BADANIE STOPNIA INTEGRACJI
Wykres szeregu czasowego
Miedźprawywykres szeregu czasowego
Test ADF
$$Y_{t} = \delta Y_{t - 1} + \sum_{i = 1}^{k}{\alpha_{i}Y_{t - 1}} + \varepsilon_{t}$$
H0: δ=0 Y(t) ∼1 Proces niestacjonarny, zintegrowany co najmniej rzędu 1.
H1: δ<0 Y(t) ∼ 0 Proces stacjonarny.
Miedź zmienna testy pierwiastka jednostkowegotest ADFopóźnienie: 0, test z wyrazem wolnym, z wyrazem wolnym i trendem liniowym, pokaż detale regresji, wykorzystaj poziomy zmiennej ok.
Decyzja weryfikacyjna:
p < p-value = 0,05 odrzucamy H0 na korzyść alternatywnej, możemy sądzić, że proces jest stacjonarny, tj. zintegrowany rzędu 0. Koniec.
p > p-value = 0,05 brak podstaw do odrzucenia H0, możemy sądzić, że proces yt jest zintegrowany co najmniej rzędu 1. Dalej badamy
Badanie wyższego stopnia integracji
H0: δ=0 Y(t) ∼2 Proces niestacjonarny, zintegrowany co najmniej rzędu 2.
H1: δ<0 Y(t) ∼ 1 Proces zintegrowany rzędu 1.
Miedźdodawanie zmiennychpierwsze różnice dla wybranych zmiennych
D_miedź zmienna testy pierwiastka jednostkowegotest ADFopóźnienie: 0, test z wyrazem wolnym, z wyrazem wolnym i trendem liniowym, pokaż detale regresji, wykorzystaj poziomy zmiennej ok.
p < p- value = 0,05 odrzucamy H0 na korzyść H1, możemy sądzić, że proces yt jest zintegrowany rzędu 1. Procedura się kończy.
p > p-value = 0.05 brak podstaw do odrzucenia H0, możemy sądzić, że proces yt jest zintegrowany co najmniej rzędu 2.
Badanie wyższego stopnia integracji
H0: δ=0 Y(t) ∼3 Proces niestacjonarny, zintegrowany co najmniej rzędu 3.
H1: δ<0 Y(t) ∼ 2 Proces zintegrowany rzędu 2.
KOINTEGRACJA
Wykres szeregu czasowego dla wszystkich zmiennych
Zaznaczasz 2 zmienne prawywykres szeregu czasowego
Równanie kointegrujące
Yt = α0 + α1Xt + εt
Model-KMNKzmienna zależna: KGHM, zmienne objaśniające, miedźok.
Interpretacja podstawowych parametrów:
α_1= 0,276948 W długim okresie wzrost stopy miedzi o jeden punkt procentowy powoduje wzrost stopy zwrotu KGHM o 0,276948 punktu procentowego.
R^2=90% - w 90% całkowita zmienność zmiennej objaśnianej (KGHM) została wyjaśniona przez zmienne objasniające(MIEDŹ).
γ^2=10% - w 10% całkowita zmienność zmiennej objaśnianej (KGHM) nie została wyjaśniona przez zmienność zmiennych objaśniających (MIEDŹ), ma charakter losowy.
Błąd standardowy reszt 2,665577→ odchylenie wartości empirycznych zmiennej KGHM od wartości teoretycznych wynosi średnio +/- 2,665577.
Wyznaczanie reszt modelu ko integrującego
Gretl:
Model kointegrującyzapiszresztyok.
Korelogram reszt
Reszty uhat_1 prawykorelogramok.
Testowanie kointegracji reszt
Test ADF
H0: δ=0 E(t) ∼1 Proces niestacjonarny, zintegrowany co najmniej rzędu 1.
H1: δ<0 E(t) ∼ 0 Proces stacjonarny.
Gretl:
Reszty uhat_1 zmienna testy pierwiastka jednostkowegotest ADFopóźnienie: 0, test z wyrazem wolnym, z wyrazem wolnym i trendem liniowym, pokaż detale regresji, wykorzystaj poziomy zmiennej ok.
P < p-value = 0,05 odrzucamy H0 na korzyść H1, możemy sądzić, że proces yt jest zintegrowany rzędu 0. Proces stacjonarny. Procedura się kończy.
P > p-value = 0,05 brak podstaw do odrzucenia H0, możemy sądzić że proces jest zintegrowany co najmniej rzędu 1. Badamy dalej.
Test Engla
Model→model szeregów czasowych→test kointegracji→test Engle’a Grangera
Ważne opóźnienie( z ko integracji) i kolejność zmiennych: najpierw y potem x
Kointegracja występuje, jeżeli każdy wykorzystywany proces jest I(1), tzn. hipoteza zerowa o pierwiastku jednostkowym nie jest odrzucana oraz proces resztowy (uhat) z równania ko integrującego nie jest zintegrowany I(0) , tzn. hipoteza zerowa o pierwiastku zerowym jest odrzucana.
Zmienne MIEDŹ i KGHM są zintegrowane rzędu 1, a reszty są zintegrowane rzędu 0, czyli procesy są skointegrowane.
MODEL KOREKTY BŁĘDEM
Model kointgrujący równanie długookresowe
Yt = α0 + α1Xt + εt
Model-KMNKzmienna zależna: KGHM, zmienne objaśniające, miedźok.
Wyznaczanie reszt modelu ko integrującego
Gretl:
Model kointegrującyzapiszresztyok.
Model krótkookresowy oparty na przyrostach zmiennych
Yt = β0 + βtXt + γUt − 1 + εt
Model-KMNKzmienna zależna: d_KGHM, zmienne objaśniające,d_ miedź, reszty opóźnione o 1ok.
Korelogram
Model długookresowywykresykorelogram
Dodajemy opóźnienia do modelu
Test pominiętych zmiennych – metoda aposteriori
Interpretacja modelu:
β0=0,00571310 wyraz wolny został oszacowany ze średnim błędem +/- 0,00571310
β1=0,0467729 wzrost d_miedź o 1pp powoduje wzrost d_kghm średnio o 0,0467729pp, ceteris Paribas
β2=0,0786695 wzrost d_miedź_1 o 1pp powoduje wzrost d_kghm średnio o 0,0786695 pp, ceteris Paribas
β3=-0,0172210 wzrost d_miedź_4 o 1pp powoduje spadek d_kghm średnio o 0,0172210pp, ceteris Paribas
γ =-0,0144 - 1,44% nierównowagi od długookresowej ściezki jest korygowane w kazdym miesiącu,
β4=0,106456 inercyjny przyrost d_kghm w stosunku do okresu sprzed 5 miesiący o 0,106456 pp
Prognoza – dodaję obserwację do d_miedź
Błędy ex ante
Vt=0,5 – w okresie prognozowanym rzeczywiste wartości zmiennej prognozowanej będą się róznić od wartości prognoz średnio o +/-0,5
Vt*=(Vt/prognoza)*100% = 368,022% - prognoza niedopuszczalna
Z prawdopodobieństwem 0,95 możemy sądzić że nieznana wartość zmiennej prognozowanej mieści się w przedziale w okresie 2005/01/17 w przedziale od -0,843055 do 1,11395
MODEL VAR
Badamy rząd zintegrowania zmiennych
Badamy rząd opóźnień modelu VAR – na przyrostach zmiennej
Jeżeli zmienne są zintegrowane rzędu 1, to aby zbudować model VAR należy pozbyć się niestacjonarnych zmiennych poprzez wykorzystanie pierwszych różnic badanych zmiennych. Wówczas otrzymujemy zmienne zintegrowane rzędu 0. W przypadku zintegrowania 2 rzędu wykorzystujemy drugie różnice
Model model szeregów czasowych wybór rzędu opóźnienia dla modelu VAR endogeniczne – d_miedx, d_KGHM ok.
Wnioskowanie na podstawie BIC – minimalna wartość kryterium Schwartzca osiągana jest dla modelu VAR(1)
Model VAR
Model model szeregów czasowych model wektorowej autoregresji VAR endogeniczne – d_miedx, d_KGHM , opóźnienie: takie jak wyszło w BIC ok.
Hipotezy modelowe równań:
ΔMIEDZ = α0 + α1ΔMIEDZ − 1 + α2ΔKGHM − 1 + εt
$$\Delta\hat{MIEDZ} = 0,109 - 0,045\Delta MIEDZ - 1 + 0,074\Delta KGHM - 1$$
ΔKGHM = β0 + β1ΔMIEDZ − 1 + β2ΔKGHM − 1 + ηt
$$\Delta\hat{\text{KGHM}} = 0,013 + 0,078\Delta MIEDZ - 1 - 0,039\Delta KGHM - 1$$
Badamy korelogram procesu resztowego, powinien być białym szumem
Model VARzapiszreszty z modelu 1, reszty z modelu 2ok.
Resztykorelagram
Prognoza
Błędy ex ante
Vt=1,75 – w okresie prognozowanym rzeczywiste wartości zmiennej prognozowanej będą się róznić od wartości prognoz średnio o +/-1,75
Vt*=(Vt/prognoza)*100% = (1,75/0,1)*100% = 1765% - prognoza niedopuszczalna
Z prawdopodobieństwem 0,95 możemy sądzić że nieznana wartość zmiennej prognozowanej mieści się w przedziale w okresie 2005/01/17 w przedziale od -3,33152 do 3,52959
PRZYCZYNOWOŚĆ VAR
ΔXt = KGHM
ΔYt = MIEDZ
ΔXt jako przyczyna ΔYt
Model 1 – opóźniony w zależności od opóźnienia modelu VAR (pkt. 4.2)
ΔYt = αΔYt − 1 + εt
εt−składnik losowy modelu ΔYt, objaśnianego przez opóźnione wartość Δyt
Wyznaczamy błąd standardowy reszt
Model 2
ΔYt = αΔYt − 1 + βΔXt − 1 + ηt
ηt − składnik losowy modelu ΔYt objasniany przez opóźnienia Δyt i ΔXT
Wyznaczamy błąd standardowy reszt
Test Grangera
Ho s2(et) = s2(ht) ΔXt nie jest przyczyną ΔYt
H1 s2(et) ¹≠s2(ht) ΔXt jest przyczyną ΔYt
G=$\frac{\mathbf{T}\mathbf{*}\mathbf{\lbrack}\mathbf{S}^{\mathbf{2}}\left( \mathbf{\text{et}} \right)\mathbf{-}\mathbf{S}^{\mathbf{2}}\left( \mathbf{\text{nt}} \right)\mathbf{\rbrack}}{\mathbf{S}^{\mathbf{2}}\mathbf{(}\mathbf{\text{et}}\mathbf{)}}$= -0,53625862
Wartość krytyczna:
Narzędzia tablice statystycznechi kw df: 1 ( to opóźnienie modelu VAR), prawdopodobieństwo 0,05
G<chi kw brak podstaw do odrzucenia hipotezy zerowej, czyli ΔXt nie jest przyczyną ΔYt
G>chi kw odrzucamy H0 na korzyść alternatywnej, czyli ΔXt jest przyczyną ΔYt
ΔYt jako przyczyna ΔXt
Model 1
ΔXt = αΔXt − 1 + εt
εt− składnik losowy modelu ΔXt, objaśnianego przez opóźnione wartość ΔXT
Model 2
ΔXt = αΔXt − 1 + βΔYt − 1 + ηt
ηt − składnik losowy modelu ΔXt objasniany przez opóźnienia Δyt i ΔXT
H0: s2(et) = s2(ht) ΔYt nie jest przyczyną ΔXt
H1: s2(et) ≠ s2(ht) ΔYt jest przyczyną ΔXt
G=$\frac{\mathbf{T}\mathbf{*}\mathbf{\lbrack}\mathbf{S}^{\mathbf{2}}\left( \mathbf{\text{et}} \right)\mathbf{-}\mathbf{S}^{\mathbf{2}}\left( \mathbf{\text{nt}} \right)\mathbf{\rbrack}}{\mathbf{S}^{\mathbf{2}}\mathbf{(}\mathbf{\text{et}}\mathbf{)}}$= 51,69954712
G>chi^2 – odrzucamy hipotezę zerową na korzyść alternatywnej, czyli ΔYt jest przyczyną ΔXt
G<chi kw brak podstaw do odrzucenia hipotezy zerowej, czyli ΔYt nie jest przyczyną ΔXt
EGZOGENICZNOŚĆ VAR
ΔXt = KGHM
ΔYt = MIEDZ
Egzogeniczność Δxt względem Δyt
H0=E(v,a)=0 Δxt względem Δyt jest słabo egzogeniczne
H1=E(v,a))≠0 Δxt względem Δyt nie jest słabo egzogeniczne
Model: Δxt= const+Δxt_1+Δyt_1 KMNKzapisz reszty uhat
Model 2: Δyt=const+reszty+Δxt+Δyt_1
Badamy istotność reszt:
Istotne występuje egzogeniczność
Nieistotnesłaba egzogeniczność, Nie występuje tu silna egzogeniczność.
Egzogeniczność Δyt względem ΔXT
H0=E(v,a)=0 Δyt względem Δxt jest słabo egzogeniczne
H1=E(v,a))≠0 Δyt względem Δxt nie jest słabo egzogeniczne
Model: Δyt= const+Δxt_1+Δyt_1 KMNKzapisz reszty
Model 2: Δxt=const+reszty+Δyt+Δxt_1
Badamy istotność reszt:
Istotne występuje egzogeniczność
Nieistotnesłaba egzogeniczność, Nie występuje tu silna egzogeniczność.
ODPOWIEDŹ NA IMPULS
Model VARwykresyodpowiedź na impuls zbiorczy
D_MIEDŹ – D_KGHM
Wpływ impulsu ze strony d_MIEDŹ w okresie t na d_kghm powoduje krótkookresowy wzrost d_kghm do poziomu 0,14 w okresie t=2. Następnie nastepuje gwałtowny spadek poniżej zera w okresie t=3. Następuje wzrost w następnym okresie i w okresie od t=4 utrzymuje zerową wartość.