授課內容: 政治大學財政所與東亞所選修 課程名稱:應用計量分析 授課老師:黃智聰
Download
Report
Transcript 授課內容: 政治大學財政所與東亞所選修 課程名稱:應用計量分析 授課老師:黃智聰
政治大學財政所與東亞所選修
課程名稱:應用計量分析--中國財政研究
授課老師:黃智聰
授課內容:
時間序列模型之應用
參考書目:Hill, C. R., W. E. Griffiths, and G. G. Judge, (2009),
Undergraduate Econometrics. New York: John Wiley & Sons
日期:2014年5月12日
1
大綱
時間序列模型之平穩性 (stationarity)
常用之判定方法:單根檢定
Augmented Dickey-Fuller test
Philips-Perron test
多變量時間序列模型
向量自我迴歸模型 (VAR)
共整合模型 (Cointegration)
向量誤差修正模型 (VECM)
自我迴歸分布落後期模型 (ARDL)
2
時間序列資料之平穩性(stationarity)
若 et 為一圍繞在零附近的一個隨機變數,變異數為固定,
且具有本期的資料與前期資料無關的特性,也就是 E(εt,
εs)=0 (t≠s) ,這樣的數列,我們一般將它稱為白噪音
(white noise)。
et-1
-et
3
3
2
2
1
1
0
0
-1
-1
-2
-2
-3
-3
25
50
75
100
125
150
175
200
-3
t
-2
-1
0
1
2
3
et
3
時間序列資料之平穩性(stationarity)
任一時間序列模型均可由一組獨立同分配(iid)的白噪音
{et}t=1,2,…,∞以線性組合而成
iid
yt 0et 1et 1 2et 2
e t ~ N (0, 2 )
則 yt 的變異數γ0 = Var(yt) = E(yt,yt)
E( y,
t yt ) E 0 et 1et 1 2 et 2 , 0 et 1et 1 2 et 2
02 2 12 2 22 2
2 02 12 22
若當 0 1 2 i
i 0
的時間序列
2
2
2
2
時,則yt 即為一平穩
4
時間序列資料之平穩性(stationarity)
y t e t 0.7e t 1 0.7 2 e t 2 0.7 3 e t 3
5
穩定
4
yt yt 1 et
3
2
8
1
0
不穩定
4
-1
-2
0
-3
25
50
75
100
125
150
175
200
-4
-8
-12
25
50
75
100
125
150
175
200
5
時間序列資料之平穩性(stationarity)
若 yt yt 1 et
令 y0 e0
則 y1 y0 e1 e0 e1
y2 y1 e2 e0 e1 e2
y3 y2 e3 e0 e1 e2 e3
yt yt 1 et e0 e1 et
Var( yt ) 2 2 2 t 2
當 t→∞ 時, Var( yt ) →∞
不平穩的時間序列
6
如何檢定時間序列資料之平穩性?
單根檢定 unit roots test
yt 0 0 yt 1 t
yt yt 1 0 0 yt 1 yt 1 t
yt 0 ( 0 1 ) yt 1 t
yt 0 yt 1 t
(令 γ = β0-1)
若β0=1γ=0,代表時間序列具有單根,亦即為非
穩定數列,因此只需估計最後一式迴歸式,並檢定
γ=0?即可,虛無假設為 H0:γ=0 (有單根,亦即
數列不穩定)
7
如何檢定時間序列資料之平穩性?
實務上,有時需考慮Δyt有無漂移項,或有無時間
趨勢,另外,Δyt 亦有可能存在自我相關,因此檢
定式考慮如下:
yt 0 2t yt 1 i yt i t
i 1
8
不同的單根數列
16
3
e
2
yt- = yt-1 + et
12
1
8
0
4
-1
0
-2
White noise
-3
25
50
75
100
50
125
150
-4
175
200
25
yt =0.2+yt-1 + et
50
75
1000
40
100
125
150
175
200
yt =0.2+0.05t+ yt-1 + et
800
30
600
20
400
10
200
0
0
-10
25
50
75
100
125
150
175
200
25
50
75
100
125
150
175
200
9
單根檢定之步驟
估計yt 0 2t yt 1 i yt i t
i 1
No
γ=0 ?
沒有單根,穩定
Yes
估計yt 0 yt 1 i yt i t
Yes
i 1
No
α2=0 ?
No
i 1
No
α0=0 ?
γ=0 ?
有單根,不穩定
沒有單根,穩定
Yes
Yes
Yes
No
γ=0 ?
估計yt yt 1 i yt i t
γ=0 ?
No
γ=0 ?
Yes
有單根,不穩定
No
沒有單根,穩定
Yes
有單根,不穩定
Enders (2004), Applied Econometric Time Series 2nd,p.213.
10
單根檢定實例
消費者物價指數 (CPI) (taiwan_var_data.wf1)
1981M01~2007M06
110
CPI
100
90
80
70
60
82 84 86 88 90 92 94 96 98 00 02 04 06
11
單根檢定操作步驟—以ADF test 為例
步驟1:在Eviews指令列中輸入
uroot cpi
在 test type中選擇ADF test
Test for Unit root in選擇 「Level」,代表檢
定未差分的數列。
Include in test equation選擇
「Trend & intercept」,代表先估計包含漂移
項及趨勢項的檢定式。
12
單根檢定操作步驟—以ADF test 為例
「Lag length」中選擇「Schwarz Info.
Criterion」代表以SIC做為選擇最適落後期數的
準則。Maximum lags輸入16,代表最大測試落
後期。(Eviews 4.0 版以上,在執行 uroot test
時,系統會自動為使用者測試最佳落後期數。)
13
單根檢定操作步驟—以ADF test 為例
右側的估計結果可發現第
一階段的檢定結果為不拒
絕虛無假設,因此代表可
能有單根。
檢查估計方程式中是否應
有趨勢項。由估計結果下
方可以發現@TREND的估
計結果為不顯著,因此在
估計方程式中不應有趨勢
項。
14
單根檢定操作步驟—以ADF test 為例
步驟2:
點選估計結果視窗的「View」「Unit Root
Test」,在設定視窗中,將Include in test
equation選擇「Intercept」,點選「OK」。
15
單根檢定操作步驟—以ADF test 為例
從估計結果發現單根檢定結
果仍為不拒絕虛無假設,代
表仍然可能存在單根。
檢定估計方程式中是否應包
含漂移項,由估計結果下方
可以發現,漂移項項係數不
顯著,表示估計方程式中不
應有漂移項。
16
單根檢定操作步驟—以ADF test 為例
步驟3:
點選估計結果視窗的「View」「Unit Root
Test」,在設定視窗中,將Include in test
equation選擇「None」,點選「OK」。
17
單根檢定操作步驟—以ADF test 為例
檢查估計式之檢定結果,
仍不拒絕虛無假設,則
此時代表CPI數列存在單
根,亦即CPI數列為非
定態數列。
18
如何處理不平穩的時間序列資料?
常用的平穩化方法
差分
CPIt CPIt CPIt 1
取變動率 (物價上漲率)
CPI t CPI t 1
PI t
CPI t
PIt d log( CPIt ) log( CPIt ) log( CPIt 1 )
若變數經過 1 次平穩化後可成為穩態數列,則
稱之為I(1) 數列。
19
平穩化階次
一般總體經濟時間序列資料多為 I(1)變數,亦即經
過一階差分後即可成為穩定數列,欲判定變數的階
次,可在變數差分後再依前述步驟重覆進行uroot
test。
如下所示,CPI數列在經過一階差分後,單根檢定便
拒絕虛無假設,亦即經一階差分後即成定態數列,
因此我們可稱CPI為 I(1) 數列。
20
平穩化階次
21
VAR模型定義
向量自我迴歸模型Vector Autoregressions (VAR)
model
考慮變數為自身落後項以及其他變數落後項的
函數
多變數VAR與單變數AR模型最大的不同處在於,VAR
模型考慮了體系內變數的動態交互行為
假設VAR的落後期數為1期,稱之為 VAR(1)。
以一個三變量的 VAR(1) 為例,
xt c1 11 xt 1 12 yt 1 13z t 1 1t
yt c2 21 xt 1 22 yt 1 23z t 1 2t
zt c3 31 xt 1 32 yt 1 33z t 1 3t
22
向量自迴歸模型重要目的
描繪總體經濟時間序列之動態變化
預測總體經濟時間序列
刻劃總體經濟時間序列之因果結構
總體經濟政策分析
23
VAR模型範例
理論:經濟體系中,政府經常利用短期利率作為
貨幣政策工具之一,透過短期利率的調整來控制
失業率及通貨膨脹率。(taiwan_var_data.wf1)
期間:1981M01~2007M06
變數: 物價上漲率(pi)、失業率(due)
、短期利率(r)
24
VAR模型範例
.04
Inflation Rate
.03
.02
.01
.00
-.01
-.02
-.03
82 84 86 88 90 92 94 96 98 00 02 04 06
1.2
20
Change of Unemployment Rate
Interest Rate
0.8
16
0.4
12
0.0
8
-0.4
4
-0.8
0
82 84 86 88 90 92 94 96 98 00 02 04 06
82 84 86 88 90 92 94 96 98 00 02 04 06
25
VAR模型Eviews操作步驟
步驟1:確認VAR系統中之變數是否均為定態變數
26
VAR模型Eviews操作步驟
步驟2:建立VAR模型
在workfile中,將變數pi、due、r 選取,點右
鍵,選擇「open」「as VAR」
選擇unrestricted VAR,並將落後期數改為 1 1
(1空格1:代表落後期數由第1期至第1期),點
選確定。
27
VAR模型Eviews操作步驟
28
VAR模型Eviews操作步驟
右側為三變量VAR(1)模型估
計結果。
右則三個迴歸式看似為聯立
方程式,但事實上整個VAR
就是近似無關迴歸模型
(seemingly unrelated
regression; SUR),也就是三
個方程式分別用OLS估計,
亦可得到相同的結果。
29
VAR模型Eviews操作步驟
步驟3:記錄不同落後期之下的AIC及SIC,以利
判斷最適落後期數。
由表中數值可以發現,SIC最適落後期數為1,
但AIC最適落後期數為12個月。若依統計最
佳估計而言,應選擇落後1期,但若就經濟觀
點來看,由於貨幣政策施行直到總體經濟產
生反應,中間的遞延日期應該超過1個月,因
此12個月應該是一個合理的貨幣政策遞延長
度。
30
VAR模型Eviews操作步驟
lags
AIC
SIC
1
-4.173
-4.030
2
-4.233
-3.983
3
-4.311
-3.953
4
-4.277
-3.811
5
-4.293
-3.717
6
-4.272
-3.587
7
-4.360
-3.565
8
-4.446
-3.540
9
-4.478
-3.461
10
-4.468
-3.339
11
-4.523
-3.282
12
-4.710*
-3.356
13
-4.681
-3.214
14
-4.709
-3.127
15
-4.688
-2.992
*
31
Granger causality (Granger 因果關係)
檢定Ganger因果關係,考慮以下迴歸式 (以2變
數為例)
xt c1 1 xt 1 2 xt 2 P xt P 1 yt 1 2 yt 2 p yt p t
利用Wald test檢定虛無假設HO:γ1 = γ2 =… =
γp = 0 ,若無法拒絕虛無假設,則代表代表y對
於預測x而言沒有幫助,則我們稱 y 不會
Granger 影響 x。
32
Granger causality 操作步驟
若依先前三變量的VAR(1)為例,從估計結果表的工
具列中選擇「View」「Lag Structure」
「Granger Causality/Block Exogeneity Tests」。
33
Granger causality 操作步驟
從PI式來看
失業率的變動會Granger影響通貨膨脹率。
利率會Granger影響通貨膨脹率。
從DUE式來看
物價上漲率不會Granger影響失業率的變動
利率不會Granger影響失業率的變動。
從R式來看
物價上漲率會Granger影響利率。
失業率的變動會Granger影響利率。
34
Granger causality 操作步驟
從結果來看。短期利率會
影響通貨膨漲率,但通膨
率和利率都不影響失業率
的變動,亦即名目變數對
實質變數沒有影響,說明
了古典二分法。另外,利
率會受到通膨率及失業率
變動的影響,隱含利率是
內生化的貨幣政策,以因
應物通膨率及失業率的變
動。
35
共整合模型Cointegration Model之定義
若數個時間序列變數均為 I(1) 變數,若將這些序列
做某一線性組合後變成一個新序列
xt c yt t
或t xt c yt
如上式,若εt 為一I(0)數列,則稱此三個變數存在共
整合關係。
36
共整合檢定: Engle-Granger 兩階段程序
檢定步驟:
步驟1:估計共整合關係式。 x c y e
t
t
t
步驟2:對 et 做ADF檢定,若 et 為 I(0) 序列,
則代表變數間具有共整合關係。
37
共整合檢定:Engle-Granger 兩階段程序
Engle-Granger兩階段共整合檢定面臨的挑戰
兩階段程序無法處理多個共整合關係的存在
xt c yt et
(其模型假設變數間僅有一個共整合關係)。
兩階段程序可能不具效率性,因為在第一階
段估計共整合關係式時,產生的估計誤差會
被帶到下一階段。
Engle-Granger檢定中的ADF檢定不能使用傳
統ADF統計量的臨界值,其漸近分配由
Phillips & Ouliaris (1990) 推導出。
38
共整合檢定: Johansen程序
Johansen共整合說明
容許同時存在多個共整合關係。
提供兩種不同的檢定方式
Trace test
Max eigenvalue test
兩種不同的檢定方式可能會有不同的檢定結
果,此時Johansen建議採用最大特性根檢定。
Johansen共整合之理論推導請參見陳旭昇
(2007)。
39
共整合檢定: Johansen共整合範例
利率期限結構方程式 (tbill_us1953.wf1)
長期利率是短期利率的平均水準
k
Rk ,t
E( R
t j
i 1
k
)
et
Rk,t為長期利率水準,Rt為短期利率水準,Et(Rt+j)
為在第t期時預期第t+j期的短期利率。令Rt為一
隨機漫步,亦即 Rt = Rt-1 + et,則 Et(Rt+j) = Rt,
利率結構方程式可以重新整理成:
k
Rk ,t
R
i 1
k
t
kRt
et
et Rt et
k
也就是說,長期利率與短期利率之間存在整合關
係。
40
共整合檢定: Johansen程序Eviews步驟
步驟1:將workfile中欲檢定共整合關係的變數標示,
點右鍵,選擇「Open」「as group」。
步驟2:兩變數組合group之後,點選資料視窗之
「view」,選取「cointegration test」。
41
共整合檢定:Johansen程序Eviews步驟
步驟3:在共整合選項設定中,選擇「summary」
列出5種共整合模式的摘要,並在lags intervals輸入
「1 2」,並點選確定。
42
共整合檢定:Johansen程序Eviews步驟
在5種不同的檢定估計式中,AIC及SIC建議選用模
式1或模式2。
5種不同的共整
模式2:intercept
合估計式設定
(no trend) in CE,
no trend in VAR
AIC準則
SIC準則
43
共整合檢定:Johansen程序Eviews步驟
步驟4:若選擇以模式2為檢定方程式的估
計式,重新設定共整合選項設定為模式2,
並得到估計結果。
從跡檢定及最大特性根檢定,都拒絕「沒
有整合向量」的虛無假設,但無法拒絕
「最多只有1個整合向量」的虛無假設,
因此推論此兩變數之間應存在一個共整合
向量。
44
共整合檢定:Johansen程序Eviews步驟
共整合關係式
R10,t 0.74 1.01Rt
45
誤差修正模型Error Correction
model (ECM)
VAR模型中要求序列皆為 I(0)。
若VAR系統中之序列為I(1),且序列間不存在共
整合關係,則可直接將序列穩態化 (差分或取
變動率) 後再放到VAR系統中估計。
xt c1 1i xt i 1i yt i 1t
yt c1 2i xt i 2 i yt i 2t
46
誤差修正模型Error Correction
model (ECM)
若VAR系統中之序列為I(1),且各變數之間存在
共整合關係,則此時若僅估計穩態化後之序列,
則會流失變數之間的長期關係的訊息,因此需
改以VECM模型估計
xt c1 x xt 1 1 yt 1 1i xt i 1i yt i 1t
yt c2 y xt 1 1 yt 1 2i xt i 2i yt i 2t
47
ECM模型
透過Engle & Granger第一階段估計出共整合關
係式
ˆ y e
x ĉ
t
t
t
令
ˆy
ECMt êt xt ĉ
t
Engle & Granger 建議將VECM模式修正為
xt c1 x ECM t 1 1i xt i 1i yt i 1t
yt c2 y ECM t 1 2i xt i 2i yt i 2t
48
ECM模型Eviews操作步驟
選取變數後將變數組成VAR系
統,並在VAR設定中選擇
「Vector Error Correction」,
在cointegration中選擇模式2
(同前例)。
49
ECM模型Eviews操作步驟
誤差修正項的係數
式1的cointEq1係數為負,代
表當長期利率與短期利率脫
離其長期均衡關係時,長期
利率會下跌,以回復長期均
衡,但其效果並不顯著。
式2的cointEq1係數為正,代
表當長期利率與短期利率脫
離其長期均衡關係時,短期
利率會上漲,以回復長期均
衡,且其效果為顯著。
共整合
關係式
50
ECM模型之Granger causality test
檢定步驟如 VAR下之Granger causality test。
從結果中可發現,短期利率的變動不會Granger影響
長期利率,但長期利率的變動會Granger影響短期利
率。
51
共整合模型限制
共整合模型中,要求所有變數階次相同,若階
次不同,則無法產生共整合模型。
解決方案:Toda and Yamamoto (1995)
ARDL模型
若多變量時間序列模型中之變數階次不同,
Toda and Yamamoto (1995) 主張在估計VAR
時,除了原先估計的最適落後期數p之外,另
外再將模型中之落後期數延長dmax期,會使
VAR(p)之參數 Wald test 符合卡方檢定,即
可解決階次不同之多變量時間序列問題。
dmax:為變數中之最大階次 。
52
Toda & Yamamoto共整合模型之
Granger causality test
以一個雙變量的VAR(p)為例,Toda &
Yamamoto共整合模型估計式如下:
xt c1
yt c 2
p d max
i 1
1i
xt i
p d max
i 1
2i
p d max
xt i
i 1
1i
yt i 1t
p d max
i 1
2i
yt i 2 t
p為VAR最適落後期, dmax:為變數中之最大
階數。檢定虛無假設H0:γ11 = γ12 =… = γ1p
= 0 ,若無法拒絕虛無假設,代表y對於預測x
而言沒有幫助,則我們稱 y 不會 Granger 影
響 x。
53
利用Eviews進行T & Y共整合模型之
Granger causality test操作步驟
利用Eviews進行VAR模型的 Granger causality test
時,在估計一個VAR(p+dmax)模型後,若利用
Eviews的VAR系統進行Granger causality檢定,系統
檢定的落後期數包含 p+dmax期。
但在Toda & Yamamoto模型中僅需檢定p期落後期
即可。
解決方案:利用OLS分別估計VAR中的方程式,再針
對估計所得參數進行Wald test。
54
利用Eviews進行T & Y共整合模型之
Granger causality test操作步驟
以前述利率結構方程式為例
步驟1:確定變數之階次。從以下的單根檢定可
以得知長期與短期利率均為I(1)變數,因此
dmax=1
55
利用Eviews進行T & Y共整合模型之
Granger causality test操作步驟
步驟2:評估VAR之最適落後期數。由下表若
以SIC為準則,則VAR系統最適落後期數為3
期,因此p=3
Lags
AIC
SIC
1
0.405
0.447
2
0.184
0.252
3
0.120
0.216*
4
0.101*
0.225
5
0.104
0.256
56
利用Eviews進行T & Y共整合模型之
Granger causality test操作步驟
步驟3:建立VAR(3+1)系統,分別以OLS估
計VAR中的兩個方程式。
4
4
i 1
i 1
R10,t c1 1i R10,t i 1i Rt i 1t
4
4
i 1
i 1
Rt c2 2i R10,t i 2i Rt i 2t
57
利用Eviews進行T & Y共整合模型之
Granger causality test操作步驟
步驟3:進行Wald test。
圖為R10,t式之Wald test,在R10,t式中,需檢定
虛無假設
H0:γ11= γ12= γ13=0,因此在Wald test設定
視窗中輸入c(6)=c(7)=c(8)=0。檢定結果如
圖所示。
58
利用Eviews進行T & Y共整合模型之
Granger causality test操作步驟
59