Kointegration (Update 28.4.09)
Transcrição
Kointegration (Update 28.4.09)
6 6.1 Nichtstationarität und Kointegration Kapitelübersicht, Problematik Die Analyse nichtstationärer Zeitreihen wird folgende Gesichtspunkte anschneiden: • Definition von Nichtstationarität, von integrierten Zeitreihen. • Testen auf Nichstationarität – sog. unit root test (Einheitswurzeltest) • Modellierung von nichtstationären Zeitreihen, Eingleichungsund Mehrgleichungssysteme • Weiterführung: Multivariate Kointegrationsanalyse (Johansen-test) Angewandte Ökonometrie, Sylvia Kaufmann, FS09 104 Die Schätzung der bisherigen multivariaten Modelle basierte auf der Annahme stationärer Zeitreihenprozesse. Diese Annahme ist wesentlich für die Konsistenz der Schätzungen und die Gültigkeit statistischer Tests und deren Verteilungen (wie z.B. t- und F -Tests). Falls nichtstationäre Zeitreihen vorliegen, sind die üblichen Teststatistiken verzerrt. Die Regressionsresultate sind oftmals irreführend (spurious regression), wenn nicht gar unsinnig. Beispiel: Reales BIP und generierte nichtstationäre Variable (random walk with drift) yt = 0.4 + yt−1 + εt , Angewandte Ökonometrie, Sylvia Kaufmann, FS09 εt ∼ N (0, 1) 105 Abbildung 21: BIP und generierte Reihe 720 720 710 710 700 700 690 690 680 680 670 670 660 1980 660 1985 1990 1995 LCH_GDPR 2000 2005 RW_DRIFT Angewandte Ökonometrie, Sylvia Kaufmann, FS09 106 Abbildung 22: Regression: BIP auf generierte Reihe Dependent Variable: LCH_GDPR_SA Method: Least Squares Date: 04/23/09 Time: 10:34 Sample (adjusted): 1980Q1 2008Q3 Included observations: 115 after adjustments Variable Coefficient Std. Error t-Statistic Prob. RW_DRIFT C 0.935941 49.32625 0.030663 21.07027 30.52359 2.341035 0.0000 0.0210 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.891834 0.890877 4.133104 1930.328 -325.3574 931.6895 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 692.3590 12.51174 5.693173 5.740911 5.712549 0.076270 Obwohl wir ein hohes R2 und signifikante Koeffizienten haben, ist die Qualität der Schätzung fragwürdig. Die Durbin-Watson Statistik ist sehr klein und Autokorrelation höherer Ordnung ist ebenfalls vorhanden. Solche Resultate müssen mistrauisch machen. Angewandte Ökonometrie, Sylvia Kaufmann, FS09 107 6.2 6.2.1 Nichtstationarität – Integrierte Zeitreihen Definition Schwache Stationarität liegt vor, wenn Erwartungswert, Varianz und Autokovarianz einer Zeitreihe über die Zeit konstant (unabhängig von t) sind: E{yt } = c V {yt } = c E{yt yt−j } = c, nur abhängig von j Streng stationär ist eine Zeitreihe, wenn ihre Verteilungsfunktion unabhängig von t ist F (yt ) = F (y) Angewandte Ökonometrie, Sylvia Kaufmann, FS09 108 Für den Zeitreihenprozess yt = δ + θyt−1 + εt , |θ| < 1 erhalten wir ¢ ¡ yt = δ + θyt−1 + εt εt ∼ N 0, σ 2 yt = ∞ X j θ δ+ j=0 E{yt } = V {yt } = ∞ X θj εt−j j=0 −1 (1 − θ) δ ¡ ¢−1 2 1 − θ2 σ Beide Momente sind unabhängig von t, daher ist die Zeitreihe stationär. Angewandte Ökonometrie, Sylvia Kaufmann, FS09 109 Wenn θ = 1 erhalten wir allerdings: yt yt = δ + yt−1 + εt = T X δ+ j=0 yt = T X εt−j + yt−T −1 j=0 (T + 1)δ + T X εt−j + yt−T −1 j=0 E{yt|t−T −1 } = (T + 1)δ + yt−T −1 V {yt|t−T −1 } = (T + 1)σ 2 Die Zeitreihe yt kann gegen +/ − ∞ divergieren, die Varianz steigt ebenfalls mit zunehmenden Zeithorizont. Der bedingte Erwartungswert ist E{yt |yt−1 } = E{yt|t−1 } = δ + yt−1 . Die beste Prognose der Zeitreihe ist also gerade ihr aktuelles Niveau + das Durchschnittswachstum. Angewandte Ökonometrie, Sylvia Kaufmann, FS09 6.2.2 110 Nichtsationäre Prozesse Random walk ohne Drift: yt yt = yt−1 + εt = T X ¢ ¡ εt ∼ N 0, σ 2 εt−j + yt−T −1 j=0 E{yt|t−T −1 } = yt−T −1 V {yt|t−T −1 } = (T + 1)σ 2 Random walk mit Drift (siehe oben) Trendstationärer Prozess: yt = α + δt + εt ¡ ¢ εt ∼ N 0, σ 2 E{yt } = α + δt V {yt } = σ 2 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 111 Abbildung 23: Nichstationäre Reihen mit δ = 0.4, σ 2 = 1 240 200 160 120 80 40 0 -40 50 100 150 200 RW 250 300 RWD 350 400 450 500 TST Angewandte Ökonometrie, Sylvia Kaufmann, FS09 6.2.3 112 Integrationsgrad, Differenzieren, Invertieren Definition: Ein Prozess ist integriert der Ordnung d, I(d) (differenzstationär), wenn seine d-te Differenz einem stationären, invertierbaren ARMA-Prozess folgt, I(0) ist. Beispiel: Random walk ohne drift I(1) mit moving average (MA) Störtermen. Angewandte Ökonometrie, Sylvia Kaufmann, FS09 113 yt = yt − yt−1 = ∆yt = εt + φεt−1 εt = ∆yt − φεt−1 = ∆yt − φ (∆yt−1 − φεt−2 ) = ∆yt − φ∆yt−1 + φ2 ∆yt−2 + · · · + (−φ) = φ∆yt−1 − φ2 ∆yt−2 − · · · − (−φ) ∆yt yt−1 + εt + φεt−1 t−j t−2 t−1 y2 + (−φ) ε1 yt−j − · · · + εt Ein ARMA-Prozess würde zusätzlich verzögerte Werte von ∆yt einbeziehen. Der Prozess für ∆yt ist invertierbar, da er aus der MA-Form in eine (unendliche) AR-Form überführt werden kann, die vom Ausgangspunkt des Prozesses unabhängig ist. Wenn t−j |φ| < 1, dann konvergiert der Term (−φ) εj mit zuhnehmendem j gegen null. Der Prozess ist invertierbar. Angewandte Ökonometrie, Sylvia Kaufmann, FS09 114 Ein trendstationärer Prozess wird durch Differenzieren auch stationär, allerdings ist er nicht mehr invertierbar (man spricht von Überdifferenzierung). Ein I(0)-Prozess ist also nicht unbedingt differenzstationär. yt = α + δt + εt ∆yt = δ + εt − εt−1 εt = ∆yt − δ + εt−1 = ∆yt − δ + (∆yt−1 − δ + εt−2 ) = ∆yt + t−2 X ∆yt−j − δ(t − 1) + ε1 j=1 ∆yt = δ(t − 1) − t−2 X ∆yt−j + εt − ε1 j=1 ∆yt ist kein AR-Prozess, die Terme heben sich auf, es ergibt sich δ + εt − εt−1 . Angewandte Ökonometrie, Sylvia Kaufmann, FS09 115 6.3 6.3.1 Testen der Trendeigenschaften Dickey-Fuller Test (DF-test, 1979) Eine Zeitreihe mit einem Trend kann im Niveau und in Differenzen allgemein dargestellt werden als yt ∆yt = δ + θyt−1 + γt + εt = δ + (θ − 1) yt−1 + γt + εt | {z } =ρ Ein differenzstationärer Prozess impliziert (ρ = 0, γ = 0) gegenüber (ρ < 0, γ 6= 0) für einen trendstationären Prozess. Die Testgleichung berücksichtigt ev. Autokorrelation höherer Ordnung, wir erhalten den erweiterten DF-Test (ADF-test) ∆yt = δ + ρyt−1 + γt + p X ϑj ∆yt−j + εt j=1 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 116 Die Nullhypothese der Nichstationarität (differenzstationäre Zeitreihe) kann gegenüber der Alternativen einer trendstationären Zeitreihe mit einem einseitigen “t”-Test überprüft werden. H0 : ρ = 0, (implizit γ = 0) H1 : ρ < 0, (implizit γ 6= 0) Allerdings ist die Verteilung von ρ keine Standard-t-Verteilung, sie ist linksschief. Die kritischen Werte hängen von der Gleichungsspezifikation ab (mit oder ohne Konstante bzw. Trend, mit oder ohne AR-Terme) und müssen deshalb simuliert werden. Wenn die Teststatistik (der t-Wert für ρ = 0) kleiner als der kritische Wert ist, t <“t”sig.lev wird die Nullhypothese abgelehnt. Angewandte Ökonometrie, Sylvia Kaufmann, FS09 117 Abbildung 24: Reales BIP: ADF-Test Augmented Dickey-Fuller Test Equation Dependent Variable: D(LCH_GDPR_SA) Method: Least Squares Date: 04/23/09 Time: 16:06 Sample (adjusted): 1980Q3 2008Q3 Included observations: 113 after adjustments Null Hypothesis: LCH_GDPR_SA has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on Modified SIC, MAXLAG=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level t-Statistic Prob.* -1.539006 -4.041280 -3.450073 -3.150336 0.8103 *MacKinnon (1996) one-sided p-values. Variable Coefficient Std. Error t-Statistic Prob. LCH_GDPR_SA(-1) D(LCH_GDPR_SA(-1)) C @TREND(1980Q1) -0.029453 0.331260 20.03659 0.010619 0.019138 0.092353 12.84970 0.007139 -1.539006 3.586898 1.559304 1.487463 0.1267 0.0005 0.1218 0.1398 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.114661 0.090294 0.711491 55.17786 -119.8394 4.705583 0.003966 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 0.398015 0.745965 2.191847 2.288392 2.231024 2.097602 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 118 Abbildung 25: Reales BIP-Wachstum: ADF-Test Augmented Dickey-Fuller Test Equation Dependent Variable: D(LCH_GDPR_SA,2) Method: Least Squares Date: 04/23/09 Time: 16:07 Sample (adjusted): 1982Q3 2008Q3 Included observations: 105 after adjustments Null Hypothesis: D(LCH_GDPR_SA) has a unit root Exogenous: Constant Lag Length: 8 (Automatic based on Modified SIC, MAXLAG=12) Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level t-Statistic Prob.* -2.291300 -3.493747 -2.889200 -2.581596 0.1767 *MacKinnon (1996) one-sided p-values. Angewandte Ökonometrie, Sylvia Kaufmann, FS09 Variable Coefficient Std. Error t-Statistic Prob. D(LCH_GDPR_SA(-1)) D(LCH_GDPR_SA(-1),2) D(LCH_GDPR_SA(-2),2) D(LCH_GDPR_SA(-3),2) D(LCH_GDPR_SA(-4),2) D(LCH_GDPR_SA(-5),2) D(LCH_GDPR_SA(-6),2) D(LCH_GDPR_SA(-7),2) D(LCH_GDPR_SA(-8),2) C -0.389790 -0.290282 -0.085826 -0.077865 -0.236566 -0.170227 -0.002105 -0.014440 -0.252916 0.157521 0.170117 0.171443 0.170505 0.166858 0.155240 0.143525 0.136452 0.125060 0.099591 0.095884 -2.291300 -1.693171 -0.503367 -0.466654 -1.523873 -1.186046 -0.015426 -0.115465 -2.539531 1.642821 0.0242 0.0937 0.6159 0.6418 0.1309 0.2386 0.9877 0.9083 0.0127 0.1037 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.421279 0.366453 0.684861 44.55831 -103.9876 7.683912 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -0.012695 0.860425 2.171192 2.423950 2.273614 1.801017 119 6.3.2 Weitere Tests Der ADF-Test hat im allgemeinen eine schlechte Güte. In Grenzfällen (wenn θ nahe bei 1 ist) lehnt er die Nullhypothese zu selten ab. Phillips-Perron-Test (1988): Dieser Test wird auch nicht-parametrischer Dickey-Fuller Test genannt. Ähnlich wie bei der Newey-West HAC-robusten Schätzung der Kovarianzmatrix der Parameter, wird der potentiellen Autokorrelation in den Residuen der Original-DF Gleichung über eine Korrektur der Parameterkovarianzmatrix Rechnung getragen. Kwiatkowski, Phillips, Schmidt und Shin, KPSS-Test (1992): Die Nullhypothese bei diesem (LM -)Test ist die Trendstationarität, die Alternative die Differenzstationarität. Idee des Tests: die Zeitreihe wird in eine deterministische Trendkomponente, eine random walk Komponente und in eine stationäre stochastische Angewandte Ökonometrie, Sylvia Kaufmann, FS09 120 Komponente zerlegt. Die Nullhypothese gibt der Varianz der random walk Komponente null Gewicht. Er ist recht einfach zu implementieren. Die Zeitreihe yt wird auf eine Konstante und einen deterministischen Trend regressiert. Mit den OLS-Residuen et werden für alle t die partiellen Summen Pt St = s=1 es gebildet. Die Teststatistik lautet KP SS = T −2 T X St2 /σ̂ 2 t=1 wobei für σ̂ 2 eine HAC-robuste Schätzung eingesetzt wird. Mit Trend ist der kritische Wert auf einem 5% Signifikanzniveau 0.146, ohne Trend beträgt er 0.463. Wenn KP SS kleiner als diese Werte ist, wird die Nullhypothese nicht abgelehnt und die Zeitreihe ist trendstationär. Angewandte Ökonometrie, Sylvia Kaufmann, FS09 121 Abbildung 26: Reales BIP-Wachstum: Phillips-Perron-Test Phillips-Perron Test Equation Dependent Variable: D(LCH_GDPR_SA,2) Method: Least Squares Date: 04/23/09 Time: 16:07 Sample (adjusted): 1980Q3 2008Q3 Included observations: 113 after adjustments Null Hypothesis: D(LCH_GDPR_SA) has a unit root Exogenous: Constant Bandwidth: 4 (Newey-West using Bartlett kernel) Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level Adj. t-Stat Prob.* -7.718158 -3.489117 -2.887190 -2.580525 0.0000 *MacKinnon (1996) one-sided p-values. Residual variance (no correction) HAC corrected variance (Bartlett kernel) 0.498920 0.582567 Variable Coefficient Std. Error t-Statistic Prob. D(LCH_GDPR_SA(-1)) C -0.686108 0.267514 0.091740 0.077133 -7.478809 3.468206 0.0000 0.0007 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.335061 0.329070 0.712678 56.37797 -121.0551 55.93258 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat -0.017737 0.870071 2.177966 2.226238 2.197554 2.069425 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 122 Abbildung 27: Reales BIP-Wachstum: KPSS-Test Null Hypothesis: D(LCH_GDPR_SA) is stationary Exogenous: Constant Bandwidth: 6 (Newey-West using Bartlett kernel) LM-Stat. Kwiatkowski-Phillips-Schmidt-Shin test statistic Asymptotic critical values*: 1% level 5% level 10% level 0.103994 0.739000 0.463000 0.347000 *Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1) Residual variance (no correction) HAC corrected variance (Bartlett kernel) 0.549037 1.218049 Angewandte Ökonometrie, Sylvia Kaufmann, FS09 KPSS Test Equation Dependent Variable: D(LCH_GDPR_SA) Method: Least Squares Date: 04/23/09 Time: 16:08 Sample (adjusted): 1980Q2 2008Q3 Included observations: 114 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C 0.402561 0.069705 5.775239 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.000000 0.000000 0.744242 62.59019 -127.5824 1.355200 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. 0.402561 0.744242 2.255831 2.279833 2.265572 123