informaˇcn´ı krit´erium (SC) SC(m) = ln σ ˜2 +
m ln T , T
m = 0, . . . , M ,
• Hannan-Quinnovo informaˇcn´ı krit´erium (HQ) HQ(m) = ln σ ˜2 +
2m ln ln T , T
m = 0, . . . , M ,
´ ´I JEDNOTKOVEHO ´ ˇ KAPITOLA 2. TESTOVAN KORENE
26
P kde σ ˜ 2 = T −1 Tt=1 εˆt 2 pro pˇr´ısluˇsn´ y model. Velikost v´ ybˇeru znaˇc´ıme T . V´ıce podrobnost´ı o tˇechto krit´eri´ıch a tak´e dalˇs´ı moˇznosti odhadu p jsou k nalezen´ı v Maddala & Kim (1998, kap. 3.6.2).
2.3
Phillips-Perronovy testy
Omezuj´ıc´ı pˇredpoklady, pot´ıˇze s pˇrebyteˇcn´ ymi parametry (zvl´aˇstˇe rozptylu chybov´eho ˇclenu), odhad zpoˇzdˇen´ı p a dalˇs´ı u ´skal´ı zm´ınˇen´ ych test˚ u se snaˇzili vyˇreˇsit Phillips (1987b) a Phillips & Perron (1988). Vych´azeli ze standardn´ıho Dickey-Fullerova testu, ale testov´e statistiky neparametricky rozˇs´ıˇrili. Test se naz´ yv´a neparametrick´ y, nebot’ nen´ı poˇzadov´ana ˇz´adn´a parametrick´a specifikace chybov´eho procesu. N´asleduj´ıc´ı shrnut´ı vych´az´ı ze zm´ınˇen´ ych ˇcl´ank˚ u a diplomov´e pr´ace Jur´aˇska (2007), kter´ y se tˇemito testy zab´ yval. Uvaˇzujme proces {Yt , t ∈ N0 }, kter´ y je generovan´ y modelem Yt = αYt−1 + εt , t ∈ N α = 1.
(2.11) (2.12)
Volnˇejˇs´ı je pˇredpoklad na Y0 , kter´e m˚ uˇze b´ yt n´ahodn´a veliˇcina s danou distribuc´ı nez´avislou na velikosti v´ ybˇeru T . Pˇripouˇst´ıme i speci´aln´ı pˇr´ıpad Y0 = c s. j., kde c je konstanta. Pˇripomeˇ nme, ˇze proces (2.11) lze za podm´ınky (2.12) zapsat ve formˇe P Yt = Y0 +St , kde St = ti=1 εt . D´ale uvaˇzujme n´asleduj´ıc´ı pˇredpoklad na posloupnost {εt , t ∈ N}: Pˇ redpoklad 2.1. Necht’ {εt , t ∈ N} splˇ nuje n´asleduj´ıc´ı podm´ınky: (i ) E(εt ) = 0, pro kaˇzd´e t ∈ N, (ii ) supt∈N E|εt |β+η < ∞ pro nˇejak´e β > 2 a η > 2, (iii ) σ 2 = limT →∞ E(T −1 ST2 ) existuje a plat´ı σ 2 > 0,
´ ´I JEDNOTKOVEHO ´ ˇ KAPITOLA 2. TESTOVAN KORENE
27
(iv ) {εt } je strong mixing1 s mixing koeficienty α(k), pro kter´e plat´ı: ∞ X
α(k)1−2/β < ∞ .
(2.13)
k=1
Tento pˇredpoklad n´am umoˇzn ˇuje pouˇz´ıvat speci´alnˇejˇs´ı konstrukce chybov´e sloˇzky. Lze pak pouˇz´ıt autokorelovan´e nebo i heterogennˇe rozdˇelen´e chyby εt . Zahrnuje pouˇzit´ı na ˇsirokou tˇr´ıdu data generuj´ıc´ıch mechanism˚ u vˇcetnˇe ARMA model˚ u koneˇcn´eho ˇra´du. Podm´ınka (ii ) br´an´ı neomezen´emu r˚ ustu β-t´eho absolutn´ıho momentu εt , podm´ınka (iv ) ˇr´ıd´ı rozsah z´avislosti v procesu {εt } (m˚ uˇze b´ yt z´avislost mezi ˇcasovˇe bl´ızk´ ymi ud´alostmi, ale ud´alosti oddˇelen´e dlouh´ ym ˇcasov´ ym u ´sekem jsou t´emˇeˇr nez´avisl´e). Podm´ ınka (ii ) je podm´ınka konvergence na rozptyl posloup√ nosti ˇca´steˇcn´ ych souˇct˚ u ST / T . Nav´ıc pˇredpokl´ad´ame σ 2 > 0, abychom se vyhnuli degenerativn´ım v´ ysledk˚ um. Zmiˇ novali jsme, ˇze asymptotick´e distribuce test˚ u uveden´ ych dˇr´ıve z´avis´ı na pˇrebyteˇcn´ ych parametrech. Tuto skuteˇcnost lze pˇeknˇe ilustrovat na testov´ ych statistik´ach (2.6) a (2.7) pˇri testov´an´ı jednotkov´eho koˇrene v modelu (2.11), jejichˇz asymptotick´a distribuce za platnosti hypot´ezy (2.12) z´avis´ı na pod´ılu σ 2 /σε2 , kde: 2
σ = lim T
−1
T →∞
σε2
= lim T
µX ¶ T 2 E ( εt ) ,
(2.14)
t=1 −1
T →∞
T X
E(ε2t ) .
(2.15)
t=1
Nen´ı obt´ıˇzn´e ovˇeˇrit, ˇze σ 2 = σε2 v pˇr´ıpadˇe, ˇze εt ∼ i. i. d.(0, σ 2 ). To tak´e odpov´ıd´a tomu, ˇze v asymptotick´e distribuci dˇr´ıve uveden´ ych standardn´ıch DF test˚ u nen´ı 2 2 obsaˇzen pod´ıl rozptyl˚ u σ /σε . Nicm´enˇe v tomto obecn´em pˇr´ıpadˇe byly uk´az´any 1
Posloupnost {εt , t ∈ N} nazveme strong mixing, jestliˇze pro ni plat´ı α(k) −→ 0, kde k→∞
α(k)
=
sup αn (k) pro k ∈ N a
n∈N
αn (k)
=
αn (k)
=
sup 1≤m≤n−k
{|P(A ∩ B) − P(A)P(B)| : A ∈ σ(εi : 1 ≤ i ≤ m), B ∈ σ(εi : m + k ≤ i ≤ n)},
0,
k ≥ n.
1≤k ≤n−1
´ ´I JEDNOTKOVEHO ´ ˇ KAPITOLA 2. TESTOVAN KORENE
28
n´asleduj´ıc´ı asymptotick´e v´ ysledky u Dickey-Fullerova testu pro model (2.11): D
T (ˆ α − 1) −→
T →∞
D
tα −→
T →∞
(1/2)(W (1)2 − σε2 /σ 2 ) , R1 W (r)2 dr 0 (1/2)(W (1)2 − σε2 /σ 2 ) ´1/2 . ³R 1 2 W (r) dr 0
Nezn´am´e parametry σ 2 a σε2 je potˇreba odhadnout. Oba tyto parametry lze odhadnout konzistentnˇe a odhady mohou b´ yt pouˇzity ke konstrukci modifikovan´ ych 2 2 statistik, jejichˇz limitn´ı rozdˇelen´ı je nez´avisl´e na (σ , σε ). Za platnosti nulov´e hypot´ezy (2.12) je pro σε2 konzistentn´ı odhad s2ε
=T
−1
T T X X 2 −1 (Yt − Yt−1 ) = T ε2t . t=1
(2.16)
t=1
Obt´ıˇznˇejˇs´ı bylo sestrojit konzistentn´ı odhad pro σ 2 . Phillips uk´azal, ˇze s2T l
=T
−1
T X
ε2t
+ 2T
−1
t=1
l T X X
εt εt−τ
(2.17)
τ =1 t=τ +1
je konzistentn´ım odhadem parametru σ 2 . Motivace k tomuto odhadu byla aproximace σT2 , kter´ y byl zadefinov´an n´asledovnˇe: σT2 = var(T −1 ST ) =T
−1
T X
E(ε2t )
+ 2T
−1
t=1
T −1 X T X
E(εt εt−τ ) .
τ =1 t=τ +1
Aproximace spoˇc´ıvala v nahrazen´ı v´ yrazu T − 1 v druh´e sumˇe ˇc´ıslem l, kter´emu se ˇr´ık´a lag truncation number. D˚ ukaz, ˇze s2T l je konzistentn´ım odhadem σ 2 , je uveden v Phillips (1987b, vˇeta 4.2). K tomuto d˚ ukazu bylo nutn´e uvaˇzovat pˇredpoklady 2.1, 2β d´ale silnˇejˇs´ı podm´ınku supt∈N E|εt | < ∞ pro nˇejak´e β > 2 a l → ∞ kdyˇz T → ∞ tak, ˇze l = o(T 1/4 ). Nicm´enˇe nev´ yhodou odhadu s2T l je to, ˇze m˚ uˇze nab´ yvat i z´aporn´ ych hodnot (v pˇr´ıpadˇe, ˇze v´ ybˇerov´e kovariance mezi εt a εt−τ maj´ı velk´e z´aporn´e hodnoty). Modifikaci navrhli Newey & West (1987). Uk´azali, ˇze odhad s˜2T l
=T
−1
T X t=1
ε2t
+ 2T
−1
l X τ =1
wτ l
T X t=τ +1
εt εt−τ ,
(2.18)
´ ´I JEDNOTKOVEHO ´ ˇ KAPITOLA 2. TESTOVAN KORENE
29
kde wτ l = 1 − τ /(l + 1) , je za nezmˇenˇen´ ych pˇredpoklad˚ u konzistentn´ım odhadem rozptylu σ 2 a nav´ıc je nez´aporn´ y. V odhadu rozptylu σ 2 je tak´e moˇzno m´ısto εt = Yt − Yt−1 pouˇz´ıt rezidua εˆt = Yt − α ˆ Yt−1 . Tento odhad bude tak´e konzistentn´ı za platnosti nuP lov´e hypot´ezy (2.12), nebot’ α ˆ −→ 1 pro T → ∞. Ot´azkou z˚ ust´av´a, jak volit l v pˇr´ıpadˇe koneˇcn´eho v´ ybˇeru. Zajist´e se jedn´a o empirickou z´aleˇzitost. Pˇredbˇeˇzn´e vyˇsetˇrov´an´ı autokorelac´ı mezi jednotliv´ ymi εt m˚ uˇze pˇrispˇet k vhodn´e volbˇe. Vzhledem k tomu, ˇze v´ ybˇerov´e autokorelace jedenkr´at diferencovan´ ych ekonomick´ ych ˇcasov´ ych ˇrad vˇetˇsinou rychle zanikaj´ı, je pravdˇepodobn´e, ˇze pˇri menˇs´ı velikosti v´ ybˇeru bude vybr´ana menˇs´ı hodnota l. Na z´akladˇe tˇechto v´ ysledk˚ u byly zkonstruov´any n´asleduj´ıc´ı testov´e statistiky pro testov´an´ı jednotkov´eho koˇrene v modelu (2.11) za velmi obecn´ ych podm´ınek:
Zα = T (ˆ α − 1) − Ã Zt =
T X t=1
(1/2)(s2T l − s2ε ) , P 2 T −2 Tt=1 Yt−1
! 12 2 Yt−1
(ˆ α − 1) − sT l
(1/2)(s2T l − s2ε ) ³ ´1/2 . PT 2 −2 sT l T t=1 Yt−1
(2.19)
(2.20)
Zα je transformace odhadu T (ˆ α − 1) a Zt je transformace regresn´ı t-statistiky (2.7). Za platnosti nulov´e hypot´ezy byly odvozeny n´asleduj´ıc´ı asymptotick´e vlastnosti: (W (1)2 − 1)/2 D Zα −→ R 1 , 2 dt T →∞ W (t) 0 (W (1)2 − 1)/2 D Zt −→ ¡ R 1 . ¢ T →∞ 2 dt 1/2 W (t) 0 Z´ıskali jsme statistiky, jejichˇz asymptotick´e rozdˇelen´ı je identick´e s asymptotick´ ymi rozdˇelen´ımi statistik T (ˆ α − 1) a tα , kdyˇz plat´ı σε2 = σ 2 . Pˇri testov´an´ı lze vyuˇz´ıt kritick´ ych hodnot stejn´ ych jako v pˇr´ıpadˇe standardn´ıch DF test˚ u. Opˇet bylo potˇreba rozˇs´ıˇrit model (2.11) i na situace, kdy je v nˇem pˇr´ıtomen trend ˇci vych´ ylen´ı, nebot’ tyto modely v´ıce odpov´ıdaj´ı realitˇe. Toto rozˇs´ıˇren´ı je shrnuto v Phillips & Perron (1988). Pˇrev´aˇzn´a vˇetˇsina textu v t´eto ˇca´sti je zaloˇzena na sekci 2.4.1 v Jur´aˇska (2007), kde je pˇrehledn´e shrnut´ı tohoto rozˇs´ıˇren´ı. St´ale pˇredpokl´ad´ame, ˇze {Yt , t ∈ N0 } jsou generov´any modelem (2.11) s podm´ınkou (2.12),
´ ´I JEDNOTKOVEHO ´ ˇ KAPITOLA 2. TESTOVAN KORENE
30
a uvaˇzujme modely Yt = µ + αYt−1 + εt , ³ 1 ´ Yt = µ + β t − T + αYt−1 + εt , 2
(2.21) t ∈ N.
(2.22)
Posloupnost {εt , t ∈ N} splˇ nuje pˇredpoklady (2.1). Y0 je n´ahodn´a veliˇcina s danou distribuc´ı nez´avislou na velikosti v´ ybˇeru T . Modely jsou analogick´e s modely (2.2) a (2.3) s t´ım rozd´ılem, ˇze model (2.22) obsahuje centrovanou ˇcasovou promˇennou. Regresn´ı matici v modelu (2.3) oznaˇcme X. Odhad parametru α metodou nejmenˇs´ıch ˇctverc˚ u v modelu (2.21) oznaˇcme α ˆ µ a v modelu (2.22) α ˆ µβ a d´ale obdobnˇe pro tyto modely oznaˇcme rezidu´aln´ı souˇcet ˇctverc˚ u vydˇelen´ y poˇctem pozorov´an´ı jako s2µ resp. P T s2µβ . D´ale oznaˇcme Y¯−1 = T −1 t=1 Yt−1 . Regresn´ı t-statistiky definujeme n´asledovnˇe: tµα
½X ¾ 21 T 2 = (ˆ αµ − 1) (Yt−1 − Y¯−1 ) /sµ , t=1 1
tµβ αµβ − 1)/(s2µβ c3 ) 2 . α = (ˆ Oznaˇcen´ım ci m´ame na mysli i-t´ y diagon´aln´ı prvek matice (X 0 X)−1 . Pro upraven´e testov´e statistiky potˇrebujeme opˇet pouˇz´ıt konzistentn´ı odhady parametr˚ u σε2 a σ 2 . Pro konzistentn´ı odhad σε2 pouˇzijeme s˜2T l,µ a s˜2T l,µβ , kter´e jsou analogi´ı vzorce (2.18), kde m´ısto εt pouˇzijeme reziduum z pˇr´ısluˇsn´e regrese. K testov´an´ı jsou vyuˇz´ıv´any transformovan´e statistiky Zαµ = T (ˆ αµ − 1) − λµ /m ¯ yy , 0
Ztµ = (sµ /˜ sT l,µ )tµα − λµ s˜T l,µ /m ¯ 1/2 yy , Zαµβ = T (ˆ αµβ − 1) − λµβ /M , 0
Ztµβ = (sµβ /˜ sT l,µβ )tµβ ˜T l,µβ /M 1/2 , α − λµβ s kde myy = T −2
PT
M = (1 − T
t=1
−2
2 Yt−1 ,m ¯ yy = T −2
PT
t=1 (Yt−1 P T −5/2 Tt=1 −1
mty = )myy − 12m2ty + 12(1 + T 0
P − Y¯−1 )2 , my = T −3/2 Tt=1 Yt−1 ,
tYt−1 , )mty my − (4 + 6T −1 + 2T −2 )m2y , 0
λµ = 21 (˜ s2T l,µ , λµβ = 12 (˜ s2T l,µ − s2µ ) , λµ = λµ /˜ s2T l,µβ − s2µβ ), λµβ = λµβ /˜ s2T l,µβ . Zaj´ım´ame se o asymptotick´e vlastnosti tˇechto statistik za podm´ınky, ˇze data jsou generov´any modelem (2.11) s podm´ınkou (2.12). Bylo uk´az´ano, ˇze za stejn´ ych pˇredpoklad˚ u, kter´e jsme pouˇz´ıvali v pˇr´ıpadˇe nevych´ ylen´e n´ahodn´e proch´azky, plat´ı: (i ) pro model (2.21) maj´ı statistiky Zαµ a Ztµ za platnosti nulov´e hypot´ezy (2.12) stejn´e asymptotick´e rozdˇelen´ı jako T (ˆ αµ − 1) a tµα v pˇr´ıpadˇe, ˇze σ 2 = σε2 .
´ ´I JEDNOTKOVEHO ´ ˇ KAPITOLA 2. TESTOVAN KORENE
31
(ii ) pro model (2.22) maj´ı statistiky Zαµβ a Ztµβ za platnosti nulov´e hypot´ezy (2.12) stejn´e asymptotick´e rozdˇelen´ı jako T (ˆ αµβ − 1) a tµβ r´ıpadˇe, ˇze σ 2 = σε2 . α v pˇ V´ ysledky uveden´e pro Zαµβ a Ztµβ z˚ ust´avaj´ı v platnosti i tehdy, kdy {Yt } je generov´an modelem (2.21) m´ısto (2.11). Dost´av´ame testy jednotkov´eho koˇrene v modelech, kter´e obsahuj´ı deterministick´ y trend, za velmi obecn´ ych podm´ınek. K testov´an´ı lze pouˇz´ıt kritick´ ych hodnot, kter´e publikovali Dickey a Fuller v pˇr´ıpadˇe i. i. d. chyb. Tyto kritick´e hodnoty byly publikov´any ve Fuller (1976, str. 371, 373). Pˇri pouˇz´ıv´an´ı tˇechto model˚ u je potˇreba ˇ opatrnosti pˇri volbˇe funkcion´aln´ı formy deterministick´eho trendu. Spatn´a volba vede ke sn´ıˇzen´ı s´ıly tˇechto test˚ u. Phillips a Perron porovn´avali vlastnosti tˇechto test˚ u s parametrick´ ymi testy v simulaˇcn´ı studii. Pˇres asymptoticky ekvivalentn´ı v´ ysledky doˇsli v simulaci k odliˇsn´ ym v´ ysledk˚ um v koneˇcn´ ych v´ ybˇerech. Generovali data s chybami, kter´e mˇeli formu klouzav´ ych pr˚ umˇer˚ u (MA) tvaru εt = et + θet−1 , kde et ∼ i. i. d. N (0, 1). Zjistili, ˇze v pˇr´ıpadˇe, kdy jsou chyby generov´any kladn´ ym MA procesem (θ > 0), je lepˇs´ı pouˇz´ıt jejich Z testy, nebot’ jsou v tomto pˇr´ıpadˇe silnˇejˇs´ı oproti jin´ ym test˚ um. V pˇr´ıpadˇe, kdy jsou chyby nez´avisl´e a stejnˇe rozdˇelen´e (θ = 0), nen´ı transformace Z striktnˇe potˇrebn´a, ale opˇet ji lze preferovat pro obecnˇejˇs´ı konstrukci. V modelu, kdy jsou chyby generov´any MA procesem a negativnˇe autokorelovan´e (θ < 0), maj´ı transformovan´e testy menˇs´ı s´ılu a nedoporuˇcuje se je pouˇz´ıvat. V tomto pˇr´ıpadˇe je vhodnˇejˇs´ı pouˇz´ıt testy, kter´e odvodili Said & Dickey (1984).
2.4
Testov´ an´ı v´ıce parametr˚ u
Na z´avˇer t´eto kapitoly se jeˇstˇe kr´atce zm´ın´ıme o testov´an´ı v´ıce parametr˚ u. Zmiˇ novali jsme, ˇze asymptotick´e rozdˇelen´ı statistik α ˆ µ a tµα nen´ı invariantn´ı vzhledem k zahrnut´ı nenulov´eho vych´ ylen´ı µ do data generuj´ıc´ıho procesu (2.11). Stejnˇe tak α ˆ µβ a tµβ ı α nen´ invariantn´ı vzhledem k trendov´emu parametru β (aˇckoliv je invariantn´ı v˚ uˇci pevn´emu µ). Bylo tedy uˇziteˇcn´e naj´ıt testy, kter´e budou testovat sdruˇzenou hypot´ezu: H10 : (µ, α) = (0, 1) v modelu (2.21), H20 : (µ, β, α) = (0, 0, 1) v modelu (2.22), H30 : (µ, β, α) = (µ, 0, 1) v modelu (2.22). Pˇredpokl´ad´ame, ˇze {Yt , t ∈ Z} jsou generov´any modelem (2.11) s podm´ınkou (2.12), {εt , t ∈ Z} splˇ nuje pˇredpoklady 2.1 a Y0 m´a pˇredem danou distribuci. Dickey & Fuller (1981) navrhli F -test pro uveden´e hypot´ezy za pˇredpokladu nez´avisl´ ych norm´alnˇe rozdˇelen´ ych chyb:
´ ´I JEDNOTKOVEHO ´ ˇ KAPITOLA 2. TESTOVAN KORENE
32
H10 : Φ1 = (2s2µ )−1 [T s2ε − (T − 2)s2µ ] , H20 : Φ2 = (3s2µβ )−1 [T s2ε − (T − 3)s2µβ ] , H30 : Φ3 = (2s2µβ )−1 [T (s2ε − (Y¯ − Y¯−1 )2 ) − (T − 3)s2µβ ] , u vydˇelen´e poˇctem pozorov´an´ı T z kde s2ε , s2µ a s2µβ jsou rezidu´aln´ı souˇcty ˇctverc˚ P model˚ u (2.11), (2.21) a (2.22) za platnosti nulov´e hypot´ezy a Y¯−1 = T −1 Tt=1 Yt−1 . Nulov´a hypot´eza H30 je vych´ ylen´a n´ahodn´a proch´azka s vych´ ylen´ım µ, v˚ uˇci kter´emu je statistika Φ3 invariantn´ı. Perron (1986) zobecnil tyto testy na v´ yˇse uveden´e obecnˇejˇs´ı pˇredpoklady. Opˇet jsou vyuˇzity konzistentn´ı odhady parametr˚ u σ 2 a σε2 , kter´e byly zadefinov´any u Phillips-Perronov´ ych test˚ u jednotkov´eho koˇrene. Tyto neparametrick´e testy maj´ı tvar: s2µ 1 Φ1 − 2 (˜ s2 − s2µ ) 2 s˜T l,µ 2˜ sT l,µ T l,µ ½ T h 1 X i−1 ¾ 1 2 2 2 ¯ × T (ˆ αµ − 1) − (˜ s − sµ ) 2 (Yt−1 − Y−1 ) , 4 T l,µ T t=1
Z(Φ1 ) =
½ ¾ s2µβ 1 T6 2 2 2 2 Φ2 − 2 (˜ s − sµβ ) T (ˆ αµβ − 1) − (˜ s − sµβ ) , Z(Φ2 ) = 2 s˜T l,µβ 3˜ sT l,µβ T l,µβ 48DX T l,µβ ½ ¾ s2µβ 1 T6 2 2 2 2 Φ2 − 2 (˜ s − sµβ ) T (ˆ αµβ − 1) − (˜ s − sµβ ) , Z(Φ3 ) = 2 s˜T l,µβ 2˜ sT l,µβ T l,µβ 48DX T l,µβ kde DX je determinant matice X 0 X (X je regresn´ı matice rozmˇeru T × 3 z modelu (2.22)). Perron (1986, vˇeta 4.2) uk´azal, ˇze uveden´e Z statistiky maj´ı za platnosti pˇr´ısluˇsn´e nulov´e hypot´ezy stejn´e rozdˇelen´ı jako odpov´ıdaj´ıc´ı Φ statistiky. K testov´an´ı lze tedy pouˇz´ıt kritick´e hodnoty, kter´e pro i.i.d. N (0, σ 2 ) chyby tabelovali Dickey & Fuller (1981, Tabulky IV, V, VI). K pouˇz´ıvan´ı tˇechto neparametrick´ ych test˚ u plat´ı opˇet stejn´e doporuˇcen´ı jako v pˇr´ıpadˇe Phillips-Perronov´ ych test˚ u. Je potˇreba opatrnosti, pokud generuj´ıc´ı proces obsahuje MA ˇc´ast se z´aporn´ ymi parametry.
Doporuˇ cen´ a strategie pˇ ri testov´ an´ı Pˇresn´ y n´avod, kter´e testy pouˇz´ıt, samozˇrejmˇe neexistuje. Kaˇzd´ y typ test˚ u m´a sv´e klady a z´apory a reaguje l´epe ˇci h˚ uˇre v urˇcit´ ych situac´ıch. Alespoˇ n nˇekter´a z´akladn´ı
´ ´I JEDNOTKOVEHO ´ ˇ KAPITOLA 2. TESTOVAN KORENE
33
doporuˇcen´ı ohlednˇe Phillips-Perronov´ ych test˚ u jsou shrnuty v Jur´aˇska (2007, kap. 2.6). Bylo uk´az´ano, ˇze v pˇr´ıpadˇe, kdy je ˇrada trendovˇe stacion´arn´ı kolem line´arn´ıho trendu, je zam´ıtnut´ı nulov´e hypot´ezy jednotkov´eho koˇrene v modelu (2.21) nepravdˇepodobn´e s rostouc´ım T . Proto je doporuˇceno zaˇc´ıt s odhadem modelu (2.22). Jako prvn´ı je vhodn´e testovat sdruˇzenou hypot´ezu Z(Φ3 ) a d´ale pak Zαµβ a Ztµβ , kter´e nejsou invariantn´ı vzhledem k parametru β. Nen´ı nutn´e pokraˇcovat, pokud je moˇzn´e pro tento model nulovou hypot´ezu zam´ıtnout. V opaˇcn´em pˇr´ıpadˇe testujeme na z´akladˇe modelu (2.21). Pˇred testy v tomto modelu je nutn´e ovˇeˇrit, jestli nen´ı vych´ ylen´ı µ nulov´e, nebot’ asymptotick´a rozdˇelen´ı test˚ u Zαµ a Ztµ nejsou vzhledem k parametru µ invariantn´ı. Z˚ ustaneme u v´ ysledku Zαµβ a Ztµβ v pˇr´ıpadˇe, ˇze Z(Φ2 ) zam´ıtne nulovou hypot´ezu (µ, β, α) = (0, 0, 1). Jinak m˚ uˇzeme pˇrej´ıt k test˚ um Zαµ a Ztµ . Pokud nelze zam´ıtnout nulovou hypot´ezu (µ, α) = (0, 1) pomoc´ı Z(Φ1 ), pˇrejdeme k modelu (2.11).
Kapitola 3 Kointegrace 3.1
Definice kointegrace
Uˇz jsme zmiˇ novali, ˇze ekonomick´e ˇcasov´e ˇrady jsou velmi ˇcasto integrovan´e ˇr´adu 1 a obsahuj´ı stochastick´ y trend. V ekonomick´e teorii vˇsak oˇcek´av´ame, ˇze jist´e ˇrady by mˇely b´ yt v urˇcit´em dlouhodobˇe rovnov´aˇzn´em stavu, pˇrestoˇze jejich pr˚ ubˇeh v ˇcase m˚ uˇze b´ yt znaˇcnˇe kol´ısav´ y. V kr´atkodob´em horizontu mohou tyto ˇrady znaˇcnˇe kol´ısat, ale ekonomick´e s´ıly by mˇely v dlouhodob´em horizontu dos´ahnout rovnov´aˇzn´eho stavu. Pˇr´ıkladem m˚ uˇze b´ yt cena podobn´ ych potravin v r˚ uzn´ ych zem´ıch, popt´avka po penˇez´ıch a hodnota penˇez, kr´atkodob´e a dlouhodob´e u ´rokov´e m´ıry apod. Obecnˇe hled´ame-li rovnov´aˇzn´ y stav mezi promˇenn´ ymi, kter´e jsou sloˇzky n-rozmˇern´eho vektoru Y t = (Y1,t , . . . , Yn,t )0 , chceme naj´ıt vektor β takov´ y, aby platilo β 0 Y t = 0 v kaˇzd´em ˇcase t. V praxi tolerujeme kr´atkodob´e odchylky od rovnov´ aˇzn´eho stavu, kter´e znaˇc´ıme v ˇcase t jako Zt = β 0 Y t . Hled´ame vektor β takov´ y, ˇze odchylky od rovnov´ahy {Zt } tvoˇr´ı stacion´arn´ı proces s nulovou stˇredn´ı hodnotou a koneˇcn´ ym rozptylem. Tohoto dlouhodobˇe rovnov´aˇzn´eho stavu lze dos´ahnout i v pˇr´ıpadˇe, ˇze jednotliv´e veliˇciny jsou integrovan´e. Kointegrace je vhodn´ ym n´astrojem k anal´ yze tˇechto vztah˚ u. T´ımto t´ematem se intenzivnˇe zab´ yval nositel Nobelovy ceny za ekonomii Clive Granger. Z´akladn´ı myˇslenky jsou shrnuty v ˇcl´anku Granger & Engle (1987), kde je i n´asleduj´ıc´ı obecn´a definice pojmu kointegrace. ˇ Definice 3.1. Necht’ b, d ∈ N a d ≥ b. Rekneme, ˇze sloˇzky n-rozmˇern´eho n´ahodn´eho procesu {Y t , t ∈ Z} jsou kointegrovan´e ˇr´ adu d, b, jestliˇze vˇsechny sloˇzky Y t jsou I(d) a existuje nenulov´ y vektor β = (β1 , . . . , βn )0 takov´ y, ˇze sloˇzky line´arn´ı kombinace Z t := β 0 Y t jsou I(d − b). Vektor β se naz´ yv´a kointegraˇcn´ı vektor. Kointegraci budeme znaˇcit {Y t } ∼ CI(d, b). Je zˇrejm´e, ˇze kointegraˇcn´ı vektor nen´ı jednoznaˇcn´ y. Staˇc´ı jej vyn´asobit nenulovou konstantou a opˇet dost´av´ame kointegraˇcn´ı vektor. Pro n > 2 m˚ uˇze obecnˇe
KAPITOLA 3. KOINTEGRACE
35
existovat v´ıce line´arnˇe nez´avisl´ ych kointegraˇcn´ıch vektor˚ u. Existuje-li r takov´ ych nez´avisl´ ych vektor˚ u (r ≤ n − 1), pak se r naz´ yv´a ˇr´ ad kointegrace. Pokud tyto vektory oznaˇc´ıme β 1 , . . . , β r , m˚ uˇzeme je uspoˇr´adat do kointegraˇcn´ı matice β, kter´a je rozmˇeru n × r a m´a hodnost r. V dalˇs´ıch kapitol´ach se sezn´am´ıme s r˚ uzn´ ymi modely kointegrovan´ ych ˇcasovan´ ych ˇrad, z nichˇz nˇekter´e umoˇzn ˇuj´ı modelovat pouze jeden kointegraˇcn´ı vektor (jednorovnicov´e modely). Nejzaj´ımavˇejˇs´ı je situace, kdy d = b. V tomto pˇr´ıpadˇe je line´arn´ı kombinace ˇrad stacion´arn´ı. Nejˇcastˇejˇs´ı je situace, kdy sloˇzky procesu {Y t } jsou I(1) a {β 0 Y t } je I(0). Jedn´a se o kointegraci {Y t } ∼ CI(1, 1). T´ımto typem kointegrace se budeme vˇetˇsinou zab´ yvat i v t´eto pr´aci. Typick´ ym pˇr´ıkladem CI(1, 1) kointegrovan´eho vektoru je dvojice: Y1,t = αY2,t + ε1,t Y2,t = Y2,t−1 + ε2,t , kde {ε1,t } a {ε2,t } jsou nekorelovan´e procesy b´ıl´eho ˇsumu. Nen´ı obt´ıˇzn´e ovˇeˇrit, ˇze pro α 6= 0 jsou procesy I(1), ale pˇritom line´arn´ı kombinace Y1,t − αY2,t je stacion´arn´ı. Uk´azka pro α = 0, 5 a α = 0, 9 je na obr´azku 3.1, kde jsou {ε1,t } a {ε2,t } generov´any n´ahodn´ ym v´ ybˇerem N (0, 1) a jsou nez´avisl´e.
25
Kointegrované časové řady
0
5
10
15
20
Y1 (alpha = 0.5) Y1 (alpha = 0.9) Y2
0
20
40
60
80
100
Čas
Obr´azek 3.1: Uk´azka kointegrovan´ych ˇcasov´ych ˇrad. V r´amci kointegrace analyzujeme I(d) ˇcasov´e ˇrady. V´ıme, ˇze pro z´ısk´an´ı stacion´arn´ı ˇcasov´e ˇrady staˇc´ı tyto ˇrady d-kr´at diferencovat. Mohlo by se zd´at, ˇze pak uˇz
KAPITOLA 3. KOINTEGRACE
36
je moˇzn´e na tyto stacion´arn´ı ˇrady pouˇz´ıt klasick´e pˇr´ıstupy k anal´ yze vz´ajemn´ ych vztah˚ u. Nen´ı to vhodn´a strategie. Pravdou je, ˇze pouh´ ym zdiferencov´an´ım ˇrad ztr´ac´ıme d˚ uleˇzitou informaci o cel´em syst´emu. Eliminujeme moˇznost, jak odhadovat korektnˇe vztahy mezi jednotliv´ ymi promˇenn´ ymi a jejich dlouhodobou rovnov´ahou. D´ıky kointegraci vˇsak v´ıme, ˇze ˇcasto tento vztah existuje a m´ıv´a tak´e d˚ uleˇzitou interpretaci (napˇr. ekonomickou). Dˇr´ıve neˇz budeme pokraˇcovat v t´ematu, zavedeme strukturu jednoho z velmi d˚ uleˇzit´ ych model˚ u, kter´ y s kointegrac´ı I(1) veliˇcin u ´zce souvis´ı. Jedn´a se o model korekce chyb, kter´ y budeme naz´ yvat zn´amˇejˇs´ım a vˇseobecnˇe uˇz´ıvan´ ym oznaˇcen´ım error correction model (odtud pouˇz´ıvan´a zkratka EC nebo tak´e ECM). Tento model byl ekonometry hojnˇe vyuˇz´ıv´an a v souvislosti s kointegrac´ı je dobˇre interpretovateln´ y. Obsahuje v sobˇe jak kr´atkodob´e, tak dlouhodob´e vztahy. Z´akladn´ı idea je takov´a, ˇze odchylka od rovnov´ahy v jednom obdob´ı je opravena v obdob´ı pˇr´ıˇst´ım. Uvaˇzujme n-rozmˇern´ y proces {Y t }. Obecnˇe se m˚ uˇze jednat i o stacion´arn´ı proces. N´as ale v dalˇs´ım textu bude zaj´ımat hlavnˇe pˇr´ıpad, kdy ˇ {Y t } ∼ CI(1). Rekneme, ˇze tento proces m´a error correction reprezentaci, jestliˇze jej lze zapsat ve tvaru: ∆Y t = ΠY t−1 + Γ1 ∆Y t−1 + . . . + Γp−1 ∆Y t−p+1 + εt 0
= αβ Y t−1 +
p−1 X
(3.1)
Γi ∆Y t−i + εt ,
i=1
kde εt je stacion´arn´ı n-rozmˇern´ y WN(0, Σε ). Matice Π a Γ1 , . . . , Γp−1 jsou n × n rozmˇern´e matice koeficient˚ u. V pˇr´ıpadˇe kointegrovan´eho procesu mus´ı b´ yt matice Π singul´arn´ı s ˇra´dem rank[Π] = r > 0, jak bude uk´az´ano n´ıˇze. Pak lze matici Π rozloˇzit na souˇcin matic Π = αβ 0 , kde α a β jsou rozmˇeru n × r a maj´ı hodnost r. Pokud vyuˇzijeme znaˇcen´ı Z t := β 0 Y t z definice 3.1, lze model lze pˇrepsat tak´e do tvaru: Γ(L)∆Y t = αZ t−1 + εt ,
(3.2)
kde Γ(L) = In − Γ1 L − . . . − Γp−1 Lp−1 . V modelu jsou zmˇeny promˇenn´ ych z´avisl´e na odchylk´ach od rovnov´aˇzn´eho stavu. V tomto tvaru definuje EC model Granger & Engle (1987). Nav´ıc se pro korektnost zav´ad´ı podm´ınka, kter´a zaruˇc´ı, P ˇze vˇsechny prvky matice Γ(1) jsou koneˇcn´e. Budeme tedy pˇredpokl´adat, ˇze Γ(1) = Γi < ∞. Podrobnˇeji se vlastnostmi error correction reprezentace budeme zab´ yvat aˇz v kapitole 4.2, uved’me si zde vˇsak aspoˇ n nˇekter´e z´akladn´ı vlastnosti, kter´e ukazuj´ı v´ yhody t´eto reprezentace v pˇr´ıpadˇe kointegrovan´eho procesu. Kointegraˇcn´ı matice, kterou jsme uˇz dˇr´ıve zadefinovali, je reprezentov´ana parametrem β. Jej´ı hodnost je r < n, kde r je ˇra´d kointegrace. Matice α se nˇekdy naz´ yv´a z´atˇeˇzov´ a matice (v anglicky psan´e literatuˇre loading matrix ). Lze i interpretovat jako m´ıru odliˇsnosti mezi dlouhodob´ ymi a kr´atkodob´ ymi vztahy v syst´emu. Vˇsimnˇeme 1 si, ˇze pokud by matice Π mˇela hodnost rank[Π] = 0 (matice by byla nulov´a), mˇel 1
Symbolem rank[B] znaˇc´ıme hodnost matice B.
KAPITOLA 3. KOINTEGRACE
37
by pak proces {∆Y t } stabiln´ı VAR(p − 1) reprezentaci a diferencov´an´ım bychom neztratili ˇza´dnou dlouhodobou informaci. Naopak pokud by mˇela plnou hodnost rank[Π] = n, znamenalo by to, ˇze ˇcasov´a ˇrada je generov´ana stacion´arn´ım vektorov´ ym procesem {Y t }. Z hlediska kointegrace je pro n´as nejzaj´ımavˇejˇs´ı pˇr´ıpad, kdy je rank[Π] = r, kde 0 < r < n. V pˇr´ıpadˇe, ˇze {Y t } ∼ I(1), jsou diferencovan´e ˇcleny ∆Y t stacion´arn´ı, a tud´ıˇz i αβ 0 Y t mus´ı b´ yt stacion´arn´ı. Na z´avˇer podotknˇeme, ˇze d´ıky pouˇzit´ı diferenc´ı v error correction modelu v´ yznamnˇe redukujeme probl´em multikolinearity, kter´ y je ˇcasto pˇr´ıtomn´ y u ˇcasov´ ych ˇrad. D´ale je v´ yhodou, ˇze vˇsechny dlouhodob´e vztahy jsou obsaˇzeny v matici Π.
3.2
Grangerova vˇ eta
Grangerova vˇeta o reprezentaci tvoˇr´ı z´akladn´ı pil´ıˇr mezi vztahy jednotliv´ ych kointegrovan´ ych model˚ u a jejich vlastnostmi. Cliwe Granger dal t´eto vˇetˇe z´aklady, a proto byla pojmenov´ana podle nˇej. Jej´ı z´akladn´ı verze je uvedena v ˇcl´anku Granger & Engle (1987). Struktura vˇety se liˇs´ı podle toho, z jak´eho modelu vyjdeme. V uveden´em ˇcl´anku je jako v´ ychoz´ı model uvaˇzov´an vektorov´ y proces klouzav´ ych pr˚ umˇer˚ u. D´av´a jej do souvislosti s VARMA a EC modelem. Modifikovan´a verze vych´azej´ıc´ı z modelu VAR je uvaˇzov´ana v Johansen (1991). Velmi uˇziteˇcn´e srovn´an´ı mezi jednotliv´ ymi alternativami Grangerovy vˇety je uvedeno v knize Dhrymes (1998), kter´a m´a hlubok´e teoretick´e z´aklady. Grangerova vˇeta je zde uvedena pro VMA(+∞) proces, d´ale pro VMA(q) proces, kde q je koneˇcn´e a tak´e verze vych´azej´ıc´ı z VAR modelu. V diplomov´e pr´aci Bittner (2005) byla uvedena Grangerova vˇeta vych´azej´ıc´ı VMA reprezentace podle Granger & Engle (1987). Zde si proto uvedeme vlastnosti model˚ u v kontextu s Johansenov´ ym pˇr´ıstupem, kter´ y vych´azel z VAR modelu. Vych´az´ıme vˇsak z Dhrymes (1998, Kap. 4.4.3, Vˇeta 4.), kde je vˇeta pˇrehledn´a a m´a odliˇsnou strukturu od p˚ uvodn´ıho Johansen (1988). Vˇ eta 3.2. Mˇejme n´ahodnou n-rozmˇernou posloupnost {Y t , t ∈ N} a pˇredpokl´ adejme, ˇze: 1. m´ a VAR(p) reprezentaci Φ(L)Y t = εt ,
Φ(L) =
p X j=0
kde {εt } ∼ WN(0, Σε ); 2. {Y t } ∼ CI(1, 1) ˇr´ adu r;
Φj L j ,
Φ0 = In ,
KAPITOLA 3. KOINTEGRACE
38
3. β je matice rozmˇeru n×r, kter´a obsahuje r line´arnˇe nez´avisl´ych kointegraˇcn´ıch vektor˚ u. Pak plat´ı n´asleduj´ıc´ı: (i) existuje reprezentace ∗
Φ(L) = Φ(1) − ∆Φ (L),
∗
Φ (L) =
p−1 X
Φ∗j Lj ,
Φ∗j
j=0
=
p X
Φi ;
i=j+1
P ∗ j (ii) oper´ ator Φ∗ (L) = p−1 a unit root faktorizaci j=0 Φj L nem´ (tzn. ˇze pro ˇz´ adn´e d ≥ 1 neexistuje rozklad Φ∗ (L) = ∆d Φ∗∗ (L), kde Φ∗∗ (L) je invertibiln´ı oper´ ator); (iii) rank[Φ(1)] = r, r < n; (iv) charakteristick´ a rovnice |Φ(z)| = 0 m´ a r0 = n − r jednotkov´ych koˇren˚ u; (v) proces {Y t } m´ a VMA reprezentaci nekoneˇcn´eho ˇr´ adu; specificky, jestliˇze ϕ∗ (L) = |Φ(L)| a Θ∗ (L) je matice adjungovan´a k matici Φ(L) = [ϕrs (L)],
ϕrs (L) =
p X
j ϕ(j) rs L ,
j=0 (j)
kde ϕrs je element matice Φj na pozici r, s, pak existuj´ı rozklady ϕ∗ (L) = ∆r0 ϕ(L) ,
ϕ(1) 6= 0
a Θ∗ (L) = ∆r0 −1 Θ(L) ,
Θ(1) 6= 0
a plat´ı ∆Y t = [ϕ(L)−1 ]Θ(L)εt ; (vi) existuje matice α rozmˇeru n × r a hodnosti r takov´ a, ˇze Φ(1) = −αβ 0 , a plat´ı β 0 Θ(1) = 0,
Θ(1)α = 0,
Θ(0) = In ;
(vii) existuje error correction (EC) reprezentace 0
∆Y t = −αβ Y t−1 +
p−1 X j=1
Θ∗j ∆Y t−j + εt ;
KAPITOLA 3. KOINTEGRACE
39
(viii) Vektor Z t = β 0 Y t m´ a reprezentaci Z t = G(L)εt ,
0
G0 = β ,
0
−1
Gi = (α α) α
0
i ³X
Φ∗j Θ∗i−j
´ , i ≥ 1.
j=0
D˚ ukaz. Je uveden v kapitole 4.4.3 v Dhrymes (1998, Vˇeta 4.). Jedn´a se o velmi d˚ uleˇzitou vˇetu, kter´a ukazuje vztahy mezi nˇekter´ ymi z kointegraˇcn´ıch model˚ u. D˚ ukaz je delˇs´ı, a proto jej zde neuv´ad´ıme. V dalˇs´ıch kapitol´ach jsou vˇsak uk´az´any aspoˇ n nˇekter´e z v´ ysledk˚ u t´eto vˇety. Jak jsme uˇz zmiˇ novali, v´ ysledky ˇ jsou odliˇsn´e v z´avislosti na tom, kterou reprezentaci vezmeme jako v´ ychoz´ı. Cten´aˇr˚ um doporuˇcuji pro srovn´an´ı z´akladn´ı verzi v Granger & Engle (1987), kde je uk´az´an vztah v´ ychoz´ıho VMA modelu s VARMA a EC reprezentac´ı. Dhrymes (1998) srovn´av´a tyto verze a ukazuje odliˇsnosti i propojenost (napˇr´ıklad mezi MA oper´atory u VMA reprezentac´ı). Modely ve vˇetˇe je moˇzn´e rozˇs´ıˇrit tak´e o konstantn´ı ˇclen a deterministick´ y trend ˇci sez´onn´ı promˇenn´e, jak lze vidˇet v Johansen (1988). Za povˇsimnut´ı stoj´ı tak´e vztahy uveden´e v bodu (vi) vˇety 3.2. Obdobn´e vztahy plat´ı i v p˚ uvodn´ı Grangerovˇe vˇetˇe, kde Θ(L) je MA oper´ator u v´ ychoz´ı VMA reprezentace. Vezmeme-li v u ´vahu, ˇze Π = αβ 0 = −Φ(1) dost´av´ame ΠΘ(1) = Θ(1)Π = 0n×n . Vid´ıme, ˇze v pˇr´ıpadˇe kointegrovan´eho procesu existuje u ´zk´a souvislost mezi AR oper´atorem z VAR reprezentace a MA oper´atorem z VMA reprezentace. Vztah mezi hodnostmi matic Θ(1) a Φ(1) se naz´ yv´a du´ aln´ı. Hodnost matice Φ(1) je r, zat´ımco hodnost matice Θ(1) je n − r. D´ale plat´ı, ˇze charakteristick´a rovnice |Φ(z)| = 0 m´a r0 = n − r jednotkov´ ych koˇren˚ u, zat´ımco charakteristick´a rovnice |Θ(z)| = 0 m´a r jednotkov´ ych koˇren˚ u, kde r je ˇr´ad kointegrace.
Kapitola 4 Modely kointegrovan´ ych ˇ casov´ ych ˇ rad V t´eto kapitole se budeme zab´ yvat vlastnostmi nˇekter´ ych model˚ u kointegrovan´ ych ˇcasov´ ych ˇrad. V r´amci kointegraˇcn´ı anal´ yzy ˇcasov´ ych ˇrad jsou nejˇcastˇeji uˇz´ıv´any modely ECM (error correction model ). Velmi kr´atce se zm´ın´ıme o VAR modelu (vektorov´y autoregresn´ı model ) a VMA modelu (vektorov´y proces klouzav´ych pr˚ umˇer˚ u). Nav´ıc zavedeme triangular reprezentaci, kter´a je nˇekter´ ymi autory uˇz´ıv´ana. V z´avˇeru se budeme vˇenovat jednorozmˇern´ ym model˚ um, jako ADL (autoregressive distributed lags) modely a kointegraˇcn´ı regrese, a jejich vztahem v˚ uˇci modelu v´ıcerozmˇern´emu. Zm´ın´ıme se tak´e o souvislosti Grangerovy kauzality s kointegrac´ı.
4.1
VAR a VMA reprezentace kointegrovan´ ych veliˇ cin
V kapitole 3.2 je v Grangerovˇe vˇetˇe uk´az´an jednoznaˇcn´ y vztah mezi modely VMA, ECM a VAR v pˇr´ıpadˇe kointegrovan´ ych veliˇcin. Mnoh´ ymi vlastnostmi VAR a VMA model˚ u se uˇz zab´ yval Bittner (2005, kap. 4). Vzhledem k tomu, ˇze v praktick´e anal´ yze se vˇetˇsinou vyuˇz´ıv´a error-correction model, kter´ y je velmi vhodn´ y k modelov´an´ı dlouhodob´ ych kointegraˇcn´ıch vztah˚ u, uvedeme si zde pouze nˇekolik z´akladn´ıch informac´ı o tˇechto reprezentac´ıch. D´ıky Grangerovˇe vˇetˇe lze v pˇr´ıpadˇe kointegrovan´eho procesu pˇrev´est jak VAR, tak VMA reprezentaci na error-correction model. T´ım se detailnˇeji zab´ yv´ame v kapitole 4.2. VAR reprezentace Pˇripomeˇ nme si tvar vektorov´eho autoregresn´ıho modelu ˇr´adu p, tentokr´at pro n-rozmˇern´ y I(1) proces {Y t }: Φ(L)Y t = εt ,
(4.1)
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
41
kde Φ(L) = In − Φ1 L − Φ2 L2 − . . . − Φp Lp a Φ1 , . . . , Φp jsou n × n rozmˇern´e matice koeficient˚ u. D´ale pˇredpokl´ad´ame, ˇze εt je stacion´arn´ı b´ıl´ y ˇsum s nulovou stˇredn´ı hodnotou a varianˇcn´ı matic´ı Σε . Samozˇrejmˇe je moˇzn´e tento model zobecnit a na pravou stranu rovnice lze pˇridat napˇr´ıklad vektor konstant c nebo tak´e trend ˇci sez´onn´ı sloˇzku. Vzhledem k tomu, ˇze v modelu jsou obsaˇzeny integrovan´e ˇcasov´e ˇrady, nen´ı splnˇena podm´ınka stability det(Φ(z)) 6= 0 pro |z| ≤ 1, z ∈ C. Tento oper´ator totiˇz obsahuje jednotkov´ y koˇren. Pˇrevod VAR modelu na error correction model je ilustrov´an v kapitole 4.2. Na z´akladˇe odhad˚ u v error-correction modelu kointegrovan´ ych veliˇcin lze zpˇetnˇe pˇrej´ıt k VAR reprezentaci bez ztr´aty informace. VAR model b´ yv´a vyuˇz´ıv´an pˇri testov´an´ı Grangerovy kauzality v kointegrovan´ ych syst´emech. Tato skuteˇcnost bude ilustrov´ana v sekci 4.6. VMA reprezentace Pro n-rozmˇern´ y CI(1, 1) proces {Y t } uvaˇzujeme vektorovou reprezentaci klouzav´ ych pr˚ umˇer˚ u ˇr´adu q: Y t = Θ(L)εt ,
(4.2)
kde Θ(L) = In + Θ1 L + Θ2 L2 + . . . + Θq Lq a Θ1 , . . . , Θq jsou n × n rozmˇern´e matice koeficient˚ u. Pˇredpokl´ad´ame, ˇze εt ∼ W N (0, Σε ) a posloupnost Θi je absolutnˇe sˇc´ıtateln´a. Trend, konstantu ˇci sez´onn´ı promˇenn´e lze pˇridat do modelu na pravou stranu rovnice. Vzhledem k integrovanosti procesu {Y t } nen´ı proces invertibiln´ı. V´ıme vˇsak, ˇze {∆Y t } by mˇel b´ yt proces stacion´arn´ı, a proto nˇekdy v pˇr´ıpadˇe I(1) procesu uvaˇzujeme z´apis VMA(q) reprezentace ve formˇe ∆Y t = Θ(L)εt q X = Θi εt−i ,
(4.3)
i=0
kde Θ0 = In . V pˇr´ıpadˇe tohoto modelu se nˇekdy uˇz´ıv´a oznaˇcen´ı, ˇze proces m´a v´ıcerozmˇernou Woldovu reprezentaci. Granger & Engle (1987) pouˇzili tuto reprezentaci jako v´ ychoz´ı model v Grangerovˇe vˇetˇe. Velmi zn´am´ y je rozklad oper´atoru z t´eto reprezentace na Θ(L) = Θ(1) − ∆Θ∗ (L) , (4.4) Pq Pq−1 ∗ j ∗ ı obt´ıˇzn´e ovˇeˇrit. kde Θ∗ (L) = j=i+1 Θj . Tento rozklad nen´ i=0 Θi L a Θi = Uvedli jsme formu tohoto rozkladu pro koneˇcn´ y ˇra´d q. V pˇr´ıpadˇe nekoneˇcn´e posloupnosti Θi lze dostat u ´plnˇe stejn´ y rozklad s t´ım rozd´ılem, ˇze sumy jsou nekoneˇcn´e (q = +∞). Na z´akladˇe tohoto rozkladu lze proces {Y t } zapsat ve tvaru Yt=
Θ(1) |
t X j=1
{z
εj }
long-run komponenta
+
Θ∗ (L)εt | {z }
+ Y 0 − Θ∗ (L)ε0 . | {z }
short-run komponenta
poˇ ca ´teˇ cn´ı hodnoty
(4.5)
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
42
Vˇsimnˇeme si korespondence s Beveridge-Nelsonovou dekompozic´ı (1.13). Odvozen´ı tohoto rozkladu tak´e nen´ı nijak obt´ıˇzn´e, lze jej ovˇeˇrit napˇr´ıklad v Bittner (2005, sekce 4.1.1). Long-run komponenta v rozkladu dobˇre ilustruje dlouhodob´ y efekt zp˚ usoben´ y stochastick´ ym trendem v ˇradˇe. Zato v´ yznam short-run komponenty je pouze kr´atkodob´ y a jej´ı vliv s rostouc´ım ˇcasem kles´a. Reprezentace (4.5) se nˇekdy ˇr´ık´a reprezentace spoleˇcn´ych trend˚ u. V kointegraˇcn´ı anal´ yze ji vyuˇz´ıvali napˇr´ıklad Stock & Watson (1988). Odhady parametr˚ u VMA reprezentace kointegrovan´ ych veliˇcin lze d´ıky Grangerovˇe vˇetˇe opˇet zkonstruovat z odhadu v error-correction modelu.
4.2
ECM reprezentace
Vzhledem k tomu, ˇze error-correction model je jedna z nejpouˇz´ıvanˇejˇs´ıch reprezentac´ı pˇri modelov´an´ı kointegrovan´ ych proces˚ u, zab´ yv´ame se j´ım podrobnˇeji neˇz dalˇs´ımi zm´ınˇen´ ymi modely. Z´akladn´ı popis error-correction modelu jsme si uvedli uˇz v pˇredeˇsl´e kapitole a ve vzorci (3.1). V r´amci kointegraˇcn´ı anal´ yzy je moˇzn´e pouˇz´ıvat tak´e error correction model, jehoˇz struktura je m´ırnˇe odliˇsn´a od (3.1). Oba typy EC modelu lze z´ıskat reparametrizac´ı z VAR reprezentace kointegrovan´ ych veliˇcin, jak uvid´ıme n´ıˇze. Uvaˇzujme n-rozmˇern´ y I(1) proces {Y t }. Tato modifikovan´a forma m´a tvar ∆Y t = ΠY t−p + Γ1 ∆Y t−1 + . . . + Γp−1 ∆Y t−p+1 + εt 0
= αβ Y t−p +
p−1 X
(4.6)
Γi ∆Y t−i + εt ,
i=1
kde εt ∼ WN(0, Σε ). Uveden´ y model je pouˇz´ıv´an napˇr´ıklad v ˇcl´anku Johansen (1991). Modely (3.1) a (4.6) se odhaduj´ı analogick´ ym zp˚ usobem a maj´ı vˇetˇsinu vlastnost´ı spoleˇcn´ ych. Pouˇzit´ı obou reparametrizac´ı je spr´avn´e, pouze je potˇreba zvolen´emu modelu pˇrizp˚ usobit interpretaci v´ ysledk˚ u. Nejprve si kr´atce uk´aˇzeme, jak lze pro proces {Y t } odvodit EC reprezentaci z reprezentace VAR(p) Y t = Φ1 Y t−1 + Φ2 Y t−2 + . . . + Φp−1 Y t−p+1 + Φp Y t−p + εt .
(4.7)
Pro model (3.1) je toto odvozen´ı v Bittner (2005, sekce 4.1.1). Uk´azal, ˇze pro matice koeficient˚ u Π, Γ1 , . . . , Γp−1 z modelu (3.1) plat´ı: p X Γi = − Φj pro i = 1, . . . , p − 1 , (4.8) j=i+1 Π = −(Ii − Φ1 − . . . − Φp ) .
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
43
Zde si tedy uk´aˇzeme analogii pro reparametrizaci typu (4.6). Vyjdeme z VAR(p) modelu (4.7) a postupn´ ymi u ´pravami dostaneme: ∆Y t = (−In + Φ1 )Y t−1 − (−In + Φ1 )Y t−2 + (−In + Φ1 + Φ2 )Y t−2 + + . . . + Φp−1 Y t−p+1 + Φp Y t−p + εt = .. . = (−In + Φ1 )∆Y t−1 + . . . + (−In + Φ1 + . . . + Φp−1 )∆Y t−p+1 + +(−In + Φ1 + . . . + Φp−1 )Y t−p . Dost´av´ame tedy ECM model ∆Y t = ΠY t−p + Γ1 ∆Y t−1 + . . . + Γp−1 ∆Y t−p+1 + εt , kde Γi = −In +
i X
Φj
pro i = 1, . . . , p ,
j=1
Π = Γp = −(Ii − Φ1 − . . . − Φp ) .
(4.9)
Z uveden´ ych v´ ysledk˚ u vid´ıme, ˇze tvar matice Π, kter´a obsahuje dlouhodob´ y kointegraˇcn´ı vztah, je shodn´ y pro oba typy reparametrizac´ı (3.1) a (4.6) error correction modelu. Odliˇsn´a je pouze struktura parametr˚ u Γi , i = 1, . . . , p. Vˇsimnˇeme si tak´e, ˇze model 4.6 (resp. 3.1) lze zapsat s vyuˇzit´ım oper´atoru Π(L) = (1 − L)In −
p−1 X
Γi (1 − L)Li − ΠLp
(4.10)
i=1
do tvaru Π(L)Y t = εt . Poˇzadujeme, aby koˇreny charakteristick´e rovnice Π|z| = 0 leˇzely vnˇe nebo na jednotkov´em kruhu. T´ım zaruˇc´ıme, ˇze lze nestacionaritu procesu {Y t } odstranit pouh´ ym diferencov´an´ım.
4.2.1
Odhad error-correction modelu dvoukrokovou metodou
Jednou z prvn´ıch moˇznost´ı, jak odhadovat error-correction model, se zab´ yvali Granger & Engle (1987), kteˇr´ı zavedli dvoukrokovou metodu odhadu. Tato metoda m´a vˇsak omezuj´ıc´ı pˇredpoklad existence jedin´eho kointegraˇcn´ıho vztahu. Vyjdeme z tvaru, kter´ y jsme zavedli v (3.1) pro n-rozmˇern´ y n´ahodn´ y proces {Y t } = {(Y1,t , . . . , Yn,t )}. V prvn´ım kroku se provede odhad kointegraˇcn´ıho vektoru metodou nejmenˇs´ıch ˇctverc˚ u v modelu n X δiYi,t + et . Y1,t = i=2
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
44
ˆ = (1, −δˆ2 , . . . , −δˆn )., kter´ Dostaneme tak odhad parametru β v modelu (3.1) jako β y je znormovan´ y vzhledem k prvn´ı sloˇzce. V druh´em kroku pouˇzijeme tento odhad v EC modelu a metodou nejmenˇs´ıch ˇctverc˚ u dostaneme odhad ostatn´ıch parametr˚ u modelu. Tento odhad je konzistentn´ı, avˇsak pro koneˇcn´e v´ ybˇery nast´av´a probl´em s vych´ ylen´ım odhadu. Tento probl´em je podrobnˇeji pops´an v Banerjee a kol. (1993, kap. 7.4) vˇcetnˇe proveden´e Monte Carlo studie. V prvn´ım kroku tohoto odhadu se vyuˇz´ıv´a tzv. kointegraˇcn´ı regrese, kterou se zab´ yv´ame v ˇc´asti 4.4. Zde je tak´e podrobnˇejˇs´ı shrnut´ı probl´em˚ u souvisej´ıc´ıch s odhadem. Engle-Grangerovou dvoukrokovou metodou se nebudeme d´ale podrobnˇe zab´ yvat, detaily jsou obsaˇzeny v diplomov´e pr´aci Bittner (2005, kap. 4.1.2) nebo tak´e v Banerjee a kol. (1993, kap. 5.6). Obecnˇe je vhodnˇejˇs´ı zaˇc´ıt anal´ yzu dat s modelem v´ıcerozmˇern´ ym, kter´ y umoˇzn ˇuje modelovat v´ıce kointegraˇcn´ıch vztah˚ u. Z praktick´eho pohledu je kointegraˇcn´ı regrese vyuˇz´ıv´ana v residual based testech kointegrace, o kter´ ych se zm´ın´ıme v ˇca´sti 4.4.
4.2.2
Odhad error-correction modelu a testov´ an´ı kointegrace Johansenovou procedurou
Johansenova procedura je zaloˇzena na odhadu modelu metodou maxim´aln´ı vˇerohodnosti. Umoˇzn ˇuje odhadovat nˇekolik line´arnˇe nez´avisl´ ych kointegraˇcn´ıch vektor˚ u. D´ale ji lze tak´e vyuˇz´ıt k testov´an´ı ˇra´du kointegrace. Pro model (4.6) je ilustrov´ana Johansenova procedura v Jur´aˇska (2007, kap. 3.2). Zde si uvedeme z´akladn´ı kroky Johansenovy procedury pro reparametrizaci (3.1) s uvaˇzovan´ ym deterministick´ ym ˇclenem ΦD t , kter´a je kompletnˇe shrnuta v Johansen (1995, kap. 6.1). Z tohoto zdroje tak´e vych´az´ıme v t´eto pr´aci. Srovn´an´ım s Jur´aˇska (2007) lze vidˇet velkou podobnost v Johansenovˇe proceduˇre pro oba typy reparametrizaci. Uvaˇzujeme n-rozmˇern´ y I(1) proces {Y t , t ∈ Z, t ≥ −p + 1} pro nˇejak´e p ≥ 2 takov´e, ˇze Y −p+1 , . . . , Y 0 jsou dan´e poˇc´ateˇcn´ı hodnoty a Y t , t = 1, . . . , T jsou generov´any error-correction modelem ˇr´adu p ∆Y t = ΠY t−1 +
p−1 X
Γi ∆Y t−i + ΦD t + εt ,
(4.11)
i=1
kde εt je gaussovsk´ y b´ıl´ y ˇsum s nulovou stˇredn´ı hodnotou a pozitivnˇe definitn´ı varianˇcn´ı matic´ı Σε . D´ale (Π, Γ1 , . . . , Γp−1 , Φ, Σε ) jsou parametry modelu. Deterministick´ y ˇclen D t m˚ uˇze obsahovat napˇr´ıklad konstantu, line´arn´ı ˇclen nebo sez´onn´ı dummy promˇenn´e. Pˇredpokl´ad´ame, ˇze D t je vektor velikosti m. Uˇz jsme zmiˇ novali, ˇze v pˇr´ıpadˇe kointegrovan´eho procesu mus´ı b´ yt matice Π singul´arn´ı o hodnosti rank[Π] = r < n a lze ji rozloˇzit na souˇcin matic α a β o hodnosti r. Pro Johansenovu proceduru tedy formulujeme nulovou hypot´ezu pro 0 ≤ r ≤ n jako H(r) :
rank[Π] ≤ r
nebo Π = αβ 0 ,
(4.12)
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
45
kde α a β jsou n × r rozmˇern´e matice ˇr´adu r. Vˇsimnˇeme si, ˇze model H(r) je podmodelem modelu (4.11). Nulovou hypot´ezu uvaˇzujeme bud’ proti alternativˇe H1 (r) : rank[Π] > r nebo H2 (r) : rank[Π] = r + 1. Uˇz jsme tak´e zmiˇ novali nejednoznaˇcnost odhadu matic α a β kointegraˇcn´ıho vztahu vzhledem k line´arn´ı kombinaci odhadnut´ ych kointegraˇcn´ıch vektor˚ u. Mˇejme na pamˇeti, ˇze Johansenovou procedurou odhadneme vektorov´ y prostor, kter´ y je urˇcen line´arnˇe nez´avisl´ ymi sloupci kointegraˇcn´ı matice β. Tomu prostoru se tak´e ˇr´ık´a kointegraˇcn´ı prostor. Pro dalˇs´ı potˇreby si zavedeme oznaˇcen´ı Z 0,t = ∆Y t , Z 1,t = Y t−1 a Z 2,t = (∆Y 0t−1 , . . . , ∆Y 0t−p+1 , D 0t )0 a Ψ = (Γ1 , . . . , Γp−1 , Φ). Vektor Z 2,t m´a d´elku n(p − 1) + m a matice Ψ m´a rozmˇery n × n(p − 1) + m. Pomoc´ı tˇechto promˇenn´ ych lze model pˇrepsat do tvaru: Z 0,t = αβ 0 Z 1,t + ΨZ 2,t + εt ,
t = 1, . . . , T .
(4.13)
Prim´arnˇe se zaj´ım´ame o odhad parametr˚ u α a β. Pokus´ıme se tedy nejprve eliminovat matici parametr˚ u Ψ. Pouˇzijeme k tomu regresn´ıho modelu, kde vysvˇetlujeme Z 0,t − αβ 0 Z 1,t pomoc´ı Z 2,t pˇri fixn´ıch parametrech α, β a Σε . Nejprve provedeme regresi Z 0,t na Z 2,t , ˇc´ımˇz dostaneme rezidua R0,t , a regresi Z 1,t na Z 2,t a z´ısk´ame tak rezidua R1,t . P Pˇri oznaˇcen´ı M i,j = T −1 Tt=1 Z it Z 0jt , i, j = 0, 1, 2 lze zmiˇ novan´e rezidu´aln´ı sloˇzky z´ıskan´e metodou nejmenˇs´ıch ˇctverc˚ u zapsat jako Ri,t = Z i,t − M i,2 M −1 2,2 Z 2,t
i = 0, 1 .
(4.14)
V dalˇs´ım kroku zap´ıˇseme regresn´ı rovnici s vyuˇzit´ım odvozen´ ych rezidu´ı: R0,t = αβ 0 R1,t + εt ,
t = 1, . . . , T .
(4.15)
Dosazen´ım v´ yrazu (4.14) do rovnice (4.15) dost´av´ame po pˇreuspoˇr´ad´an´ı ˇclen˚ u: −1 Z0,t = (M 0,2 M −1 2,2 − αβM 1,2 M 2,2 )Z 2,t + αβZ 1,t + εt .
(4.16)
Dost´av´ame tak odhad matice parametr˚ u Ψ (jako funkci parametr˚ u α a β): −1 ˆ Ψ(α, β) = M 0,2 M −1 (4.17) 2,2 − αβM 1,2 M 2,2 . Rovnice (4.15) b´ yv´a nˇekdy naz´ yv´ana jako regrese redukovan´eho hodnosti (v anglick´em origin´ale reduced rank regression). K odhadu parametr˚ u α a β z rovnice (4.15) pouˇzijeme vˇerohodnostn´ı funkci, kter´a je koncentrovan´a vzhledem k parametr˚ um Ψ. Tato vˇerohodnostn´ı funkce je tvaru T n 1X o 0 − T2 L(α, β, Σε ) ∝ |Σε | exp − (R0,t − αβ 0 R1,t )0 Σ−1 (R − αβ R ) (4.18) 0,t 1,t ε 2 t=1 ∝ |Σε |
− T2
n
T io 1 h −1 X exp − tr Σε (R0,t − αβ 0 R1,t )(R0,t − αβ 0 R1,t )0 . 2 t=1
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
46
Uvaˇzujme oznaˇcen´ı S i,j S i,j = T
−1
T X
Ri,t R0j,t = M i,j − M i,2 M −1 2,2 M 2,j ,
i, j = 0, 1 .
t=1
Pro dan´e β nen´ı obt´ıˇzn´e z´ıskat odhady pro α a Σε : ˆ α(β) = S 0,1 β(β 0 S 1,1 β)−1
(4.19)
ˆ ε (β) = S 0,0 − S 0,1 β(β 0 S 1,1 β)−1 β 0 S 1,0 Σ 0 0 ˆ ˆ = S 0,0 − α(β)(β S 1,1 β)−1 α(β) .
(4.20)
ˆ Lze ovˇeˇrit, ˇze maxα L(α, β, Σε ) = L(α(β), β, Σε ) nez´avisle na Σε . Pak plat´ı ˆ ˆ β, Σε ) = L(α(β), ˆ maxΣε L(α, β, Σε (β)). Za pouˇzit´ı uveden´ ych odhad˚ u dost´av´ame ˆ ε (β)) ∝ |Σ ˆ ε (β)|−T /2 . Probl´em maximalizace t´eto vˇerohodnostn´ı funkce ˆ L(α(β), β, Σ je ekvivalentn´ı s minimalizaˇcn´ım probl´emem min |S 0,0 − S 0,1 β(β 0 S 1,1 β)−1 β 0 S 1,0 | . β
(4.21)
Vyuˇzijeme-li rozklad ¯ ¯ ¯ S 0,0 ¯ S β 0,1 0 −1 ¯ 0 ¯ 0 ¯β S 0,1 β S 1,1 β ¯ = |S 0,0 ||β (S 1,1 − S 1,0 S 0,0 S 0,1 )β| = |β 0 S 1,1 β||S 0,0 − S 0,1 β(β 0 S 1,1 β)−1 β 0 S 1,0 | , lze u ´lohu (4.21) pˇrepsat jako 0 min |β 0 (S 1,1 − S 1,0 S −1 0,0 S 0,1 )β|/|β S 1,1 β| . β
(4.22)
Johansen (1995) ukazuje, ˇze (4.22) lze vyˇreˇsit pomoc´ı vyˇreˇsen´ı probl´emu vlastn´ıch ˇc´ısel v rovnici |λS 1,1 − S 1,0 S −1 (4.23) 0,0 S 0,1 | = 0 . ˆ1 > . . . > λ ˆ n ≥ 0 a k nim pˇr´ısluˇsn´e vlastn´ı Vyˇreˇsen´ım z´ısk´ame vlastn´ı ˇc´ısla 1 > λ 0 ˆ n ), kter´e jsou znormov´any podm´ınkou Vˆ S 1,1 Vˆ = I. Za vektory Vˆ = (ˆ v1, . . . , v platnosti hypot´ezy (4.12) Johansenovou procedurou z´ısk´ame odhad kointegraˇcn´ıch vztah˚ u jako ˆ = (ˆ ˆr) . β v1, . . . , v (4.24) Pˇri uveden´e normalizaci dost´av´ame tak´e odhady ˆ. ˆ = S 0,1 β α ˆβ ˆ 0 S 1,0 . ˆ ε = S 0,0 − S 0,1 β Σ V Johansen (1995, kap. 13) je dok´az´ana konzistence tˇechto odhad˚ u a jsou odvozeny jejich asymptotick´a rozdˇelen´ı.
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
47
Testov´ an´ı kointegrace pomˇ erem vˇ erohodnost´ı Johansenova procedura vede na dva typy testov´ ych statistik k testov´an´ı nulov´e hypot´ezy (4.12), ˇze existuje alespoˇ n r, 0 ≤ r < n line´arnˇe nez´avisl´ ych kointegraˇcn´ıch vektor˚ u. K jejich odvozen´ı vyuˇz´ıv´ame maximalizovanou vˇerohodnostn´ı funkci, kter´a m´a pro zmiˇ novan´e odhady tvar: L−2/T max
∝ |S 0,0 |
r Y
ˆi) . (1 − λ
(4.25)
i=1
ˆ1 > . . . > λ ˆ n ≥ 0 a pˇr´ısluˇsn´ M´ame k dispozici odhad vˇsech n vlastn´ıch ˇc´ısel 1 > λ ych vlastn´ıch vektor˚ u a vˇerohodnostn´ım pomˇerem testujeme, kolik z nich je nulov´ ych. Vˇsimnˇeme si, ˇze m´ame posloupnost model˚ u H(0) ⊂ . . . ⊂ H(r) ⊂ . . . ⊂ H(p). Vezmeme-li maximalizovanou vˇerohodnostn´ı funkci pro kaˇzd´e r a vydˇel´ıme jej pˇr´ısluˇsn´ ym vyj´adˇren´ım pro r = n, dostaneme test pomˇerem vˇerohodnostn´ı ve tvaru Q ˆi) |S 0,0 | ri=1 (1 − λ −2/T Q(H(r)|H(n)) ∝ . Qn ˆi) |S 0,0 | i=1 (1 − λ Po zlogaritmov´an´ı dojdeme k tzv. trace statistice −2 ln Q(H(r)|H(p)) = −T
n X
ˆi) ln (1 − λ
i=r+1
Obdobnˇe lze zkonstruovat vˇerohodnostn´ı pomˇer pro modely H(r) a H(r + 1), ˇc´ımˇz lze z´ıskat tzv. λ-max statistiku. Shrneme si zde pouˇzit´ı tˇechto statistik k testov´an´ı kointegrace. Trace test vyuˇz´ıv´ame k testov´an´ı hypot´ezy H(r) : rank[Π] ≤ r proti alternativˇe H1 (r) : rank[Π] > r. Konkr´etnˇe aplikujeme statistiku λtrace = −T
n X
ˆi) , ln (1 − λ
(4.26)
i=r+1
ˆ r+1 , . . . , λ ˆ n je n−r nejmenˇs´ıch vlastn´ıch ˇc´ısel, kter´a jsme odvodili v Johansenovˇe kde λ proceduˇre. λ-max test (nˇekdy naz´ yvan´ y test nejvˇetˇs´ıho vlastn´ıho ˇc´ısla) vyuˇz´ıv´ame k testov´an´ı hypot´ezy H(r) : rank[Π] ≤ r proti alternativˇe H2 (r) : rank[Π] = r + 1. K tomuto u ´ˇcelu aplikujeme statistiku ˆ r+1 ) , λmax = −T ln (1 − λ
(4.27)
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
48
ˆ r+1 je r + 1. nejvˇetˇs´ı vlastn´ı ˇc´ıslo. kde λ Asymptotick´e rozdˇelen´ı tˇechto statistik jsou uvedeny v Johansen (1995, kap. 15). Je uk´az´ano, ˇze nemaj´ı standardn´ı χ2 rozdˇelen´ı, ale ˇze asymptotick´e rozdˇelen´e je funkc´ı v´ıcerozmˇern´eho Wienerova procesu, a tak´e ˇze oba testy nejsou asymptoticky z´avisl´e na pˇrebyteˇcn´ ych parametrech. Kritick´e hodnoty jsou tabelov´any napˇr´ıklad v Banerjee a kol. (1993, str. 269). Pˇri testov´an´ı postupnˇe za r vol´ıme hodnoty n − 1, . . . , 0 a porovn´av´ame hodnotu testov´e statistiky s pˇr´ısluˇsn´ ymi kritick´ ymi hodnotami. Poznamenejme, ˇze v praxi je potˇreba zvolit tvar deterministick´eho ˇclenu podle toho, zda n´ahodn´ y proces Y t obsahuje deterministick´ y ˇci line´arn´ı trend a zda je v kointegraˇcn´ım vztahu pˇr´ıtomna konstanta nebo line´arn´ı trend. Pˇet nejˇcastˇeji pouˇz´ıvan´ ych tvar˚ u deterministick´eho ˇclenu je shrnuto v Johansen (1995, kap. 5.7).
4.2.3
Volba d´ elky zpoˇ zdˇ en´ı p
Opˇet vznik´a ot´azka, jak volit d´elku zpoˇzdˇen´ı p v modelu (4.11), resp. VAR(p) modelu (4.7), jehoˇz vztah s error-correction modelem jsme si ilustrovali. Obdobnˇe jako u ADF test˚ u jednotkov´eho koˇrene je jednou z moˇznost´ı pouˇzit´ı informaˇcn´ıch krit´eri´ı. Hled´ame minim´aln´ı hodnotu funkce, kterou dan´e krit´erium vyuˇz´ıv´a. Pro testov´an´ı v tomto pˇr´ıpadˇe b´ yvaj´ı pouˇz´ıv´any: • Akaikeho informaˇcn´ı krit´erium (AIC) ˜ ε (m)| + 2 mn2 , AIC(m) = ln |Σ T
m = 0, . . . , M ,
• Schwarzovo informaˇcn´ı krit´erium (SC) ˜ ε (m)| + ln T mn2 , SC(m) = ln |Σ T
m = 0, . . . , M ,
• Hannan-Quinnovo informaˇcn´ı krit´erium (HQ) ˜ ε (m)| + HQ(m) = ln |Σ
2 ln ln T mn2 , T
m = 0, . . . , M ,
˜ ε (m) = T −1 PT ε ˆ0t je odhad kovarianˇcn´ı matice Σε zaloˇzen´ y na rekde Σ t=1 ˆt ε zidu´ıch pˇr´ısluˇsn´eho modelu. Velikost v´ ybˇeru znaˇc´ıme T . Pouˇzit´ım pˇr´ısluˇsn´eho krit´eria zvol´ıme za ˇra´d modelu takov´e m, pro kter´e je hodnota kriteri´aln´ı funkce minim´aln´ı. V´ıce podrobnost´ı o tˇechto krit´eri´ıch je k nalezen´ı v L¨ utkepohl (2005, kap. 4.3.2). Je zde uk´az´ana konzistence HQ a SC krit´eria, AIC odhad nen´ı konzistentn´ı (asymptoticky nadhodnocuje skuteˇcn´ y ˇr´ad).
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
4.2.4
49
Line´ arn´ı omezen´ı na β
Johansen (1995) se v kapitole 7.2 zab´ yv´a odhadem a testov´an´ım modelu (4.11) v situaci, kdy m´ame definov´any nˇejak´a line´arn´ı omezen´ı na matici β. Vych´az´ı z modelu (4.11) a uvaˇzuje nulovou hypot´ezu H0 : β = Hϕ pro nˇejakou zn´amou matici H rozmˇeru n×s, ϕ je s×r rozmˇern´a matice parametr˚ u. Matice omezen´ı H m˚ uˇze b´ yt d´ana napˇr´ıklad urˇcit´ ymi teoretick´ ymi pˇredpoklady. Odhad a testov´an´ı je zaloˇzeno na metodˇe maxim´aln´ı vˇerohodnosti jako v Johansenovˇe proceduˇre, kterou jsme uvedli v´ yˇse. Zachov´ame-li znaˇcen´ı, kter´e jsme zavedli v ˇca´sti 4.2.2, dostaneme v´ ysledky, kter´e jsou shrnuty a dok´az´any v Johansen (1995, vˇeta 7.2). Za platnosti hypot´ezy H0 : β = Hϕ nalezneme maxim´alnˇe vˇerohodn´ y odhad β pomoc´ı regrese redukovan´e hodnosti, kde vysvˇetlujeme ∆Y t pomoc´ı H 0 Y t−1 upravenou o zpoˇzdˇen´e diference a dummy promˇenn´e. Bud’me konkr´etn´ı. Nejprve najdeme ˇreˇsen´ı |λH 0 S 1,1 H − H 0 S 1,0 S −1 (4.28) 0,0 S 0,1 H| = 0 , pro vlastn´ı ˇc´ısla 1 > λ∗1 > . . . > λ∗s ≥ 0 a k nim pˇr´ısluˇsn´e vlastn´ı vektory V = (v 1 , . . . , v s ), kter´e jsou znormalizov´any podm´ınkou V 0 H 0 S 1,1 HV = I. Dost´av´ame odhad ˆ = H 0ϕ ˆ = (v 1 , . . . , v r ) a β ˆ. ϕ (4.29) ˆ Odhad ostatn´ıch parametr˚ u se provede metodou nejmenˇs´ıch ˇctverc˚ u pˇri β = β. K testov´an´ı podmodelu H0 v H(r) se vyuˇz´ıv´a test pomˇerem vˇerohodnost´ı Q(H0 |H(r)) tvaru r n 1 − λ∗ o X i −2 ln Q(H0 |H(r)) = T ln , (4.30) ˆ 1 − λi i=1
kter´ y m´a asymptotick´e rozdˇelen´ı
χ2r(n−s) .
V citovan´em zdroji jsou shrnuty dalˇs´ı typy omezen´ı na kointegraˇcn´ı matici β. Vˇsechny uvaˇzovan´e typy lze analyzovat metodou maxim´aln´ı vˇerohodnosti. T´ımto postupem lze testovat hypot´ezy typu: H1 : β = (H 1 , ψ),
H 1 (n × r1 ), ψ(n × r2 ),
r = r1 + r2
(4.31)
a H2 : β = (H 2 ϕ, ψ), H 2 (n × s), ϕ(s × r1 ), ψ(n × r2 ), r = r1 + r2 , r1 ≤ s ≤ n .
4.2.5
(4.32)
Hypot´ ezy na parametr α a podm´ınˇ en´ y model
V pˇredchoz´ıch sekc´ıch jsme si uk´azali pln´ y vektorov´ y error-correction model, kter´ y se pro n-rozmˇern´ y proces {Y t } skl´ad´a z n rovnic. V nˇekter´ ych situac´ıch se zaj´ım´ame o
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
50
skuteˇcnost, zda lze pˇrej´ıt k redukovan´emu syst´emu, kter´ y nemus´ı obsahovat vˇsechny parametry pln´eho modelu, pˇriˇcemˇz nechceme ztratit ˇza´dnou informaci ze zbytku syst´emu. Prim´arnˇe bychom chtˇeli modelovat endogenn´ı promˇenn´e s vyuˇzit´ım exogenn´ıch promˇenn´ ych. V t´eto kapitole si uk´aˇzeme rozklad pln´eho modelu na model podm´ınˇen´ y a margin´aln´ı. Korektnˇe lze k podm´ınˇen´emu modelu pˇrej´ıt pouze za pˇredpoklad˚ u slab´e exogenity. Pop´ıˇseme si tyto souvislosti a tak´e se zm´ın´ıme o testov´an´ı slab´e exogenity pomoc´ı restrikc´ı na parametr α. Kompletnˇe je problematika pops´ana v Johansen (1995, kap. 8), ze kter´e zde vych´az´ıme. Uvaˇzujme model (4.11) s ˇra´dem kointegrace r a rozdˇelme modelovan´ y proces na 0 0 0 dvˇe ˇc´asti Y t = (Y 1,t , Y 2,t ) , kde Y 1,t je rozmˇeru n1 a Y 2,t je rozmˇeru n2 , n1 +n2 = n. u: Obdobnˇe rozdˇel´ıme vektor chyb εt = (ε01,t , ε02,t )0 a pˇr´ısluˇsn´e matice parametr˚ · ¸ · ¸ · ¸ α1 Γ Φ1 α= , Γj = 1,j , j = 1, . . . , p − 1 , Φ = . α2 Γ2,j Φ2 Za pouˇzit´ı tohoto rozkladu lze model (4.11) rozepsat ve tvaru 0
∆Y 1,t = α1 β Y t−1 +
p−1 X
Γ1,i ∆Y t−i + Φ1 D t + ε1,t ,
(4.33)
Γ2,i ∆Y t−i + Φ2 D t + ε2,t ,
(4.34)
i=1 p−1
∆Y 2,t = α2 β 0 Y t−1 +
X i=1
kde εt ∼ i. i. d. N (0, Σε ). Opˇet rozdˇelme varianˇcn´ı matici v souladu s rozdˇelen´ım vektoru Y t : · ¸ Σ1,1 Σ1,2 Σε = . Σ2,1 Σ2,2 Johansen ukazuje, ˇze model (4.11) lze pˇrepsat jako margin´ aln´ı model pro Y 2,t dan´ y vztahem (4.34) a podm´ınˇen´y model pro ∆Y 1,t pˇri dan´ ych souˇcasn´ ych a zpoˇzdˇen´ ych hodnot´ach ∆Y 2,t tvaru ∆Y 1,t = ω∆Y 2,t + (α1 − ωα2 )β 0 Y t−1 +
p−1 X
˜ 1,i ∆Y t−i + Φ ˜ 1Dt + ε ˜1,t , Γ
(4.35)
i=1
˜ ˜ ˜1,t = ε1,t − ωε2,t . Varianˇcn´ı kde ω = Σ1,2 Σ−1 2,2 , Γ1,i = Γ1,i − ωΓ2,i , Φ1 = Φ1 − ωΦ2 a ε −1 ˜ matice ˇclenu ε1,t m´a tvar Σ11·2 = Σ1,1 −Σ1,2 Σ2,2 Σ2,1 . Vˇsimnˇeme si, ˇze v margin´aln´ım i podm´ınˇen´em modelu vystupuje parametr β. Z tohoto d˚ uvodu bychom mˇeli pro z´ısk´an´ı eficientn´ıho odhadu parametru β pouˇz´ıvat oba modely. Pokud bychom analyzovali pouze (4.35), mohl by nastat probl´em se ztr´atou informace pˇri zanedb´an´ı modelu (4.34). Nicm´enˇe existuje situace, kdy obsahuje podm´ınˇen´ y model plnou informaci o kointegraˇcn´ıch vztaz´ıch. Jedn´a se o situaci, kdy je Y 2,t slabˇe exogenn´ı pro parametr (β, α1 ). Johansen zformuloval n´asleduj´ıc´ı postaˇcuj´ıc´ı podm´ınku pro eficientn´ı odhad v podm´ınˇen´em modelu.
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
51
Vˇ eta 4.1. Uvaˇzujme rozklad modelu (4.11) na margin´ aln´ı model (4.34) a podm´ınˇen´y model (4.35). Jestliˇze α2 = 0, potom je proces Y 2,t slabˇe exogenn´ı vzhledem k parametru (β, α1 ) a maxim´alnˇe vˇerohodn´y parametr˚ u β a α1 m˚ uˇze b´yt zkonstruov´an na z´akladˇe podm´ınˇen´eho modelu (4.35). D˚ ukaz. Je uveden v Johansen (1995, Vˇeta 8.1). V prvn´ı ˇca´sti je uk´az´ano, ˇze parametry β a α1 jsou funkc´ı pouze parametr˚ u podm´ınˇen´eho modelu, a tud´ıˇz X 2,t je slabˇe exogenn´ı vzhledem k tˇemto parametr˚ um. V dalˇs´ı ˇca´sti d˚ ukazu se uk´aˇze, ˇze maxim´alnˇe vˇerohodn´ y odhad parametr˚ u β a α1 je v podm´ınˇen´em modelu za pˇredpokladu slab´e exogenity stejn´ y jako odhad v pln´em modelu (4.11). Podrobnˇeji se problematikou zab´ yv´a ˇcl´anek Johansen (1992a), kde je uvaˇzov´ana obecnˇejˇs´ı konstrukce podm´ınˇen´eho modelu. Velmi zaj´ımav´ y je pro n´as pˇr´ıpad, kdy n1 = 1. Pak lze za pˇredpoklad˚ u exogenity pˇrej´ıt aˇz na model jednorovnicov´ y. Tˇemito modely se pro kointegrovan´e procesy zab´ yv´ame v kapitol´ach 4.4 a 4.5. Existuje velmi u ´zk´ y vztah mezi error-correction modely a autoregressive distributed lags modely, kter´ y v dan´e kapitole ilustrujeme. Z vˇety 4.1 vypl´ yv´a, ˇze chceme-li testovat, zda je podmnoˇzina promˇenn´ ych slabˇe exogenn´ı pro parametry dlouhodob´eho vztahu, lze to prov´est testov´an´ım omezen´ı z´atˇeˇzov´e matice α. V ˇc´asti 4.2.2 jsme se zab´ yvali testov´an´ım hypot´ezy, ˇze matici Π lze rozloˇzit na n × r rozmˇern´e matice parametr˚ u β a α. Nyn´ı chceme v modelu H(r) z uveden´e ˇca´sti testovat hypot´ezu H∗0 : α = Aψ ,
(4.36)
kde A je zn´am´a matice rozmˇeru n × m a ψ je m × r rozmˇern´a matice parametr˚ u (m ≥ r). Vˇsimnˇeme si, ˇze v pˇr´ıpadˇe, kdy A = (I, 0)0 , testujeme hypot´ezu slab´e exogenity vektoru Y 2,t pro parametry (β, α1 ), kter´e n´as zaj´ımaj´ı. Hypot´ezu H∗0 lze tak´e pˇreformulovat ve formˇe1 A0⊥ α = 0. Odvozen´ı maxim´alnˇe vˇerohodn´eho odhadu je technickou z´aleˇzitost´ı, kterou zde nen´ı moˇzno ilustrovat. Pˇri odvozen´ı jsou vyuˇz´ıv´any obˇe matice, A i A⊥ . Kompletn´ı postup je uveden v Johansen (1995, kap. 8.2). V´ ysledkem je opˇet odhad parametru β za platnosti nulov´e hypot´ezy H∗0 pomoc´ı vlastn´ıch vektor˚ u a testov´an´ı podmodelu H∗0 v modelu H(r) vˇerohodnostn´ım pomˇerem. Testov´a statistika −2 ln Q(H∗0 |H(r)) m´a v tomto pˇr´ıpadˇe stejn´ y tvar jako (4.30) s asymptotick´ ym rozdˇelen´ım χ2r(n−m) , avˇsak je potˇreba pouˇz´ıt vlastn´ı ˇc´ısla λ∗i z ˇreˇsen´ı probl´emu vlastn´ıch ˇc´ısel v modelu H∗0 . V pˇr´ıpadˇe, kdy A = (1, 0, . . . , 0)0 je vektor d´elky n, testujeme hypot´ezu, zda je moˇzn´e pˇrej´ıt k modelu jednorovnicov´emu bez ztr´aty eficience. Velmi zaj´ımav´e 1
Mˇejme matici n × m rozmˇernou matici A, kter´a m´a hodnost m, 0 < m < n. Symbolem A⊥ znaˇc´ıme ortogon´ aln´ı doplnˇek matice A, pro kter´ y plat´ı: • A⊥ je matice rozmˇeru n × (n − m) a m´a hodnost n − m, • A0⊥ A = 0, A0 A⊥ = 0 .
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
52
vlastnosti m´a jednorovnicov´ y autoregressive distributed lags model, kter´ y detailnˇeji analyzujeme v ˇca´sti 4.5.
4.3
Triangular reprezentace
Dalˇs´ı modelem, kter´ y pouˇz´ıvali nˇekteˇr´ı autoˇri v kointegraˇcn´ı anal´ yze, je tzv. triangular reprezentace. S t´ımto modelem pracuje napˇr´ıklad Phillips (1991) nebo Park & Phillips (1988) a Park & Phillips (1989). Mˇejme n-rozmˇern´ y I(1) proces {Y t } a (1) stacion´arn´ı proces εt ∼ W N (0, Σε ). Rozdˇel´ıme vektor Y t na dva podvektory Y t a (2) Y t dimenz´ı n1 a n2 , pˇriˇcemˇz plat´ı n1 + n2 = n, n1 ∈ N, n2 ∈ N. Stejnˇe rozdˇel´ıme tak´e vektor εt . Triangular reprezentace kointegrovan´eho syst´emu m´a pak tvar ) (1) (2) (1) Y t = BY t + εt , (4.37) (2) (2) ∆Y t = εt , kde B je matice koeficient˚ u rozmˇeru n1 × n2 . Pˇredpokl´ad´ame, ˇze mezi n2 sloˇzkami Y 2t neexistuje kointegraˇcn´ı vztah. Triangular reprezentace je v tomto pˇr´ıpadˇe nor(1) malizov´ana vzhledem k Y t , reparametrizac´ı lze doc´ılit jin´e normalizace. Jednou z moˇznost´ı, jak model odhadnout, je pouˇzit´ı metody nejmenˇs´ıch ˇctverc˚ u. Tento postup je kompletnˇe pops´an v Park & Phillips (1988) jak pro model (4.37), tak pro jeho rozˇs´ıˇren´ı o konstantn´ı ˇclen a line´arn´ı trend. Asymptotick´e rozdˇelen´ı je odvozeno pomoc´ı v´ıcerozmˇern´e funkcion´aln´ı centr´aln´ı limitn´ı vˇety a m´a tvar funˆ je superkonzistentn´ı (OLS kcion´alu v´ıcerozmˇern´eho Wienerova procesu. Odhad B ˆ konverguje ke skuteˇcn´e hodnotˇe B rychlost´ı T m´ısto bˇeˇzn´e konzistence odhad B √ T ), avˇsak asymptotick´e rozdˇelen´ı je ovlivnˇeno zahrnut´ım konstantn´ıho ˇclenu ˇci line´arn´ıho trendu a pˇr´ıtomnost´ı autokorelace v chybov´em ˇclenu. Jednou z moˇznost´ı, jak se aspoˇ n ˇca´steˇcnˇe vyhnout zmiˇ novan´ ym probl´em˚ um je pouˇzit´ı tzv. fully modified metody nejmenˇs´ıch ˇctverc˚ u (nˇekdy se znaˇc´ı FM-OLS), kdy aplikujeme neparameˆ Tato metoda je pops´ana v Maddala & Kim (1998, trickou korekci na OLS odhad B. kap. 5.4.1), zde se j´ı nebudeme podrobnˇe zab´ yvat. Odliˇsn´a metoda odhadu je uvedena Phillips (1991). Zde je k z´ısk´an´ı odhadu zapojena metoda maxim´aln´ı vˇerohodnosti, kter´a je aplikov´ana na error-correction reparametrizaci modelu (4.37). Tu z´ısk´ame pouˇzit´ım diference na prvn´ı rovnici v (4.37). Pak m´a error-correction model tvar ∆Y t = −EAY t−1 + v t , kde
¸ In1 , E= 0
·
·
A = [In1 , −B],
¸ In1 B vt = ε . 0 I n2 t
(4.38) (4.39)
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
53
Tato forma error-correction modelu je odliˇsn´a od tˇech, kter´e jsme zmiˇ novali v pˇredeˇsl´e kapitole. V´ yhody, kter´e sk´ yt´a pouˇzit´ı reparametrizace (4.38) jsou ˇsiroce diskutov´any v citovan´em ˇcl´anku. Autor poukazuje na moˇznosti, kter´e d´av´a speci´aln´ı parametrick´a forma chybov´eho vektoru v t a tak´e na zp˚ usob, jak je v tomto modelu ˇreˇsena kr´atkodob´a dynamika. Pˇredpokl´adejme, ˇze v t ∼ N (0, Ω), kde Ω je pozitivnˇe definitn´ı matice. Rozdˇelme tuto matici v souladu s dˇelen´ım vektoru Y t na · ¸ Ω1 Ω021 n1 Ω= Ω21 Ω2 n2 a definujme Ω11·2 = Ω11 − Ω12 Ω−1 z´ıv´ana logaritmick´a 22 Ω21 . K odhadu je vyuˇ vˇerohodnostn´ı funkce T
ln L(B, Ω) ∝ −
T 1X ln |Ω| − (∆Y t + EAY t−1 )0 Ω−1 (∆Y t + EAY t−1 ) (4.40) 2 2 t=1
Za pouˇzit´ı rozpisu matice Ω lze zapsat (4.40) jako sumu podm´ınˇen´e logaritmick´e vˇerohodnostn´ı funkce T ´0 1 X ³ (1) T (2) (2) · (4.41) Y t −BY t−1 − Ω12 Ω−1 ∆Y − ln |Ω11·2 | − t 22 2 2 t=1 ³ ´ (1) (2) (2) −1 Y − BY − Ω Ω ∆Y · Ω−1 12 22 t t t−1 11·2
a margin´aln´ı vˇerohodnostn´ı funkce T
T 1X (2) (2) − ln |Ω22 | − ∆Y t 0 Ω−1 22 ∆Y t . 2 2 t=1
(4.42)
Vzhledem k vlastnostem triangular reprezentace nez´avis´ı (4.42) na matici B a proto k odhadu kointegraˇcn´ı vztahu staˇc´ı vyuˇz´ıt (4.41). V´ ysledn´ y odhad matice B metodou maxim´aln´ı vˇerohodnosti je ekvivalentn´ı s odhadem metodou nejmenˇs´ıch ˇctverc˚ u v line´arn´ım modelu (2) (2) (1) (4.43) Y t = BY t−1 + C∆Y t + v 1·2t , (1)
(2)
−1 e notaci jsme vyuˇzili rozkladu kde C = Ω12 Ω−1 22 a v 1·2t = v t −Ω12 Ω22 v t . V uveden´ (2) (1) y odpov´ıd´a rozdˇelen´ı vektoru Y t na dvˇe ˇca´sti. vektoru v t na v t a v t , kter´ Detaily t´ ykaj´ıc´ı se odhadu, vˇcetnˇe asymptotick´ ych vlastnost´ı, jsou kompletnˇe pops´any v Phillips (1991). Pˇrestoˇze m´a triangular reprezentace mnoh´e zaj´ımav´e vlastnosti, vyuˇz´ıv´a se k anal´ yze kointegraˇcn´ıch vztah˚ u sp´ıˇse vektorov´ y errorcorrection model, kter´ ym jsme se zab´ yvali v kapitole 4.2.
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
4.4
54
Statick´ y regresn´ı model kointegrovan´ ych veliˇ cin
Uvaˇzujme n + 1-rozmˇern´ y n´ahodn´ y proces {X t } = {(Yt , Z 0t )0 }, kter´ y je CI(1, 1). Rozloˇz´ıme jej na n-rozmˇern´ y vektor Z t a jednorozmˇern´ y Yt . Jedn´ım z pˇr´ıstup˚ u modelov´an´ı kointegrovan´ ych ˇcasov´ ych ˇrad je pouˇzit´ı statick´eho regresn´ıho modelu tvaru Yt = β 0 Z t + εt ,
(4.44)
y model nevyuˇz´ıv´a zpoˇzdˇen´ ych promˇenn´ ych (nakde εt ∼ WN(0, σε2 ). Tento statick´ rozd´ıl od dynamick´eho, kter´ y uvaˇzujeme v dalˇs´ı sekci). Kr´atce se o problematice pouˇzit´ı tohoto modelu zm´ınil Bittner (2005). O probl´emu zd´anliv´e regrese, kter´ y nast´av´a v pˇr´ıpadˇe, kdy mezi vyˇsetˇrovan´ ymi veliˇcinami neexistuje kointegraˇcn´ı vztah, jsme se uˇz zmiˇ novali. Avˇsak v pˇr´ıpadˇe, kdy kointegraˇcn´ı vztah existuje, lze tento model pouˇz´ıt. Jeho hlavn´ı omezen´ı spoˇc´ıv´a v tom, ˇze je to model jednorovnicov´ y, a tud´ıˇz umoˇzn ˇuje modelovat pouze jeden kointegraˇcn´ı vztah. V´ıme, ˇze v pˇr´ıpadˇe n-rozmˇern´eho modelu, kde n > 2, m˚ uˇze existovat v´ıce kointegraˇcn´ıch vektor˚ u. Pˇredpoklad existence jedin´eho kointegraˇcn´ıho vztahu v tomto pˇr´ıpadˇe vede k neeficientn´ımu odhadu, nebot’ m˚ uˇzeme dostat pouze jednu line´arn´ı kombinaci kointegraˇcn´ıch vektor˚ u z modelu v´ıcerozmˇern´eho. Nicm´enˇe i v situaci, kdy existuje pouze jeden kointegraˇcn´ı vektor, bylo uk´az´ano, ˇze je pouˇzit´ı modelu (4.44) problematick´e. Korektn´ı odhad dlouhodob´eho vztahu je moˇzn´ y pouze v pˇr´ıpadˇe, kdy sloˇzky vektoru Z t jsou slabˇe exogenn´ı vzhledem k parametr˚ um modelu. Pˇri pouˇzit´ı endogenn´ıch regresor˚ u, kter´e mohou b´ yt korelovan´e s rezidu´aln´ı sloˇzkou, doch´az´ı ke ztr´atˇe informace. Nav´ıc modelujeme pouze dlouhodob´ y vztah a kr´atkodob´a dynamika je zahrnuta v rezidu´aln´ı sloˇzce. Podrobnˇeji jsou tyto probl´emy shrnuty v Harris (1995). Odhadujeme-li parametry modelu (4.44) metodou nejmenˇs´ıch ˇctverc˚ u, dostaneme superkonzistentn´ı odhad. Tento v´ ysledek uk´azal Stock (1987). I pˇresto ale doch´az´ı k vych´ ylen´ı odhadu pro mal´e v´ ybˇery [Banerjee a kol. (1993)] a je lepˇs´ı pouˇzit model dynamick´ y. Odhad m´a nestandardn´ı asymptotick´e rozdˇelen´ı (vˇetˇsinou funkce Wienerova procesu), avˇsak za pˇredpokladu slab´e exogenity a dalˇs´ıch poˇzadavk˚ u na nekorelovanost rezidu´ı lze dos´ahnout asymptotick´e normality.
Residual based test kointegrace Velmi ˇcasto b´ yv´a kointegraˇcn´ı regrese (4.44) vyuˇz´ıv´ana v testu kointegrace zaloˇzen´em na anal´ yze rezidu´ı z modelu. Proto tak´e b´ yvaj´ı tyto testy naz´ yv´any residual based testy kointegrace. Model odhadneme konzistentnˇe metodou nejmenˇs´ıch ˇctverc˚ u a dostaneme εˆt = Yt − βˆ0 Z t . (4.45) Testujeme pak nulovou hypot´ezu nepˇr´ıtomnosti kointegrace pouˇzit´ım test˚ u na pˇr´ıtomnost jednotkov´eho koˇrene v odhadnut´ ych rezidu´ıch εˆt . Ty povaˇzujeme za kon-
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
55
zistentn´ı odhad chybov´e sloˇzky εt . Pokud zam´ıtneme nulovou hypot´ezu, ˇze εˆt obsahuje jednotkov´ y koˇren, zam´ıt´ame tak´e nulovou hypot´ezu, ˇze mezi veliˇcinami neexistuje kointegraˇcn´ı vztah. Nejˇcastˇeji b´ yvaj´ı k testov´an´ı pouˇzity zobecnˇen´e DickeyFullerovy testy a Z-testy kter´e navrhnul Phillips. Asymptotick´e vlastnosti tˇechto test˚ u vyˇsetˇroval Phillips & Ouliaris (1990). Kromˇe modelu (4.45) uvaˇzuje tak´e kointegraˇcn´ı regresi s konstantn´ım ˇclenem µ. Vzhledem k tomu, ˇze tato problematika byla velmi komplexnˇe shrnuta a realizov´ana na datech v diplomov´e pr´aci Jur´aˇska (2007, kap. 3.1), nebudeme se j´ı zde d´ale zab´ yvat. Poznamenejme pouze, ˇze residual based testy lze aplikovat opˇet za obecn´ ych pˇredpoklad˚ u na vyˇsetˇrovan´ y v´ıcerozmˇern´ y proces, kter´e jsou v´ıcerozmˇernou obdobou pˇredpoklad˚ u 2.1 z kapitoly o testov´an´ı jednotkov´eho koˇrene v jednorozmˇern´e ˇradˇe. K z´ısk´an´ı asymptotick´ ych rozdˇelen´ı testov´ ych statistik se vyuˇz´ıv´a v´ıcerozmˇern´a funkcion´aln´ı centr´aln´ı limitn´ı vˇeta, kterou jsme zm´ınili v ˇca´sti 1.6. Kritick´e hodnoty test˚ u jednotkov´eho koˇrene v residual based testech jsou odliˇsn´e od kritick´ ych hodnot, kter´e maj´ı ADF a Z-testy v kapitole 2. Kritick´e hodnoty z´avis´ı na poˇctu regresor˚ u n a na zahrnut´ı konstanty ˇci line´arn´ıho trendu. Jsou tabelov´any napˇr´ıklad v Phillips & Ouliaris (1990).
4.5
ADL reprezentace
Autoregressive distributed lag modely (oznaˇcov´any jako ADL modely) patˇr´ı do tˇr´ıdy dynamick´ych line´arn´ıch regresn´ıch model˚ u. Jedn´a se o regresn´ı modely, kter´e v sobˇe vedle souˇcasn´ ych hodnot vysvˇetluj´ıc´ıch a vysvˇetlovan´e promˇenn´e mohou obsahovat tak´e hodnoty zpoˇzdˇen´e. D´ıky obecn´e struktuˇre ADL model˚ u je jejich pouˇzit´ı pro anal´ yzu kointegraˇcn´ıho vztahu vhodnˇejˇs´ı neˇz pouˇzit´ı kointegraˇcn´ı regrese, kterou jsme se zab´ yvali v pˇredchoz´ı ˇca´sti. Velmi struˇcnˇe se o tˇechto modelech zm´ınil uˇz Bittner (2005). Zde si jejich souvislost s kointegrac´ı zkus´ıme probrat podrobnˇeji. Uk´aˇzeme si u ´zkou souvislost s error-correction modely a pˇredpoklady pro eficientn´ı odhad kointegraˇcn´ıho vztahu. V pˇredchoz´ı sekci jsme si nast´ınili nedostatky statick´eho regresn´ıho modelu. Nˇekter´e z nich jsou odstranˇeny pouˇzit´ım zpoˇzdˇen´ ych promˇenn´ ych. Tyto modely d´avaj´ı lepˇs´ı v´ ysledky pˇri testov´an´ı kointegrace, umoˇzn ˇuj´ı modelovat vedle dlouhodob´ ych vztah˚ u i vztahy kr´atkodob´e, kter´e v pˇr´ıpadˇe statick´e regrese byly zahrnuty v rezidu´aln´ı sloˇzce. Je potˇreba si uvˇedomit, ˇze se jedn´a tak´e o model jednorovnicov´ y, tud´ıˇz z˚ ust´av´a zde problematika s odhadem v´ıce kointegraˇcn´ıch vztah˚ u. V tom pˇr´ıpadˇe je nutn´e pouˇz´ıt model v´ıcerozmˇern´ y, napˇr. error correction model. Nicm´enˇe za urˇcit´ ych pˇredpoklad˚ u ohlednˇe exogenity vysvˇetluj´ıc´ıch promˇenn´ ych lze
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
56
tento v´ıcerozmˇern´ y syst´em redukovat na jednorovnicov´ y model, jak jsme vidˇeli v ˇca´sti 4.2.5. Pˇrehledn´e z´aklady ADL model˚ u byly shrnuty v Hendry a kol. (1984). Uvaˇzujme n + 1 rozmˇern´ y n´ahodn´ y proces {X t }. Zaj´ım´ame se o pˇr´ıpad, kdy je X t ∼ I(1) a mezi sloˇzkami existuje kointegraˇcn´ı vztah. N´ahodn´ y vektor X t rozdˇel´ıme na dva podvektory - jednorozmˇern´ y proces Yt a n-rozmˇern´ y proces Z t = (Z1,t , . . . , Zn,t )0 . V uveden´e literatuˇre je uvaˇzov´an velmi obecn´ y tvar ADL modelu: α(L)Yt = µ +
n X
βj (L)Zj,t + εt ,
(4.46)
j=1
kde
α(L) = 1 − α1 L − . . . − αp Lp , βj (L) = βj,0 + βj,1 L − . . . − βj,qj Lqj ,
j = 1, . . . , n .
(4.47)
n,q
j V tomto modelu jsou re´aln´e parametry {αi }pi=1 a {βj,k }(j,k)=(1,0) , µ je konstantn´ı ˇclen 2 ˇ eji a εt ∼ WN(0, σε ). Takov´ y model b´ yv´a oznaˇcov´an jako ADL(p, q1 , . . . , qn ). Castˇ se v literatuˇre uvaˇzuje situace, kdy q1 = . . . = qn = q. Lze tak uˇcinit bez ztr´aty na obecnosti, nebot’ q lze zvolit jako maxim´aln´ı zpoˇzdˇen´ı u Zj,. a v pˇr´ıpadˇe potˇreby mohou b´ yt nˇekter´e parametry βi,j rovny Takov´ y model pak b´ yv´a oznaˇcov´an Pnule. q i jako ADL(p, q, n). S vyuˇzit´ım βj (L) = i=0 βj,i L , j = 1, . . . , n lze model rozepsat n´asledovnˇe:
Yt = µ + =µ+
p X
αi Yt−i +
q n X X
i=1
j=1 i=0
p X
n X
i=1
αi Yt−i +
βj,i Zj,t−i + εt
(4.48)
βj (L)Zj,t + εt .
j=1
Tyto modely maj´ı velkou v´ yhodu, ˇze je lze pˇrepsat v mnoha r˚ uzn´ ych form´ach pˇri zachov´an´ı OLS odhadu parametr˚ u a bez ovlivnˇen´ı jejich schopnosti popisovat data. V Hendry a kol. (1984, kapitola 2.6) je uk´azka dev´ıti rozd´ıln´ ych model˚ u, kter´e spadaj´ı do tˇr´ıdy ADL model˚ u. Jsou znaˇcnˇe odliˇsn´e v tom, jak´e zpoˇzdˇen´e promˇenn´e obsahuj´ı ’me, ˇze do tˇr´ıdy ADL a jak pracuj´ı s dlouhodob´ ymi vztahy mezi veliˇcinami. PUved n model˚ u patˇr´ı napˇ r´ıkladPbˇeˇzn´ y regresn´ı model (Yt = j=1 βj Zj,t + εt ), distributed P ymi ˇcleny a tak´e lag model (Yt = nj=1 qi=0 βj,i Zj,t−i + εt ), modely s diferencovan´ modely, kde vystupuje error correction ˇclen. Souvislost ADL(1, 1, 1) modelu s EC modelem uˇz demonstroval Bittner (2005). Zde si uk´aˇzeme vztah pro obecn´ y model ADL(p, q, n) dan´ y rovnic´ı (4.46). Vyuˇzijeme analogick´eho rozkladu oper´ator˚ u jako v (4.4). Pro α(L) a βj (L) definovan´ ych v (4.47) lze jednoduch´ ymi u ´pravami dostat
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
57
rozklady: α(L) = α(1)L + ∆α∗ (L) , ∗
kde α (L) = 1 −
p−1 X
αj∗ Lj ,
αj∗
=−
j=1
p X
αk ,
j = 1, . . . , p − 1
k=j+1
a βj (L) = βj (1)L + ∆βj∗ (L) , kde
βj∗ (L)
=
q−1 X
∗ βj,k Lk ,
∗ βj,0
= βj,0 ,
∗ βj,k
=−
k=0
q X
βj,i ,
k = 1, . . . , q − 1 .
i=k+1
Pomoc´ı tˇechto rozklad˚ u lze ADL(p, q, n) model upravit na: ∗
α (L)∆Yt = µ − α(1)Yt−1 +
n X
βj (1)Zj,t−1 +
j=1
n X
βj∗ (L)∆Zj,t + εt .
(4.49)
j=1
Toto vyj´adˇren´ı lze rozepsat podrobnˇeji: ∆Yt =
p−1 X i=1
αi∗ ∆Yt−i +
q−1 n X X j=1 i=0
# n X β (1) µ j ∗ − Zj,t−1 + εt . βj,i ∆Zj,t−i − α(1) Yt−1 − α(1) j=1 α(1) "
Dost´av´ame tak error-correction formu ADL modelu. Jedn´a se o jednorovnicov´ y model, kde jsou obsaˇzeny souˇcasn´e a zpoˇzdˇen´e diferencovan´e ˇcleny (obdobnˇe jako v EC modelu pˇredstaven´em v dˇr´ıvˇejˇs´ıch kapitol´ach) a error-correction ˇclen # " n X βj (1) µ − Zj,t−1 = −α(1)ηt−1 , (4.50) −α(1) Yt−1 − α(1) j=1 α(1) kter´ y vyjadˇruje dlouhodob´ y rovnov´aˇzn´ y stav. Odchylky od dlouhodob´eho rovnov´aˇzn´eho stavu v ˇcase t − 1 jsou v tomto pˇr´ıpadˇe vyj´adˇreny ˇclenem ηt−1 . Velkou d˚ uleˇzitost v t´eto reparametrizaci hraje ˇclen α(1), kter´ y ovlivˇ nuje rychlost v dosaˇzen´ı rovnov´aˇzn´eho stavu a vyjadˇruje m´ıru odliˇsnosti mezi dlouhodob´ ymi a kr´atkodob´ ymi vztahy. Poznamenejme, ˇze existuj´ı dalˇs´ı reparametrizace ADL modelu, kter´e obsahuj´ı error correction ˇclen a diferencovan´e sloˇzky. Nˇekter´e z nich jsou uvedeny v Banerjee a kol. (1993, kap. 2.4). Jedn´a se napˇr´ıklad o Bewleyovu transformaci a B˚ ardsenovu transformaci. Odhady parametr˚ u na z´akladˇe tˇechto rozd´ıln´ ych transformac´ı jsou ekvivalentn´ı. To je uk´az´ano napˇr´ıklad v kapitole 2.6 uveden´eho zdroje. U kaˇzd´e transformace se zaj´ım´ame o odhad dlouhodob´eho rovnov´aˇzn´eho stavu. Oznaˇc´ıme-li θj jako dlouhodob´ y efekt, kter´ y m´a zmˇena v Zj na Y , dost´av´ame pro vˇsechny transformace vˇcetnˇe (4.49) vztah βj (1) , j = 1, . . . , n . (4.51) θj = α(1)
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
58
Pˇresnˇe tento v´ yraz vid´ıme u Zj,t−1 v error-correction ˇclenu (4.50). Pro errorcorrection reparametrizaci je nutn´e zav´est pˇredpoklad, ˇze α(1) 6= 0 (poˇzadujeme, aby oper´ator α(L) neobsahoval jednotkov´e koˇreny). D´ale tak´e poˇzadujeme, aby P p cili konvergenci modelu k dlouhodob´emu ˇreˇsen´ı. i=1 αi < 1, abychom zaruˇ V kapitole 4.2.5 jsme ilustrovali, ˇze k pˇrechodu z pln´eho v´ıcerozmˇern´eho syst´emu k modelu m´enˇe rovnicov´emu (v tomto pˇr´ıpadˇe jednorovnicov´emu) potˇrebujeme pˇredpoklad slab´e exogenity na vysvˇetluj´ıc´ı promˇenn´e. Pak lze eficientnˇe odhadnout dlouhodob´ y kointegraˇcn´ı vztah. Samostatn´ ym ADL modelem se podrobnˇe zab´ yvaj´ı ˇcl´anky Pesaran & Shin (1995) a Hassler & Wolters (2006). K anal´ yze vyuˇzijeme error-correction pˇrepis ADL modelu, kter´ y jsme odvodili v rovnici (4.49). Zaj´ım´ame se tedy o odhad dlouhodob´eho kointegraˇcn´ıho vztahu v modelu ∆Yt = µ + γYt−1 +
n X j=1
ϕj Zj,t−1 +
p−1 X i=1
αi∗ ∆Yt−i
+
q−1 n X X
∗ ∆Zj,t−i + εt , βj,i
(4.52)
j=1 i=0
kde εt ∼ WN(0, σε2 ), γ = −α(1) a ϕj = βj (1), j = 1, . . . , n, podle pˇredchoz´ıch odvozen´ı. Uveden´e materi´aly kromˇe poˇzadavk˚ u na exogenitu Z t vzhledem k chybov´emu ˇclenu εt uvaˇzuj´ı pˇredpoklad, ˇze samotn´e I(1) regresory Z t nejsou kointegrovan´e. V Pesaran & Shin (1995) je dok´az´ana konzistence a asymptotick´e rozdˇelen´ı odhadu v modelu (4.52) metodou nejmenˇs´ıch ˇctverc˚ u. Za uveden´ ych pˇredpoklad˚ u dost´av´ame asymptoticky norm´aln´ı rozdˇelen´ı odhadu koeficient˚ u dlouhodob´eho vztahu. Jak jsme v´ yˇse uv´adˇeli, odhad dlouhodob´eho kointegraˇcn´ıho vztahu θˆj = ϕˆj /ˆ γ , j = 1, . . . , n je shodn´ y s odhadem v jin´ ych reparametrizac´ıch ADL modelu. V pˇredchoz´ı sekci jsme zmiˇ novali vych´ ylen´ı odhadu kointegraˇcn´ı regrese pˇri koneˇcn´em v´ ybˇeru. Toto vych´ ylen´ı bylo zp˚ usobeno zanedb´av´an´ım kr´atkodob´e dynamiky v modelu. Pouˇzit´ı ADL model˚ u je v kointegraˇcn´ı anal´ yze mnohem vhodnˇejˇs´ı, nebot’ d´ıky pˇrid´an´ı zpoˇzdˇen´ ych promˇenn´ ych a diferenc´ı v error-correction reparametrizaci lze pokr´ yt kr´atkodobou i dlouhodobou dynamiku. Opˇet je potˇreba urˇcit d´elky zpoˇzdˇen´ı p a q. V Pesaran & Shin (1995) je vyuˇz´ıv´ano informaˇcn´ıch krit´eri´ı, o kter´ ych jsme se zmiˇ novali v pˇredeˇsl´ ych sekc´ıch.
4.6
Grangerova kauzalita v kointegrovan´ ych syst´ emech
ˇ Casto se zaj´ım´ame o vz´ajemn´e p˚ usoben´ı mezi sloˇzkami kointegrovan´eho v´ıcerozmˇern´eho syst´emu. Jednou z pouˇz´ıvan´ ych metod je ovˇeˇren´ı Grangerovy kauzality, kterou jsme zavedli v kapitole 1.2. Granger (1988) uk´azal, ˇze pokud mezi dvˇemi I(1) promˇenn´ ymi existuje kointegraˇcn´ı vztah, pak mus´ı b´ yt alespoˇ n v jednom smˇeru kauz´aln´ı p˚ usoben´ı. Bittner (2005) ilustroval anal´ yzu kauzality pouze na stacion´arn´ım VAR modelu. L¨ utkepohl (2005, kap. 6.6) uk´azal, ˇze pro kointegrovan´ y VAR model dost´av´ame stejn´a omezen´ı na Grangerovu nekauzalitu, jako ve stacion´arn´ım pˇr´ıpadˇe.
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
59
Mˇejme n rozmˇern´ y I(1) proces {Y t }, kter´ y lze rozdˇelit na m rozmˇern´ y proces {Y 1,t } a n − m rozmˇern´ y proces {Y 2,t }. Pˇredpokl´ad´ame, ˇze sloˇzky procesu {Y t } jsou kointegrovan´e a vyuˇzijeme VAR(p) z´apisu · ¸ X ¸· ¸ · ¸ p · Y 1,t Φ11,i Φ12,i Y 1,t−i ε = + 1,t , (4.53) Y 2,t Φ21,i Φ22,i Y 2,t−i ε2,t i=1
kde jsou parametry rozdˇeleny ve shodˇe s Y t . Pak nen´ı obt´ıˇzn´e nahl´ednout, ˇze Y 2,t nep˚ usob´ı kauz´alnˇe na Y 1,t v Grangerovˇe smyslu pr´avˇe tehdy, kdyˇz Φ12,i = 0 pro vˇsechna i = 1, . . . , p. Pro odpov´ıdaj´ıc´ı vektorov´ y error-correction model · ¸ · ¸· ¸ X ¸· ¸ · ¸ p−1 · ∆Y 1,t Π12 Π12 Y 1,t−1 Γ11,i Γ12,i ∆Y 1,t−i ε = + + 1,t , (4.54) ∆Y 2,t Π21 Π22 Y 2,t−1 Γ21,i Γ22,i ∆Y 2,t−i ε2,t i=1
dostaneme jednoduˇse obdobn´a omezen´ı. V modelu (4.54) Y 2,t nep˚ usob´ı kauz´alnˇe na Y 1,t v Grangerovˇe smyslu pr´avˇe tehdy, kdyˇz Π12 = 0 a Γ12,i = 0 pro vˇsechna i = 1, . . . , p−1. K testov´an´ı Grangerovy kauzality je tedy vyuˇz´ıv´an soubor line´arn´ıch omezen´ı. Pˇri testov´an´ı ve stacion´arn´ım modelu lze bez probl´em˚ u pouˇz´ıt standardn´ı Wald˚ uv test nebo test vˇerohodnostn´ım pomˇerem. Avˇsak v pˇr´ıpadˇe kointegrovan´ ych veliˇcin se objevuj´ı potenci´aln´ı probl´emy pˇri testov´an´ı, nebot’ zm´ınˇen´e testy nemus´ı m´ıt asymptotick´e rozdˇelen´ı χ2 , jako m´ıvaj´ı obvykle. Tento probl´em se nˇekdy ˇreˇs´ı t´ım, ˇze se k testov´an´ı Grangerovy kauzality pouˇz´ıv´a dvourozmˇern´ y VAR proces pro kaˇzdou dvojici z v´ıcerozmˇern´eho syst´emu. Tuto metodu navrhli L¨ utkepohl & Reimers (1992) a uk´azali, ˇze v tomto pˇr´ıpadˇe Waldova statistika asymptotick´e rozdˇelen´ı χ2 . Autoˇri uvaˇzuj´ı dva n´ahodn´e procesy, {Yt } a {Zt }, jejichˇz diference jsou stacion´arn´ı. D´ale pˇredpokl´adaj´ı, ˇze procesy jsou generov´any dvourozmˇern´ ym VAR(p) procesem · ¸ X ¸· ¸ · ¸ p · Yt Φ11,i Φ12,i Yt−i ε = + 1,t , (4.55) Zt Φ21,i Φ22,i Zt−i ε2,t i=1
kde εt = (ε1,t , ε2,t )0 je dvourozmˇern´ y b´ıl´ y ˇsum s nulovou stˇredn´ı hodnotou a varianˇcn´ı matic´ı Σε . K odhadu parametr˚ u je v ˇcl´anku vyuˇz´ıv´ana reparametrizace syst´emu (4.55) na error-correction formu. Opˇet plat´ı, ˇze v tomto syst´emu proces {Zt } nep˚ usob´ı kauz´alnˇe na {Yt } pr´avˇe tehdy, kdyˇz Φ12,i = 0 pro vˇsechny i = 1, . . . , p. Obr´acenˇe proces {Yt } nep˚ usob´ı kauz´alnˇe na {Zt } pr´avˇe tehdy, kdyˇz Φ21,i = 0 pro vˇsechny i = 1, . . . , p. Oznaˇcme ¸ · Φ11,i Φ12,i a ϕ = vec[Φ1 , . . . , Φp ] , Φi = Φ21,i Φ22,i kde ϕ pˇredstavuje vektor vˇsech VAR koeficient˚ u modelu (4.55) rozmˇeru 4p. Nyn´ı lze omezen´ı na Grangerovu nekauzalitu zapsat jako Rϕ = 0, kde R je odpov´ıdaj´ıc´ı
´ ˇ ´ ˇ KAPITOLA 4. MODELY KOINTEGROVANYCH CASOV YCH RAD
60
matice omezen´ı, kter´a m´a plnou ˇr´adkovou hodnost. Testujeme hypot´ezu H0 : Rϕ = 0 proti alternativˇe H1 : Rϕ 6= 0 .
(4.56)
ˆ parametru ϕ plat´ı Pro odhad ϕ √
D
ˆ − ϕ) −→ N (0, Σϕˆ ) , T (ϕ T →∞
kde T je velikost v´ ybˇeru a Σϕˆ je regul´arn´ı varianˇcn´ı matice asymptotick´e distribuce, a k testov´an´ı hypot´ezy H0 lze pouˇz´ıt standardn´ı Waldovu statistiku ˆ ϕˆ R0 )−1 Rϕ ˆ 0 R0 (RΣ ˆ, λw = T ϕ
(4.57)
ˆ ϕˆ je konzistentn´ı odhad Σϕˆ . kde Σ Obecnˇe pro kointegrovan´ y syst´em, kde ϕ odhadneme bud’ metodou nejmenˇs´ıch ˇctverc˚ u nebo Johansenovou procedurou, m´a Waldova statistika nestandardn´ı asymptotick´e rozdˇelen´ı. Avˇsak v naˇsem pˇr´ıpadˇe bylo uk´az´ana standardn´ı χ2p asymptotick´e rozdˇelen´ı Waldovy statistiky za platnosti nulov´e hypot´ezy. V´ ysledky jsou platn´e i v pˇr´ıpadˇe, kdy do modelu (4.55) pˇrid´ame konstantn´ı ˇclen. Dost´av´ame asymptoticky validn´ı test Grangerovy kauzality v dvourozmˇern´em syst´emu. Pokud pouˇz´ıv´ame tuto metodu ve v´ıcerozmˇern´em syst´emu, tak vyˇsetˇrujeme zvl´aˇst’ kaˇzdou dvojici promˇenn´ ych. Existuj´ı tak´e dalˇs´ı zp˚ usoby, jak se vypoˇra´dat s testov´an´ım kauzality ve v´ıcerozmˇern´em syst´emu. Z´ajemci mohou nal´ezt jin´e n´avrhy v L¨ utkepohl (2005, kap. 7.6)
Kapitola 5 Numerick´ a aplikace na re´ aln´ a data V t´eto ˇca´sti se pokus´ıme ilustrovat postup pˇri anal´ yze re´aln´ ych dat a pouk´azat na probl´emy, kter´e jsou s n´ı spojeny. Velmi d˚ uleˇzit´a je volba analyzovan´eho modelu. Pˇri anal´ yze ekonomick´ ych ˇcasov´ ych ˇrad je snahou zvolit promˇenn´e v modelu tak, aby mezi nimi existoval urˇcit´ y ekonomick´ y vztah, kter´ y chceme potvrdit. Fin´alnˇe jsme se rozhodli pro anal´ yzu dlouhodob´eho vztahu v modelu popt´ avky po penˇez´ıch ve Spojen´em kr´alovstv´ı Velk´e Brit´anie a Severn´ıho Irska (d´ale uˇz jen UK). V ekonomick´e teorii se pˇredpokl´ad´a, ˇze popt´avka po penˇez´ıch je funkc´ı re´aln´eho pˇr´ıjmu, cenov´e hladiny a pˇr´ıleˇzitosti plynouc´ı z drˇzen´ı penˇez. T´ımto modelem uˇz se zab´ yvaly napˇr´ıklad pr´ace Jur´aˇska (2007), Johansen (1992b), Johansen & Juselius (1990) a Arlt & Arltov´a (2007). Model popt´avky po penˇez´ıch umoˇzn ˇuje ˇsirokou ’ volbu re´aln´ ych promˇenn´ ych, nebot kaˇzd´ y z uvaˇzovan´ ych ukazatel˚ u lze aproximovat nˇekolika odliˇsn´ ymi zp˚ usoby. Samozˇrejmˇe tak´e z´aleˇz´ı na tom, jak´e ˇrady se v dan´e lokalitˇe daj´ı re´alnˇe sehnat. Naˇse fin´aln´ı volba vych´az´ı z Arlt & Arltov´a (2007, kap. 6.4), kde je tak´e podrobnˇeji vysvˇetlena. Popt´avku po penˇez´ıch pˇredstavuje re´aln´e M 2 a d´ale do modelu vstupuje re´aln´ y hrub´ y dom´ac´ı produkt (oznaˇc. HDP ) jako m´ıra re´aln´eho pˇr´ıjmu, meziˇctvrtletn´ı m´ıra inflace (oznaˇc. CP I) a tˇr´ımˇes´ıˇcn´ı u ´rokov´a sazba na penˇeˇzn´ım trhu (oznaˇc. R). V tabulce 5.1 je souhrn uveden´ ych promˇenn´ ych vˇcetnˇe jejich jednotky, zdroje a pˇr´ıpadnˇe z´akladny, ke kter´e jsou data vztaˇzena. Promˇ enn´ a M2 R HDP CP I
Jednotka / Z´ aklad Mil. GBP Procenta Mil. GBP / Z´aklad r. 1995 Z´aklad r. 2000 = 100
Zdroj Bank of England Eurostat Eurostat OECD
Tabulka 5.1: Promˇenn´e fin´aln´ıho modelu. Uvaˇzujeme kvart´aln´ı data, kde promˇenn´e M 2 a HDP pouˇz´ıv´ame sez´onnˇe
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
62
oˇciˇstˇen´e, nebot’ vykazovaly silnou kvart´aln´ı sez´onnost. Pˇri pouˇzit´ı oˇciˇstˇen´ ych ˇrad bylo moˇzn´e uvaˇzovat model bez sez´onn´ıch dummy promˇenn´ ych. D´ale jsme pro anal´ yzu vˇsechny ˇrady logaritmicky transformovali, abychom z´ıskali model v souladu s ekonomickou teori´ı. Logaritmicky transformovan´e ˇrady budeme v dalˇs´ım textu znaˇcit mal´ ymi p´ısmeny (m2, r, gdp, cpi). D˚ uleˇzit´a je tak´e spr´avn´a volba d´elky analyzovan´ ych ˇrad. Obecnˇe je vhodn´e uvaˇzovat delˇs´ı obdob´ı, nebot’ kointegrace se zab´ yv´a dlouhodob´ ym vztahem. Na druhou stranu se pˇri delˇs´ım ˇcasov´em vzorku objevuj´ı probl´emy s nekonzistenc´ı dat, struktur´aln´ı zmˇenou a podobnˇe. V praxi tedy jde o kompromis mezi d´elkou a kvalitou modelu. Po podrobn´e anal´ yze jsme dospˇeli k fin´aln´ımu modelu, kde uvaˇzujeme hodnoty promˇenn´ ych od 2. kvart´alu roku 1993 do 4. kvart´alu roku 2007. Jedn´a se o 59 pozorov´an´ı. Nav´ıc pro kaˇzd´ y ze zkouman´ ych model˚ u bylo potˇreba pouˇz´ıt pˇr´ısluˇsn´ y poˇcet poˇc´ateˇcn´ıch hodnot podle volby zpoˇzdˇen´ı. K tomu u ´ˇcelu jsme pouˇz´ıvali pˇr´ısluˇsn´ y poˇcet pozorov´an´ı pˇred 2. kvart´alem roku 1993. Vzorek stejn´e nebo menˇs´ı velikosti na podobn´em modelu uvaˇzovali Arlt & Arltov´a (2007), Johansen (1995, kap. 7.3.1) a tak´e nˇekolik dalˇs´ıch Johansenov´ ych ˇ prac´ı. Rady, kter´e uvaˇzujeme v modelu, jsou vykresleny na obr´azku 5.1 (ve fin´aln´ım error-correction modelu uvaˇzujeme jedno zpoˇzdˇen´ı diferencovan´e sloˇzky, tud´ıˇz prvn´ı 2 pozorov´an´ı v grafu bereme jako poˇc´ateˇcn´ı). a) Logaritmus M2
b) Logaritmus R
14.4
2.2
14.2
r
m2
2.0
14.0 1.8
13.8 13.6
1.6
13.4 1.4
13.2 13.0
1.2 94:1
96:1
98:1
00:1
02:1
04:1
06:1
94:1
96:1
c) Logaritmus GDP
98:1
00:1
02:1
04:1
06:1
04:1
06:1
d) Logaritmus CPI
12.5
4.75 gdp
cpi
4.70
12.4
4.65 12.3 4.60 12.2 4.55 12.1
4.50
12.0
4.45 94:1
96:1
98:1
00:1
02:1
04:1
06:1
94:1
96:1
98:1
00:1
02:1
ˇ Obr´azek 5.1: Ctvrtletn´ ı zlogaritmovan´a data pro fin´aln´ı model (obdob´ı 1993:2 - 2007:4).
Poznamenejme, ˇze jsme pˇred fin´aln´ı volbou zkouˇseli analyzovat tak´e mnoh´e dalˇs´ı typy model˚ u. Mezi nimi uved’me napˇr´ıklad pˇetirozmˇern´e modely pro anal´ yzu vztah˚ u purchasing power parity a uncovered interest rate parity mezi UK a D´anskem,
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
63
UK a OECD, D´anskem a USA apod. Obdobnou anal´ yzu s velmi pˇekn´ ymi v´ ysledky prov´adˇeli Johansen & Juselius (1992). D´ale jsme zkouˇseli anal´ yzu modelu popt´avky po penˇez´ıch pro OECD a D´ansko. Bohuˇzel se n´am nepodaˇrilo z´ıskat uspokojiv´e odhady dlouhodob´ ych vztah˚ u pro ˇz´adn´ y ze zm´ınˇen´ ych model˚ u. Pˇrestoˇze v mnoh´ ych pˇr´ıpadech trace test i λ-max test poukazovaly na existenci kointegraˇcn´ıho vztahu, stacionarita v´ ysledn´eho dlouhodob´eho vztahu nebyla uspokojiv´a. Pˇri anal´ yze tˇechto model˚ u jsme se setk´avali s probl´emy jako v´ yznamn´e poruˇsen´ı pˇredpoklad˚ u na rezidua, v nˇekter´ ych pˇr´ıpadech nebyla zam´ıtnuta hypot´eza I(2) pro nˇekterou z analyzovan´ ych ˇrad nebo kointegraˇcn´ı testy neprok´azaly existenci kointegraˇcn´ıho vztahu. Dalˇs´ı probl´emy mohly b´ yt zp˚ usobeny struktur´aln´ı zmˇenou v analyzovan´em obdob´ı.
5.1
Anal´ yza integrovanosti
Pˇred samotnou kointegraˇcn´ı anal´ yzou je potˇreba ovˇeˇrit, zda jsou zkouman´e ˇrady integrovan´e ˇr´adu 1. Po prohl´ednut´ı obr´azku 5.1 vyvst´av´a ot´azka, zda jsou ˇrady cpi, gdp a m2 trendovˇe stacion´arn´ı. K tomuto u ´ˇcelu jsme provedli regresi zmiˇ novan´ ych promˇenn´ ych na ˇcase. Odeˇcten´ım trendu od zkouman´ ych ˇrad dostaneme rezidua, kter´a jsou zakreslena na obr´azku 5.2. Uˇz z grafu je vidˇet, ˇze rezidua nejsou stacion´arn´ı, coˇz potvrdily tak´e testy jednotkov´eho koˇrene, kter´ y nebyl v rezidu´ıch zam´ıtnut. Lze tedy oˇcek´avat, ˇze ˇrady obsahuj´ı stochastick´ y trend. Rezidua z regrese: m2 = a + b*t
Rezidua z regrese: gdp = a + b*t
Rezidua z regrese: cpi = a + b*t 0.02
0.02
0.01
0.01
0.00
0.00
-0.01
-0.01
0.12 0.08 0.04 0.00 -0.04 -0.08
-0.02
-0.02 94:1
96:1
98:1
00:1
02:1
04:1
06:1
94:1
96:1
98:1
00:1
02:1
04:1
06:1
94:1
96:1
98:1
00:1
02:1
04:1
06:1
Obr´azek 5.2: Rezidua z regrese cpi, gdp a m2 v z´avislosti na ˇcase. K testov´an´ı jednotkov´eho koˇrene v ˇrad´ach m2, r, gdp a cpi ve vyˇsetˇrovan´em obdob´ı pouˇzijeme testy, kter´e jsme zavedli v kapitole 2. Konkr´etnˇe se zde pokus´ıme ilustrovat neparametrick´e Phillips-Perronovy testy, kter´e lze pouˇz´ıt za obecnˇejˇs´ıch pˇredpoklad˚ u 2.1. Postupujeme podle doporuˇcen´e strategie, kterou jsme uvedli na konci ˇca´sti 2.4. K z´ısk´an´ı testov´ ych statistik Zαµ , Ztµ , Zαµβ a Ztµβ jsme pouˇzili funkci ur.pp, kter´a uˇz je naiplementov´ana ve statistick´em programu R. Hodnoty testov´ ych statik Z(Φ1 ), Z(Φ2 ) a Z(Φ3 ) jsme z´ıskali pomoc´ı funkce ur.jh, kterou pro prostˇred´ı R naprogramoval a publikoval Michal Jur´aˇska (viz. Jur´aˇska (2007, kap. 4.3)). V´ ysledky spolu s kritick´ ymi hodnotami jsou shrnuty v tabulce 5.2.
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
64
Z tabulky vid´ıme, ˇze pro ˇz´adnou z analyzovan´ ych ˇrad nezam´ıt´ame na 5% hladinˇe nulovou hypot´ezu (µ, β, α) = (µ, 0, 1) v modelu (2.22), nebot’ hodnota testov´e statistiky Z(Φ1 ) je menˇs´ı neˇz pˇr´ısluˇsn´a 5% kritick´a hodnota. Nezam´ıt´ame tedy existenci jednotkov´eho koˇrene a k dalˇs´ımu testov´an´ı lze pouˇz´ıt statistiky Zαµβ a Ztµβ v nejbohatˇs´ım modelu (2.22) bez ztr´aty s´ıly. Obˇe tyto statistiky nezam´ıtaj´ı nulovou hypot´ezu jednotkov´eho koˇrene (Zαµβ > 5% k.h. i Ztµβ > 5% k.h. pro vˇsechny promˇenn´e). D´ale se zaj´ım´ame, zda lze k testov´an´ı pouˇz´ıt statistiky Zαµ a Ztµ . K tomu je nutn´e ovˇeˇrit platnost sdruˇzen´e hypot´ezy (µ, β, α) = (0, 0, 1) v modelu (2.21), jak jsme uv´adˇeli v teoretick´e ˇca´sti. Z v´ ysledk˚ u je vidˇet, ˇze u promˇenn´ ych m2, gdp a cpi zam´ıt´a Z(Φ2 ) statistika tuto hypot´ezu s pˇrehledem na 1% hladinˇe (1% k.h. = 7.02). Pro uveden´e promˇenn´e bychom tedy mˇeli z˚ ustat u v´ ysledku z test˚ u Zαµβ a Ztµβ . Fin´alnˇe jsme doˇsli k z´avˇeru, ˇze vˇsechny zkouman´e ˇrady obsahuj´ı jednotkov´ y koˇren, pˇriˇcemˇz pro promˇenn´e m2, gdp a cpi je nejvhodnˇejˇs´ı model (2.21) s vych´ ylen´ım a pro ˇradu r lze pouˇz´ıt model (2.11). Dost´av´ame tak stejn´e v´ ysledky jako Jur´aˇska (2007) v praktick´e ˇca´sti. Poznamenejme, ˇze existenci jednotkov´eho koˇrene jsme analyzovali tak´e ADF testy, kter´e jsou pˇrehlednˇe naimplementov´any v programu EViews. Zde jsme tak´e nezam´ıtli pˇr´ıtomnost jednotkov´eho koˇrene v ˇz´adn´e ze zkouman´ ych ˇrad. D´ale bylo nutn´e ovˇeˇrit, zda nen´ı nˇekter´a ze zkouman´ ych ˇrad I(2). K tomu jsme pouˇz´ıvali bˇeˇzn´ y postup, kdy testujeme jedenkr´at diferencovanou ˇcasovou ˇradu na pˇr´ıtomnost jednotkov´eho koˇrene. Phillips-Perronovy testy zam´ıtaj´ı hypot´ezu jednotkov´eho koˇrene ve vˇsech diferencovan´ ych ˇrad´ach na 1% hladinˇe. Nyn´ı lze pˇrej´ıt ke kointegraˇcn´ı anal´ yze. H0 Test (µ, β, α) = (µ, 0, 1) Z(Φ3 ) αµβ = 1 Zαµβ αµβ = 1 Ztµβ (µ, β, α) = (0, 0, 1) Z(Φ2 ) αµ = 1 Zαµ αµ = 1 Ztµ (µ, α) = (0, 1) Z(Φ1 )
m2 4.761 -0.538 -0.196 44.031** 0.834 2.555 69.129**
r 3.014 -7.498 -1.730 2.032 -7.768 -2.134 2.807
gdp 3.876 -6.458 -1.945 111.952** -0.286 -1.439 161.379**
cpi 5.417 -7.043 -2.201 33.331** -0.260 -0.763 71.204**
5% k.h. 6.73 -19.80 -3.50 5.13 -13.30 -2.93 4.86
* zam´ıt´ ame na 5% hladinˇe, ** zam´ıt´ame na 1% hladinˇe. 5% kritick´e hodnoty pro 50 pozorov´an´ı, kter´e publikoval napˇr. Jur´aˇska (2007, tab. 2.1, 2.3).
Tabulka 5.2: Phillips-Perronovy testy jednotkov´eho koˇrene.
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
5.2
65
Kointegraˇ cn´ı anal´ yza v´ıcerozmˇ ern´ eho syst´ emu
V t´eto ˇca´sti se budeme zab´ yvat anal´ yzou modelu v r´amci v´ıcerozmˇern´eho syst´emu. Pˇripomeˇ nme si, ˇze v praxi b´ yv´a nejˇcastˇeji pouˇz´ıv´an error-correction model, kter´ y lze pˇrev´est na VAR a VMA model, jak jsme vidˇeli v teoretick´e ˇca´sti. Tak´e jsme si uˇz popsali ˇsirok´e moˇznosti t´eto reprezentace, kter´e umoˇzn ˇuj´ı zvl´aˇst’ analyzovat dlouhodob´ y vztah v r´amci cel´eho syst´emu a testov´an´ı kointegrace zaloˇzen´e na metodˇe maxim´aln´ı vˇerohodnosti. Nav´ıc lze d´ale pohodlnˇe testovat hypot´ezy ohlednˇe tvaru kointegraˇcn´ıho vektoru a exogenity promˇenn´ ych. Veˇsker´a dalˇs´ı kointegraˇcn´ı anal´ yza byla prov´adˇena v programu EViews verze 5.1, kter´ y se na tuto problematiku specializuje. Pouze okrajovˇe byl pouˇz´ıv´an volnˇe ˇsiˇriteln´ y software JMulTi verze 4.22, kter´ y podporuje tak´e Helmut L¨ utkepohl, autor mnoha cenn´ ych materi´al˚ u na t´ema kointegrace. Pˇri testov´an´ı nesm´ıme opomenout, ˇze by mˇely b´ yt splnˇeny pˇredpoklady nez´avislosti a normality rezidu´ı v odhadnut´em modelu. D´ale je nutn´e stanovit ˇr´ad zpoˇzdˇen´ı p. K tomuto u ´ˇcelu lze pouˇz´ıt informaˇcn´ı krit´eria, kter´a jsme zavedli v ˇca´sti 4.2.3. V praxi se vˇetˇsinou tato krit´eria vyhodnocuj´ı na VAR(p) modelu (4.7), do kter´eho pˇrid´av´ame konstantn´ı ˇclen. V programu EViews je k tomuto u ´ˇcelu VAR(p) model odhadov´an metodou nejmenˇs´ıch ˇctverc˚ u. Poznamenejme, ˇze dostaneme opravdu pouze informaˇcn´ı hodnotu. Ve fin´aln´ım error-correction modelu je nˇekdy nutn´e pˇridat ˇci ubrat zpoˇzdˇen´ı v z´avislosti na re´aln´ ych v´ ysledc´ıch a vlastnostech rezidu´ı. V naˇsem pˇr´ıpadˇe jsme zvolili pro v´ ypoˇcet krit´eri´ı maxim´aln´ı zpoˇzdˇen´ı M = 10 a dostali jsme v´ ysledky, kter´e jsou shrnuty v tabulce 5.3. pˆ(AIC) 10
pˆ(SC) 2
pˆ(HQ) 2
ˇ ad modelu VAR(p) odhadnut´ Tabulka 5.3 : R´ y na z´akladˇe Akaikeho, Schwarzova a HannanQuinnova krit´eria.
Vzhledem k tomu, ˇze odhad Akaikeho krit´eriem nen´ı konzistentn´ı, je vhodnˇejˇs´ı uvaˇzovat hodnotu zpoˇzdˇen´ı p = 2, kterou pro VAR proces odhadly zbyl´a dvˇe krit´eria. Z teoretick´e ˇc´asti v´ıme, ˇze v tomto pˇr´ıpadˇe bychom v error-correction modelu navrhovali pouˇz´ıt pouze jedno zpoˇzdˇen´ı. Ve fin´aln´ım modelu jsme tak´e k t´eto volbˇe dospˇeli na z´akladˇe porovn´an´ı v´ ysledk˚ u pro r˚ uzn´a zpoˇzdˇen´ı. Nav´ıc bylo moˇzn´e pouˇzit´ım tzv. Lag Exclusion Testu, kter´ y je zaloˇzen na χ2 Waldovˇe statistice, uk´azat, ˇze nen´ı potˇreba do error-correction modelu zahrnout vyˇsˇs´ı zpoˇzdˇen´ı neˇz 1. Tento test je naimplementov´an v programu EViews. Oznaˇc´ıme-li Y t = (m2t , rt , gdpt , cpit )0 jako vektor zkouman´ ych veliˇcin v ˇcase t, lze odhadovan´ y error-correction model zapsat ve formˇe ∆Y t = ΠY t−1 + Γ1 ∆Y t−1 + ΦD t + εt ,
t = 1, . . . , 59
(5.1)
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
66
kde εt je ˇctyˇrrozmˇern´ y vektor rezidu´ı, kter´ y by mˇel splˇ novat pˇredpoklady normality a nekorelovanosti. Nav´ıc uvaˇzujeme dvˇe poˇca´teˇcn´ı pozorov´an´ı Y 0 a Y −1 . Pˇripomeˇ nme si, ˇze chceme v tomto modelu testovat hypot´ezu H(r) o existenci r kointegraˇcn´ıch vztah˚ u, kterou jsme uvaˇzovali v (4.12). D´ale je potˇreba zvolit tvar deterministick´eho ˇclenu ΦD t . Jako nejvhodnˇejˇs´ı se uk´azala volba, kdy uvaˇzujeme konstantn´ı ˇclen jak v kointegraˇcn´ım vztahu, tak mimo nˇej. Pˇri pouˇzit´ı ortogon´aln´ıho doplˇ nku k z´atˇeˇzov´e matici α lze n´ami uvaˇzovanou volbu zapsat ve tvaru ΠY t−1 + ΦD t = α(β 0 Y t−1 + ρ) + α⊥ γ ,
(5.2)
kde α a β jsou matice rozmˇeru 4 × r a hodnosti r, ρ je vektor konstant v kointegraˇcn´ım vztahu a γ je vektor konstant mimo kointegraˇcn´ı vztah. Tento tvar deterministick´eho ˇclenu je doporuˇcov´an v pˇr´ıpadˇe, kdy ˇrady vykazuj´ı stochastick´ y trend. Detaily o tomto a dalˇs´ıch tvarech deterministick´eho ˇclenu lze nal´ezt v Johansen (1995, kap. 5). Poznamenejme, ˇze jsme testovali kointegraci i v modelech s jinou strukturou deterministick´eho ˇclenu, avˇsak v´ ysledn´ y odhad dlouhodob´eho vztahu nebyl uspokojiv´ y. Pˇrestoˇze n´am napˇr. v modelu s konstantou pouze v kointegraˇcn´ım vztahu trace test odhadoval na 5% hladinˇe dva kointegraˇcn´ı vztahy, v´ ysledn´e kointegrovan´e procesy β 0 Y t nebyly prokazatelnˇe I(0). V´ ysledn´a volba (5.2) se zd´a nejvhodnˇejˇs´ı tak´e z toho hlediska, ˇze ˇrady m2, gdp a cpi obsahuj´ı stochastick´ y trend, jak jsme vidˇeli vu ´vodu ˇc´asti 5.1. Prvotn´ı anal´ yzy na dan´em modelu vykazovaly velmi siln´e poruˇsen´ı pˇredpokladu normality rezidu´ı v prvn´ı rovnici, kde je na lev´e stranˇe promˇenn´a ∆m2t . Po podrobn´em prozkoum´an´ı bylo zjiˇstˇeno, ˇze normalita je poruˇsena kv˚ uli jedin´emu odlehl´emu pozorov´an´ı v ˇradˇe m2 v 2. kvart´alu roku 1997. Tuto skuteˇcnost lze pozorovat tak´e na obr´azku 5.1. Tato odlehl´a hodnota mohla b´ yt zp˚ usobena napˇr´ıklad nˇejak´ ym ˇsokem v ekonomick´em dˇen´ı v UK, ale stejnˇe tak se m˚ uˇze jednat o chybu v pˇrepisu. Bohuˇzel se n´am nepovedlo dohledat ekonomickou souvislost. Nicm´enˇe pouˇzijeme bˇeˇzn´ y postup, ˇze do modelu zahrneme deterministickou pomocnou promˇennou, kter´a m´a vˇsude 0 a pouze jednu 1 ke korekci odlehl´eho rezidua. Po t´eto u ´pravˇe je s pˇrehledem dosaˇzena normalita rezidu´ı εt . Pˇrid´an´ı t´eto promˇenn´e nemˇelo na odhadnut´ y kointegraˇcn´ı vztah v´ yznamn´ y vliv. K testov´an´ı ˇra´du kointegrace ve fin´aln´ım modelu pouˇz´ıv´ame trace test a λ-max test, kter´e jsme zavedli na konci ˇc´asti 4.2.2. V´ ysledky jsou shrnuty v tabulk´ach 5.4 a 5.5. Z v´ ysledk˚ u je patrn´e, ˇze trace test indikuje na 5% hladinˇe jeden kointegraˇcn´ı vztah. Pˇri pouˇzit´ı λ-max testu nezam´ıt´ame na 5% hladinˇe hypot´ezu nepˇr´ıtomnosti kointegrace v modelu, avˇsak nen´ı obt´ıˇzn´e ovˇeˇrit, ˇze na 10% hladinˇe uˇz i tento test indikuje jeden kointegraˇcn´ı vztah. K jednomu kointegraˇcn´ımu vztahu dospˇel tak´e Jur´aˇska (2007) v modelu popt´avky po penˇez´ıch v USA a Johansen (1995) v modelu pro ˇ UK. V anal´ yze pro Ceskou republiku prov´adˇen´e v Arlt & Arltov´a (2007) dokonce autoˇri prok´azali 2 kointegraˇcn´ı vztahy. Nicm´enˇe v´ ysledn´e odhady kointegraˇcn´ıho vektoru jsou odliˇsn´e v kaˇzd´em z uveden´ ych materi´al˚ u a nelze je pˇr´ımoˇcaˇre srovn´avat.
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
67
Rozd´ıly mohou b´ yt zp˚ usobeny odliˇsnou ekonomickou situac´ı v analyzovan´ ych zem´ıch, jinou volbou promˇenn´ ych ˇci zmˇenou kointegraˇcn´ıho vztahu v z´avislosti na analyzovan´em intervalu. N´ıˇze se pokus´ıme urˇcit´e podobnosti otestovat restrikcemi aplikovan´ ymi na kointegraˇcn´ı vztah. Vzhledem k naˇs´ı v´ ysledn´e volbˇe deterministick´eho ˇclenu a ˇra´du kointegrace r = 1 oznaˇcme kointegraˇcn´ı vektor v analyzovan´em modelu β 0ec = (βm2 , βr , βgdp , βm2 , ρ). Chceme odhadovat kointegraˇcn´ı vztah β 0ec [Y 0t , 1]0 . Hypot´eza r=0 r≤1 r≤2 r≤3
ˆi λ λtrace 0.370 51.839 0.207 24.623 0.133 10.949 0.042 2.512
5% k. h. 47.856 29.797 15.495 3.841
p-hodnota 0.020* 0.175 0.215 0.113
* zam´ıt´ ame na 5% hladinˇe. 5% kritick´e hodnoty kter´e jsou pouˇzity v EViews vych´azej´ıc´ı z MacKinnon a kol. (1990).
Tabulka 5.4: Trace test ˇr´adu kointegrace. Hypot´eza r=0 r≤1 r≤2 r≤3
ˆi λ λmax 0.370 27.216 0.207 13.673 0.133 8.438 0.042 2.512
5% k. h. 27.584 21.131 14.265 3.841
p-hodnota 0.056 0.392 0.336 0.113
* zam´ıt´ ame na 5% hladinˇe. 5% kritick´e hodnoty kter´e jsou pouˇzity v EViews vych´azej´ıc´ı z MacKinnon a kol. (1990).
Tabulka 5.5: λ-max test ˇr´adu kointegrace. Johansenovou procedurou dostaneme odhad kointegraˇcn´ıho vektoru, kter´ y 0 ˆ ˆ ˆ ˆ ˆ oznaˇc´ıme β ec = (βm2 , βr , βgdp , βm2 , ρˆ). Pouˇzit´ım tˇechto odhadnut´ ych hodnot lze zapsat kointegraˇcn´ı vztah ve tvaru · ¸ 0 Yt ˆ β ec = m2t + 0.282 ∗ rt + 1.732 ∗ gdpt − 7.562 ∗ cpit − 0.480 . (5.3) 1 Je zde pouˇzita normalizace vzhledem k parametru βˆm2 . D´ale dost´av´ame odhadnut´ y 0 ˆ = (ˆ vektor z´atˇeˇz´ı α αm2 , α ˆr , α ˆ gdp , α ˆ cpi ) tvaru ˆ = (0.0049, −0.0936, −0.0094, 0.04039)0 . α
(5.4)
Kandid´at na kointegrovan´ y proces dan´ y vztahem (5.3) je vykreslen na obr´azku 5.3. Pro tyto hodnoty jsme Phillips-Perronov´ ymi testy na 5% hladinˇe zam´ıtli hypot´ezu
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
68
pˇr´ıtomnosti jednotkov´eho koˇrene. Lze tedy pˇredpokl´adat, ˇze jsme dostali dlouhodob´ y rovnov´aˇzn´ y stav v modelu popt´avky po penˇez´ıch. 0.4 0.3
koint. vztah
0.2 0.1 0.0 -0.1 -0.2 -0.3 -0.4 94:1
96:1
98:1
00:1
02:1
04:1
06:1
0
Obr´azek 5.3: Odhadnut´y kointegraˇcn´ı vztah βˆ ec (Y 0t , 1)0 .
a) Rezidua v rovnici diff(m2)
b) Rezidua v rovnici diff(r)
0.03
0.10
0.02
0.05
0.01
0.00
0.00
-0.05
-0.01
-0.10
-0.02
-0.15
-0.03
-0.20 94
96
98
00
02
04
06
94
c) Rezidua v rovnici diff(gdp)
96
98
00
02
04
06
d) Rezidua v rovnici diff(cpi)
0.008
0.010
0.006 0.005
0.004 0.002
0.000 0.000 -0.002
-0.005
-0.004 -0.006
-0.010 94
96
98
00
02
04
06
94
96
98
00
02
04
06
Obr´azek 5.4: Vypoˇcten´a rezidua ve fin´alnˇe zvolen´em error-correction modelu. Pro u ´plnost poznamenejme, ˇze byly splnˇeny pˇredpoklady, kter´e klademe na rezidua εt v modelu (5.1). Vypoˇcten´a rezidua pro pˇr´ısluˇsnou rovnici error-correction
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
69
modelu jsou k vidˇen´ı na obr´azku 5.4. Pouˇz´ıvan´ y program EViews m´a pˇrehlednˇe naimplementov´any testy slouˇz´ıc´ı k ovˇeˇren´ı pˇredpoklad˚ u kladen´ ych na rezidua. Detailnˇejˇs´ı popis tˇechto test˚ u lze nal´ezt v manu´alu programu Quantitative Micro Software (2005). Normalita chybov´eho ˇclenu byla ovˇeˇrena pomoc´ı Jarqueova-Berrova testu v´ıcerozmˇern´e normality, kter´ y je zaloˇzen na kˇrivosti a ˇspiˇcatosti norm´aln´ıho rozdˇelen´ı. Tento test pouˇz´ıval tak´e Jur´aˇska (2007), v jehoˇz pr´aci byl pˇredpoklad normality zam´ıtnut. V naˇsem modelu v´ ysledn´a p-hodnota (0.7619) svˇedˇc´ı o tom, ˇze na 5% hladinˇe nezam´ıt´ame nulovou hypot´ezu normality rezidu´ı. K ovˇeˇren´ı nekorelovanosti rezidu´ı jsme pouˇzili Portmonteau test, kter´ ym ve v´ıcerozmˇern´em pˇr´ıpadˇe testujeme nulovou hypot´ezu, ˇze rezidua nejsou autokorelovan´a do zpoˇzdˇen´ı h. Test jsme prov´adˇeli pro h = 1, . . . , 12, pˇriˇcemˇz pro ˇza´dn´e h jsme nezam´ıtli nulovou hypot´ezu nekorelovanosti na 5% hladinˇe. Na z´avˇer jsme k testov´an´ı heteroskedasticity pouˇzili White˚ uv test, kter´ y je v EViews naimplementov´an. Nulovou hypot´ezu, ˇze se v modelu nevyskytuje heteroskedasticita jsme tak´e na 5% hladinˇe nezam´ıtli. T´ım jsme ovˇeˇrili splnˇen´ı pˇredpoklad˚ u kladen´ ych na rezidua potˇrebn´ ych pro pouˇzit´ı Johansenovy metody odhadu error-correction modelu metodou maxim´aln´ı vˇerohodnosti.
5.3
Testov´ an´ı restrikc´ı na parametr β a testov´ an´ı exogenity
V pˇredchoz´ı ˇca´sti jsme z´ıskali odhad error-correction modelu (5.1) za platnosti nulov´e hypot´ezy H(1), ˇze model obsahuje jeden kointegraˇcn´ı vektor. Zde budeme ilustrovat pouˇzit´ı line´arn´ıch omezen´ı na kointegraˇcn´ı vektor β ec , kter´e jsme zm´ınili v ˇc´asti 4.2.4. D´ale budeme testovat hypot´ezu slab´e exogenity jednotliv´ ych promˇenn´ ych pomoc´ı restrikc´ı na z´atˇeˇzovou matici (v naˇsem pˇr´ıpadˇe vektor, nebot’ r = 1) α. Tomu jsme se vˇenovali v teoretick´e ˇca´sti v sekci 4.2.5. Testov´an´ım restrikc´ı v modelu popt´avky po penˇez´ıch se zab´ yvali Arlt & Arltov´a (2007, kap. 6.4) a Johansen (1995, kap. 7.3). Jedn´ım z moˇzn´ ych omezen´ı, kter´e lze testovat, je hypot´eza H0 : βm2 = −βgdp . Jedn´a se o test, ˇze popt´avka po penˇez´ıch a re´aln´ y hrub´ y dom´ac´ı produkt, kter´ ym mˇeˇr´ıme pˇr´ıjem, maj´ı stejnou hodnotu s opaˇcn´ ym znam´enkem. Testujeme tedy line´arn´ı omezen´ı H0 : β ec = Hϕ, kde ϕ je ˇctyˇrrozmˇern´ y vektor parametr˚ ua 1 0 0 0 −1 0 0 0 . 0 1 0 0 H= 0 0 1 0 0 0 0 1 Moˇznost testov´an´ı restrikc´ı pomˇerem vˇerohodnost´ı je opˇet naimplementov´ana v programu EViews. Pro testov´an´ı hypot´ezy H0 dost´av´ame hodnotu testov´e stati-
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
70
stiky (4.30): −2 ln Q(H0 |H(1)) = 4.458661 . V naˇsem pˇr´ıpadˇe by mˇela m´ıt testov´a statistika asymptotick´e rozdˇelen´ı χ2 o jednom stupni volnosti (nebot’ r(n-s) = 1). Dost´av´ame p-hodnotu 0.034725, tud´ıˇz na 5% hladinˇe v´ yznamnosti zam´ıt´ame hypot´ezu H0 (5% k. h.= 3.84). Nepodaˇrilo se n´am tedy potvrdit oˇcek´av´an´ı, kter´a pramen´ı z ekonomick´e teorie pro model popt´avky po penˇez´ıch. Poznamenejme, ˇze v modelu popt´avky po penˇez´ıch, kter´ y analyzoval Jur´aˇska (2007), mˇel obdobnˇe jako v naˇs´ı anal´ yze kointegraˇcn´ı vektor stejn´e znam´enko u analyzovan´eho M 1 agreg´atu jako u promˇenn´e, kterou byly mˇeˇreny re´aln´e pˇr´ıjmy. Zam´ıtnut´ı nulov´e hypot´ezy H0 by mohlo poukazovat na to, ˇze ve fin´alnˇe obdrˇzen´em modelu je kromˇe popt´avky po penˇez´ıch modelov´an jeˇstˇe jin´ y teoretick´ y vztah, kter´ y je moˇzn´a v pouˇzit´ ych datech jeˇstˇe silnˇeji pˇr´ıtomen. D´ale se nab´ız´ı vyuˇzit´ı restrikc´ı k testov´an´ı hypot´ezy nulovosti nˇekter´eho z parametr˚ u kointegraˇcn´ıho vektoru. V publikaci Arlt & Arltov´a (2007, kap. 6.4) se autor˚ um podaˇrilo prok´azat nulov´ y koeficient u meziˇctvrtletn´ı m´ıry inflace v rovnici, kterou modelovali kointegraˇcn´ı vztah v modelu popt´avky po penˇez´ıch. Poznamenejme, ˇze pracovali se dvˇemi kointegraˇcn´ımi vektory, coˇz jim umoˇznilo modelovat popt´avku po penˇez´ıch v prvn´ım vztahu a tzv. Fisher˚ uv efekt v druh´em vztahu. V´ıce podrobnost´ı lze nal´ezt pˇr´ımo v citovan´e publikaci. V naˇsem modelu jsme zkusili ovˇeˇrit hypot´ezu H1 : βcpi = 0. Nen´ı obt´ıˇzn´e odvodit tvar matice H pro tento typ restrikce. V´ ysledn´a p-hodnota 0.001339 indikuje, ˇze v naˇsem pˇr´ıpadˇe nelze vliv promˇenn´e cpi v modelu zanedbat. Zam´ıt´ame hypot´ezu H1 na 1% hladinˇe v´ yznamnosti. D´ale jsme se zab´ yvali testov´an´ım slab´e exogenity promˇenn´ ych vzhledem k parametr˚ um dlouhodob´eho vztahu. Podle z´avˇer˚ u v teoretick´e ˇca´sti lze tuto skuteˇcnost testovat restrikcemi na parametry z´atˇeˇzov´e matice popˇr. vektoru. Nejprve jsme provedli test zvl´aˇst’ pro jednotliv´e promˇenn´e. Pˇripomeˇ nme si, ˇze chceme-li testovat slabou exogenitu napˇr´ıklad u promˇenn´e cpi, budeme testovat hypot´ezu H∗0 : αcpi = 0. I v tomto pˇr´ıpadˇe lze hypot´ezu testovat pomˇerem vˇerohodnost´ı. V tabulce 5.6 je hodnota testov´e statistiky −2 ln Q(H∗0 |H(r)) a p-hodnota pro jednotliv´e promˇenn´e. Testov´a statistika m´a asymptotick´e rozdˇelen´ı χ2 o jednom stupni volnosti. m2 r gdp cpi Hodnota testov´e statistiky 0.047 0.370 2.183 10.974 p-hodnota 0.828 0.465 0.140 0.001** ** zam´ıt´ ame na 1% hladinˇe.
Tabulka 5.6: Test exogenity jednotliv´ych promˇenn´ych.
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
71
Z v´ ysledk˚ u je patrn´e, ˇze na 5% hladinˇe nezam´ıt´ame exogenitu promˇenn´ ych m2, r a gdp v analyzovan´em modelu. Nicm´enˇe hypot´ezu exogenity promˇenn´e cpi zam´ıt´ame uˇz na 1% hladinˇe. Dost´av´ame velmi pˇrekvapuj´ıc´ı v´ ysledek, kter´ y v podstatˇe vysvˇetluje zam´ıtnut´ı hypot´ez, jeˇz by mˇeli platit v modelu popt´avka po penˇez´ıch. Potvrzuje se naˇse domnˇenka, ˇze fin´aln´ı kointegrovan´ y proces sp´ıˇse ilustruje jinou ekonomickou hypot´ezu, kter´a je v datech silnˇeji pˇr´ıtomn´a neˇz p˚ uvodnˇe uvaˇzovan´a popt´avku po penˇez´ıch. Lze usuzovat, ˇze by se mohlo jednat o zmiˇ novan´ y Fisher˚ uv efekt, coˇz je hypot´eza, ˇze mezi oˇcek´avanou m´ırou inflace a nomin´aln´ı u ´rokovou sazbou je dlouhodob´ y vztah. Dle pˇredeˇsl´ ych v´ ysledk˚ u n´as bude velmi zaj´ımat ovˇeˇren´ı hypot´ezy na vˇsechny ∗ exogenn´ı promˇenn´e H1 : αm2 = 0, αr = 0, αgdp = 0. K otestov´an´ı opˇet pouˇzijeme testovou statistiku zaloˇzenou na pomˇeru vˇerohodnost´ı, kter´a m´a v tomto pˇr´ıpadˇe asymptotick´e rozdˇelen´ı χ2 o tˇrech stupn´ıch volnosti. Dostaneme p-hodnotu 0.487, coˇz indikuje, ˇze nezam´ıt´ame hypot´ezu slab´e exogenity promˇenn´ ych m2, r a cpi vzhledem k dlouhodob´emu vztahu. Dle teoretick´e ˇca´sti tedy lze pˇrej´ıt i k modelu jednorovnicov´emu, kde bychom mˇeli dostat eficientn´ı odhad metodou nejmenˇs´ıch ˇctverc˚ u. Tuto skuteˇcnost budeme ovˇeˇrovat v ˇca´sti 5.5. Odhad z jednorovnicov´eho modelu by mˇel b´ yt stejn´ y jako odhad z error-correction modelu za platnosti v´ yˇse uveden´e hypot´ezy ˆ ∗ , dost´av´ame H∗1 . Tento odhad lze z´ıskat pˇr´ımo v EViews. Oznaˇc´ıme-li jej jako β ec · ¸ ∗ 0 Yt ˆ = −0.182 ∗ m2t − 0.029 ∗ rt − 0.084 ∗ gdpt + ∗cpit − 1.048 , (5.5) β ec 1 kter´ y jsme v tomto pˇr´ıpadˇe normalizovali vzhledem k promˇenn´e cpi, kter´a nen´ı exogenn´ı. Dostaneme tak´e odhad pˇr´ısluˇsn´eho z´atˇeˇzov´eho vektoru ve tvaru α∗ec = (0, 0, 0, −0.264)0 . Kointegraˇcn´ı vztah 5.7 pˇri uvaˇzovan´ ych restrikc´ıch je vykreslen na obr´azku 5.5.
5.4
Z´ avˇ ery z v´ıcerozmˇ ern´ e error-correction anal´ yzy
Pˇri anal´ yze v´ıcerozmˇern´eho error correction syst´emu jsme pˇri splnˇen´ı vˇsech pˇredpoklad˚ u dostali odhad jednoho kointegraˇcn´ıho vztahu. T´ım jsme uk´azali, ˇze existuje line´arn´ı kombinace vyˇsetˇrovan´ ych ˇrad, kter´a m´a niˇzˇs´ı ˇra´d integrovanosti neˇz p˚ uvodn´ı veliˇciny. V praxi se snaˇz´ıme naj´ıt ekonomickou interpretaci v´ ysledn´eho dlouhodob´eho vztahu. My jsme bˇehem anal´ yzy zjistili, ˇze v datech je silnˇeji pˇr´ıtomen jin´ y vztah, neˇz p˚ uvodnˇe oˇcek´avan´ y model popt´avky po penˇez´ıch. K tomuto v´ ysledku by se nepodaˇrilo doj´ıt, kdybychom nepouˇzili k pˇresnˇejˇs´ı identifikaci restrikc´ı na kointegraˇcn´ı a z´atˇeˇzov´ y vektor. Pomoc´ı nich jsme ovˇeˇrili, ˇze v modelu je prim´arnˇe modelov´ana promˇenn´a cpi, coˇz je logaritmus meziˇctvrtletn´ı m´ıry inflace. U ostatn´ıch promˇenn´ ych jsme prok´azali exogenitu vzhledem ke kointegraˇcn´ımu vektoru. Z˚ ust´av´a ot´azkou, jakou interpretaci m´a v´ ysledn´ y dlouhodob´ y vztah. Pˇresn´a identifikace je bez podrobnˇejˇs´ı znalosti ekonomick´ ych z´akonitost´ı obt´ıˇzn´a. Jednou
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
72
0.20 koint. vztah 2 - po restrikci 0.15 0.10 0.05 0.00 -0.05 -0.10 -0.15 -0.20 94:1
96:1
98:1
00:1
02:1
04:1
06:1
2
Obr´azek 5.5: Odhadnut´y kointegraˇcn´ı vztah βˆ ec 0 (Y 0t , 1)0 v modelu s restrikcemi αm2 = 0, αr = 0, αgdp = 0.
z uvaˇzovan´ ych moˇznost´ı je hypot´eza, ˇze prim´arnˇe je v modelu potvrzen dlouhodob´ y vztah mezi oˇcek´avanou m´ırou inflace a nomin´aln´ı u ´rokovou sazbou. Jedn´a se o tzv. Fisher˚ uv efekt, kter´ y je detailnˇeji pops´an a analyzov´an vedle modelu popt´avky po penˇez´ıch v publikaci Arlt & Arltov´a (2007). Provedli jsme tak´e anal´ yzu Grangerovy kauzality mezi jednotliv´ ymi dvojicemi promˇenn´ ych podle teorie, kterou jsme ilustrovali v ˇc´asti 4.6. Shrneme si zde pouze z´akladn´ı v´ ysledky, kter´e jsou zaj´ımav´e z hlediska fin´aln´ı volby modelu. Nen´ı pˇrekvapen´ım, ˇze na 5% hladinˇe zam´ıt´ame hypot´ezu ˇze m2, r ˇci gdp nep˚ usob´ı kauz´alnˇe na cpi v Grangerovˇe smyslu. Opˇet to potvrzuje fakt, ˇze veliˇcina cpi je modelov´ana uvnitˇr syst´emu. D´ale nelze zam´ıtnout hypot´ezu, ˇze cpi kauz´alnˇe p˚ usob´ı na gdp. Vz´ajemn´e p˚ usoben´ı mezi inflac´ı a re´aln´ ym hrub´ ym dom´ac´ım pˇr´ıjmem by se nejsp´ıˇs v ekonomick´e teorii tak´e dalo oˇcek´avat.
5.5
Anal´ yza v jednorovnicov´ em modelu
V t´eto sekci se pokus´ıme odhadnou v´ ysledn´ y kointegraˇcn´ı vztah v jednorovnicov´em modelu dle teorie, kterou jsme zavedli v ˇc´astech 4.4 a 4.5. Nejprve jsme z´ıskali odhad metodou nejmenˇs´ıch ˇctverc˚ u v kointegraˇcn´ı regresi tvaru: reg reg cpit = µ + βm2 ∗ m2t + βrreg ∗ rt + βgdp ∗ gdpt + φ ∗ d + εt ,
(5.6)
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
73
kde kromˇe analyzovan´ ych promˇenn´ ych zahrnujeme konstantu µ a dummy promˇennou d, kterou jsme zavedli uˇz v ˇc´asti v´ıcerozmˇern´e anal´ yzy k eliminaci odlehl´eho pozorov´an´ı v ˇradˇe m2. Dostaneme odhad kointegraˇcn´ıho vztahu ˆ 0 Y t = −0.073 ∗ m2t − 0.022 ∗ rt − 0.374 ∗ gdpt + cpit , β reg
(5.7)
Z pouh´eho srovn´an´ı tohoto vztahu s odhadem z v´ıcerozmˇern´eho modelu (5.7) je vidˇet, ˇze v´ ysledn´e parametry u zkouman´ ych promˇenn´ ych jsou odliˇsn´e. Na obr´azku 5.6 jsme si vykreslili rezidua z kointegraˇcn´ı regrese. V souladu s teori´ı v´ıme, ˇze rezidua obsahuj´ı kr´atkodobou dynamiku, kter´a je v modelu, a v´ ysledn´ y kointegraˇcn´ı vztah nen´ı tak kvalitn´ı, jako v pˇr´ıpadˇe odhadu z v´ıcerozmˇern´eho syst´emu. 0.020 Rezidua z koint. regrese
0.015 0.010 0.005 0.000 -0.005 -0.010 -0.015 94:1
96:1
98:1
00:1
02:1
04:1
06:1
Obr´azek 5.6: Rezidua z kointegraˇcn´ı regrese (5.6). Jako vhodnˇejˇs´ı v r´amci jednorovnicov´e anal´ yzy se jev´ı pouˇzit´ı ADL modelu, kter´ y zahrnuje zpoˇzdˇen´e promˇenn´e. Umoˇzn ˇuje tak l´epe reagovat na kr´atkodobou dynamiku. Nejvhodnˇejˇs´ı se uk´azala volba zpoˇzdˇen´ı, kter´a odpov´ıd´a jedn´e rovnici z fin´aln´ıho error-correction modelu. Vyuˇzijeme error-correction pˇrepis ADL modelu, kter´ y jsme odvodili v sekci 4.5. Zaj´ım´ame se o odhad parametr˚ u v modelu: ∆cpit = µ + γ ∗ cpit−1 + ϕ1 ∗ m2t−1 + ϕ2 ∗ rt−1 + ϕ3 ∗ gdpt−1 + ∗ ∗ ∗ ∗ ∆gdpt + ∗ ∆rt + β3,0 ∗ ∆m2t + β2,0 + α1∗ ∗ ∆cpit−1 + β1,0
(5.8)
∗ ∗ ∗ ∗ ∆gdpt−1 + φ ∗ d + εt . ∗ ∆rt−1 + β3,1 ∗ ∆m2t−1 + β2,1 + β1,1
Poznamenejme, ˇze odhad metodou nejmenˇs´ıch ˇctverc˚ u v tomto modelu je shodn´ ys odhadem v pˇr´ısluˇsn´em ADL(2, 2, 4) modelu tvaru (4.48). Dle vztah˚ u uveden´ ych v
´ APLIKACE NA REALN ´ A ´ DATA KAPITOLA 5. NUMERICKA
74
ˇca´sti 4.5 z´ısk´ame n´asleduj´ıc´ı odhad kointegraˇcn´ıho vztahu v tomto modelu: ˆ 0 Y t = −0.1896 ∗ m2t − 0, 0287 ∗ rt − 0, 0630 ∗ gdpt + cpit . β adl
(5.9)
Vid´ıme, ˇze aˇz na konstantu dost´av´ame t´emˇeˇr totoˇzn´ y odhad, jako v pˇr´ıpadˇe errorcorrection modelu (5.7). Rezidua z odhadnut´eho modelu (5.8) jsou k vidˇen´ı na obr´azku 5.7. Byla potvrzena teorie, ˇze v pˇr´ıpadˇe exogenity vysvˇetluj´ıc´ıch promˇenn´ ych lze bez ztr´aty informace pˇrej´ıt k modelu jednorovnicov´emu. Tak´e byla v tomto pˇr´ıpadˇe potvrzeno vhodn´e uˇzit´ı ADL model˚ u, kter´e lze snadno pˇrev´adˇet na r˚ uzn´e reprezentace pˇri zachov´an´ı OLS odhadu parametr˚ u. 0.0100 Rezidua z ADL modelu
0.0075 0.0050 0.0025 0.0000 -0.0025 -0.0050 -0.0075 -0.0100 94:1
96:1
98:1
00:1
02:1
04:1
06:1
Obr´azek 5.7: Rezidua z odnut´eho ADL modelu (5.8). Analyzovan´a data jsou pˇriloˇzena na CD nosiˇci na zadn´ı stranˇe diplomov´e pr´ace.
Kapitola 6 Shrnut´ı V pr´aci jsme nav´azali na diplomov´e pr´ace Bittner (2005) a Jur´aˇska (2007). V teoretick´e ˇc´asti jsme podali pˇrehledn´e shrnut´ı nejpouˇz´ıvanˇejˇs´ıch model˚ u pro kointegraˇcn´ı anal´ yzu a pouk´azali na jejich v´ yhody a nev´ yhody souvisej´ıc´ı s jejich pouˇzit´ım. V prvn´ı ˇca´sti jsme zadefinovali nejd˚ uleˇzitˇejˇs´ı pojmy, kter´e pomohou ˇcten´aˇri l´epe pochopit t´ema kointegrace a umoˇzn´ı snadnˇejˇs´ı orientaci v problematice. Shrnuli jsme nejpouˇz´ıvanˇejˇs´ı metody pro testov´an´ı jednotkov´eho koˇrene. Po zadefinov´an´ı kointegrace a pˇr´ısluˇsn´e motivaci jsme se podrobnˇeji vˇenovali jednotliv´ ym kointegraˇcn´ım model˚ um a vztah˚ um mezi nimi. Vzhledem k tomu, ˇze error-correction model je jeden z nejvhodnˇejˇs´ıch n´astroj˚ u kointegraˇcn´ı anal´ yzy, vˇenujeme se mu velmi detailnˇe. Zab´ yvali jsme se tak´e problematikou exogenity a testov´an´ım line´arn´ıch omezen´ı na kointegraˇcn´ı a z´atˇeˇzovou matici. Uk´azali jsme prov´azanost ADL model˚ u s error-correction modely a pˇredpoklady k eficientn´ımu odhadu v jednorovnicov´em modelu. Velkou ˇca´st teoretick´ ych v´ ysledk˚ u jsme ilustrovali v anal´ yze re´aln´ ych dat, kde jsme z´ıskali zaj´ımav´ y kointegraˇcn´ı vztah. Nav´ıc jsme se setkali s mnoh´ ymi probl´emy, kter´e se v praktick´e aplikaci objevuj´ı. Vhodn´a volba modelu n´am umoˇznila uk´azat d˚ uleˇzitost ekonomick´e teorie v r´amci anal´ yzy dlouhodob´ ych vztah˚ u. Nav´ıc jsme mohli u ´spˇeˇsnˇe srovnat v´ ysledky z anal´ yzy ADL modelu s v´ ysledky z EC modelu. Na z´avˇer poznamenejme, ˇze t´ema kointegrace je velmi ˇsirok´e a existuje k nˇemu nespoˇcetn´e mnoˇzstv´ı materi´al˚ u. Pˇrestoˇze jsme v pr´aci ilustrovali mnoho v´ ysledk˚ u, jedn´a se pouze o malou ˇca´st kointegraˇcn´ı problematiky. Existuj´ı mnoh´e dalˇs´ı pˇr´ıstupy ˇ a probl´emy, kter´e se v praxi ˇreˇs´ı. Pouze na uk´azku lze nˇekter´e z nich zm´ınit. Casto b´ yv´a diskutov´an probl´em struktur´aln´ı zmˇeny v modelu, kter´a m´a negativn´ı vliv v klasick´e kointegraˇcn´ı anal´ yze. Objevuj´ı se pˇr´ıstupy k anal´ yze I(2) promˇenn´ ych. Mnoh´e ˇ publikace se zab´ yvaj´ı kointegrac´ı v pˇr´ıpadˇe panelov´ ych dat. Siroce jsou diskutov´any r˚ uzn´e metody anal´ yzy promˇenn´ ych, kter´e vykazuj´ı sez´onnost atp. Poznamenejme, ˇze mnoh´e z tˇechto probl´em˚ u jsou pops´any a ilustrov´any v Maddala & Kim (1998). V menˇs´ı m´ıˇre se autoˇri vˇenuj´ı problematice stochastick´e kointegrace. Pro ilustraci lze z´ajemce o tuto problematiku odk´azat na ˇcl´anky Harris a kol. (2002) a McCabe a kol. (2006).
Literatura Arlt, J. (1999), Modern´ı metody modelov´ an´ı ekonomick´ych ˇcasov´ych ˇrad, Grada, Praha. Arlt, J. & Arltov´a, M. (2007), Ekonomick´e ˇcasov´e ˇrady: vlastnosti, metody modelov´an´ı, pr´ıklady a aplikace, Grada Publishing, Praha. Banerjee, A., Dolado, J. J., Galbraith., J. W. & Hendry, D. F. (1993), Co-integration, Error Correction, and the Econometric Analysis of Non-Stationary Data, Oxford University Press, New York. Billingsley, P. (1968), Convergence of probability measures, John Wiley, New York. Bittner, O. (2005), Vybran´e modely nestacion´arn´ıch ˇcasov´ych ˇrad, Diplomov´a pr´ace MFF UK, Praha. Cipra, T. (1986), Anal´yza ˇcasov´ych ˇrad s aplikacemi v ekonomii, St´atn´ı nakladatelstv´ı technick´e literatury, Praha. Cochrane, J. H. (1988), ‘How big is the random walk in gnp?’, The Journal of Political Economy 96(5), 893–920. Davidson, R. & MacKinnon, J. G. (1993), Estimation and Inference in Econometrics, Oxford University Press, New York. Dhrymes, P. (1998), Time series, Unit roots and Cointegration, Academic Press, San Diego. Dickey, D. A. & Fuller, W. A. (1979), ‘Distribution of the estimators for autoregressive time series with a unit root’, Journal of the American Statistical Association 74, 427–431. Dickey, D. A. & Fuller, W. A. (1981), ‘Likelihood ratio statistics for autoregressive time series with a unit root’, Econometrica 49, 1057–1072. Engle, R. F., Hendry, D. F. & Richard, J.-F. (1983), ‘Exogeneity’, Econometrica 51(2), 277–304.
LITERATURA
77
Fuller, W. A. (1976), Introduction to Statistical Time Series, John Wiley, New York. Granger, C. W. J. (1969), ‘Investigating causal relations by econometric models and cross-spectral methods’, Econometrica 37(3), 424–438. Granger, C. W. J. (1988), ‘Some recent development in a concept of causality’, Journal of Econometrics 39, 199–211. Granger, C. W. J. & Engle, R. F. (1987), ‘Co-integration and error correction: Representation, estimation, and testing’, Econometrica 55(2), 251–276. Hamilton, J. D. (1994), Time Series Analysis, Princeton University Press, Princeton. Harris, D., McCabe, B. & Leybourne, S. (2002), ‘Stochastic cointegration: estimation and inference’, Journal of Econometrics 111(2), 363–384. Harris, R. (1995), Using Cointegration Analysis in Econometric Modelling, Prentice Hall/Harvester Wheatsheaf, London. Hassler, U. & Wolters, J. (2006), ‘Autoregressive distributed lag models and cointegration’, AStA Advances in Statistical Analysis 90(1), 59–74. Hendry, D. F., Pagan, A. R. & Sargan, J. D. (1984), Dynamic specification, in Z. Griliches & M. D. Intrilligator, eds, ‘Handbook of Econometrics’, Vol. 2, NorthHolland, Amsterdam, chapter 18, pp. 1023–1100. Johansen, S. (1988), ‘Statistical analysis of cointegration vectors’, Journal of Economic Dynamics and Control 12, 231–254. Johansen, S. (1991), ‘Estimation and hypothesis testing of cointegration vectors in gaussian vector autoregressive models’, Econometrica 59, 1551–1580. Johansen, S. (1992a), ‘Cointegration in partial systems and the efficiency of singleequation analysis’, Journal of Econometrics 52(3), 389–402. Johansen, S. (1992b), ‘Testing weak exogeneity and the order of cointegration in uk money demand data’, Journal of Policy Modeling 14(3), 313–334. Johansen, S. (1995), Likelihood-Based Inference in Cointegrated Vector Autoregressive Models, Oxford University Press, New York. Johansen, S. & Juselius, K. (1990), ‘Maximum likelihood estimation and inference on cointegration - with applications to the demand for money’, Oxford Bulletin of Economics and Statistics 52, 169–210. Johansen, S. & Juselius, K. (1992), ‘Testing structural hypothesis in a multivariate cointegration analysis of the ppp and the uip for uk’, Journal of Econometrics 53, 211–244.
LITERATURA
78
Jur´aˇska, M. (2007), Kointegrace ekonomick´ych ˇcasov´ych ˇrad, Diplomov´a pr´ace MFF UK, Praha. Juselius, K. (2006), Z´ aklady n´ahodn´ych proces˚ u II., Oxford University Press, New York. Lo, A. W. & MacKinlay, A. C. (1988), ‘Stock market prices do not follow random walks: Evidence from a simple specification test’, The Review of Financial Studies 1(1), 41–66. L¨ utkepohl, H. (2005), New Introduction to Multiple Time Series Analysis, SpringerVerlag, Berlin. L¨ utkepohl, H. & Reimers, H. (1992), ‘Granger-causality in cointegrated var processes the case of the term structure’, Economics Letters 40, 263–268. MacKinnon, J. G., Haug, A. A. & Michelis, L. (1990), ‘Numerical distribution functions of likelihood ratio tests for cointegration’, Journal of Applied Econometrics 14, 563–577. Maddala, G. S. & Kim, I. (1998), Unit Roots, Cointegration, and Structural Change, Cambridge University Pres, Cambridge. McCabe, B., Leybourne, S. & Harris, D. (2006), ‘A residual-based test for stochastic cointegration’, Econometric Theory 22(03), 429–456. Newey, W. K. & West, K. D. (1987), ‘A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix’, Econometrica 55(3), 703– 708. Park, J. Y. & Phillips, P. C. B. (1988), ‘Statistical inference in regressions with integrated processes: Part 1’, Econometric Theory 4(3), 468–497. Park, J. Y. & Phillips, P. C. B. (1989), ‘Statistical inference in regressions with integrated processes: Part 2’, Econometric Theory 5(1), 95–131. Perron, P. (1986), Tests of joint hypotheses for time series regression with a unit root, Cahier de recherche no. 2086, (C.R.D.E., University of Montreal, Montreal). Pesaran, M. H. & Shin, Y. (1995), An Autoregressive Distributed Lag Modelling Approach to Cointegration Analysis, Cambridge Working Papers in Economics, University of Cambridge. Phillips, P. C. B. (1986), ‘Understanding spurious regressions in econometrics’, Journal of Econometrics 33, 311–340.
LITERATURA
79
Phillips, P. C. B. (1987a), ‘Asymptotic expansions in nonstationary vector autoregressions’, Econometric Theory 3(1), 45–68. Phillips, P. C. B. (1987b), ‘Time series regression with a unit root’, Econometrica 55, 277–301. Phillips, P. C. B. (1991), ‘Optimal inference in cointegrated systems’, Econometrica 59(2), 283–306. Phillips, P. C. B. & Ouliaris, S. (1990), ‘Asymptotic properties of residual based tests for cointegration’, Econometrica 58(1), 165–193. Phillips, P. C. B. & Perron, P. (1988), ‘Testing for a unit root in time series regression’, Biometrika 75, 335–346. Pr´aˇskov´a, Z. (2004), Z´aklady n´ahodn´ych proces˚ u II., Karolinum, Praha. Quantitative Micro Software (2005), EViews 5.1 User’s Guide. Said, S. E. & Dickey, D. A. (1984), ‘Testing for unit roots in autoregressive-moving average models of unknown order’, Biometrika 71(3), 599–607. Sargan, J. D. & Bhargava, A. (1983), ‘Testing residuals from least squares regression for being generated by the gaussian random walk’, Econometrica 51(1), 153–174. Stock, J. H. (1987), ‘Asymptotic properties of least squares estimators of cointegrating vectors’, Econometrica 55(5), 1035–1056. Stock, J. H. & Watson, M. W. (1988), ‘Testing for common trends’, Journal of the American Statistical Association 83(404), 1097–1107.