Эконометрика: Введение в регрессионный анализ временных рядов. Носко В.П. - 96 стр.

UptoLike

ВУЗ: 

МФТИ | Москва

Составители: 

Рубрика: 

-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
10 20 30 40 50 60 70 80 90 100
DELTA
говорящий в пользу стационарности ряда ∆y
t
.
В результате оценивания получаем:
Dependent Variable: D(Y)
Variable Coefficient Std. Error t-Statistic Prob.
C -0.004915 0.010297 -0.477336 0.6342
X 0.185224 0.020163 9.186333 0.0000
X(-1) -0.179782 0.020163 -8.916410 0.0000
Здесь мы, конечно, обращаем внимание на статистическую незначимость константы, а также
на то, что оцененные коэффициенты при переменных x
t
и x
t – 1
близки по абсолютной
величине и противоположны по знаку. В связи с этим, мы в рамках статистической модели
∆y
t
= µ + β
0
x
t
+ β
1
x
t – 1
+ ε
t
проверяем гипотезу H
0
: µ = 0, β
0
= – β
1
. Используя F-распределение для F-статистики и
распределение хи-квадрат χ
2
(2) для статистики qF = 2F , получаем в обоих случаях P-
значение 0.876. Гипотеза H
0
не отвергается, и можно перейти к оцениванию модели с
такими ограничениями, т.е. модели ∆y
t
= β
0
∆x
t
+ ε
t
. Оцененная модель с ограничениями:
Dependent Variable: D(Y)
Variable Coefficient Std. Error t-Statistic Prob.
D(X) 0.182495 0.015882 11.49045 0.0000
P-значение критерия Бройша – Годфри при AR(1) альтернативе равно 0.328, а при AR(2)
альтернативе равно 0.605; гипотеза некоррелированности случайных величин ε
t
не
отвергается. Критерий Jarque – Bera не обнаруживает значимых отклонений от нормальности
(P-значение = 0.673). Критерий Уайта не обнаруживает гетероскедастичности (P-значение =
0.988). Таким образом, и в этом случае мы вышли в результате тестирования на
статистическую модель, имеющую ту же спецификацию, что и DGP.
DGP
5
Модель распределенных запаздываний
y
t
= µ + 0.2 x
t
+ 0.3 x
t – 1
+ ε
t
.
Оцененная модель 
 0.6


 0.4


 0.2


 0.0


-0.2


-0.4


-0.6
        10   20   30   40   50   60    70   80   90     100

                            DELTA

говорящий в пользу стационарности ряда ∆yt .
В результате оценивания получаем:
Dependent Variable: D(Y)
Variable             Coefficient Std. Error           t-Statistic   Prob.
C                      -0.004915 0.010297             -0.477336     0.6342
X                      0.185224 0.020163              9.186333      0.0000
X(-1)                  -0.179782 0.020163             -8.916410     0.0000
Здесь мы, конечно, обращаем внимание на статистическую незначимость константы, а также
на то, что оцененные коэффициенты при переменных xt и x t – 1 близки по абсолютной
величине и противоположны по знаку. В связи с этим, мы в рамках статистической модели
 ∆yt = µ + β0 xt + β1 x t – 1 + εt
проверяем гипотезу H0: µ = 0, β0 = – β1. Используя F-распределение для F-статистики и
распределение хи-квадрат χ2(2) для статистики qF = 2F , получаем в обоих случаях P-
значение 0.876. Гипотеза H0 не отвергается, и можно перейти к оцениванию модели с
такими ограничениями, т.е. модели ∆yt = β0 ∆xt + εt . Оцененная модель с ограничениями:
Dependent Variable: D(Y)
Variable             Coefficient Std. Error           t-Statistic   Prob.
D(X)                   0.182495       0.015882        11.49045      0.0000
P-значение критерия Бройша – Годфри при AR(1) альтернативе равно 0.328, а при AR(2)
альтернативе равно 0.605; гипотеза некоррелированности случайных величин εt не
отвергается. Критерий Jarque – Bera не обнаруживает значимых отклонений от нормальности
(P-значение = 0.673). Критерий Уайта не обнаруживает гетероскедастичности (P-значение =
0.988). Таким образом, и в этом случае мы вышли в результате тестирования на
статистическую модель, имеющую ту же спецификацию, что и DGP.

   DGP5 Модель распределенных запаздываний
   yt = µ + 0.2 xt + 0.3 xt – 1 + εt .
Оцененная модель

Страницы