Dapatkah segala macam kesimpulan dibuat tentang kointegrasi

8

Dapat ditunjukkan bahwa, secara umum, statistik uji kointegrasi A,BB,A. Saya percaya ini benar untuk semua tes kointegrasi, jadi tes khusus yang digunakan, mungkin, tidak relevan.

Namun, saya telah menemukan bahwa dua statistik uji umumnya "dekat": dua statistik uji akan berada pada tingkat kepercayaan yang sama.

Perhatikan bahwa dalam pekerjaan saya metode umum untuk menguji kointegrasi adalah untuk menguji unit root dalam kombinasi linear dari dua seri (seri residu AKA). Secara umum saya akan melakukannya dengan menggunakan tes ADF dan membandingkan statistik uji yang dihasilkan dengan tingkat kepercayaan yang diperlukan untuk menolak hipotesis nol.

Pertanyaan saya:

  1. Adakah hal formal yang bisa dikatakan tentang perbandingan coint(A,B) untuk coint(B,A)?
  2. Apakah ada alasan teknis yang menarik untuk memilih satu orientasi variabel daripada yang lain?
  3. Apakah jawaban untuk 1 atau 2 khusus untuk tes kointegrasi digunakan? Jika demikian, apakah ada sesuatu yang sangat relevan dengan metodologi tes kointegrasi yang saya uraikan di atas?

Terima kasih.

EDIT:

Ini sebuah contoh, seperti yang diminta. Saya menggunakan Python untuk sebagian besar pekerjaan statistik saya.

Contoh kointegrasi 1

Statistik uji ADF untuk kombinasi linier pertama (seri residu AKA) adalah -35.9199966497dan -35.7190914946untuk kombinasi linier kedua.

Jelas ini adalah contoh yang agak ekstrem, tetapi ada banyak lainnya.

Urutan plot dalam grafik:

  1. Seri residual 1
  2. Plot pencar dengan garis paling cocok, (x, y) orientasi.
  3. Seri residual 2
  4. Plot pencar dengan garis paling cocok, (y, x) orientasi.
  5. Grafik dari dua kurva mentah.

Semoga itu beres.

d0rmLife
sumber
1
Apa tes kointegrasi yang Anda maksud? Mereka ada banyak.
Richard Hardy
@ RichardHardy Saya memiliki pengalaman paling banyak dengan ADF, tetapi pemahaman saya adalah bahwa tidak ada tes kointegrasi yang komutatif.
d0rmLife
ADF bukan tes kointegrasi, meskipun merupakan tahap kedua dari tes kointegrasi Engle-Granger. Apakah yang Anda maksud itu?
Richard Hardy
2
Pengalaman saya tentang apa yang tersirat atau tidak tersirat dalam konteks kointegrasi sangat berbeda, dan karena itu eksplisit hanya dapat membantu. Elaborasi Anda masih belum lengkap; ingat bahwa nilai kritis yang digunakan dalam tes ADF umumnya berbeda dari nilai kritis yang digunakan dalam tes Engle-Granger, jika saya tidak salah. Karena itu lebih baik jelaskan. Mengapa ini relevan dengan pertanyaan? Karena Anda mengatakan saya telah menemukan bahwa dua statistik uji umumnya "dekat" tanpa memperjelas statistik uji apa yang Anda bicarakan. Itu sebabnya saya bertanya.
Richard Hardy
2
Bisakah Anda tunjukkan contoh di mana hasilnya berbeda saat bertukar (A, B)?
Glen_b -Reinstate Monica

Jawaban:

3

Untuk dua seri waktu Xt dan Yt untuk dikointegrasi dua kondisi terpenuhi:

  1. Xt dan Yt harus I(1) proses, yaitu ΔXt dan ΔYt harus proses stasioner (dalam arti yang lemah, yaitu stasioner kovarian).

  2. Ada satu set koefisien α,βR sedemikian rupa sehingga deret waktu Zt=αXt+βYtadalah proses stasioner. Vektor(α,β) disebut vektor kointegrasi.

Karena stasioneritas selalu berubah dan skala segera mengikuti koefisien itu α dan β tidak didefinisikan secara unik, yaitu mereka unik hingga konstanta multiplikasi.

Tes kointegrasi datang dalam dua varietas:

  1. Tes pada residu regresi Yt di Xt.

  2. Tes pada peringkat matriks dalam representasi koreksi kesalahan vektor (Yt,Xt).

Kedua varietas mengandalkan hasil teoretis tertentu, yaitu:

  1. OLS dari Yt di Xt memberikan estimasi konsisten vektor kointegrasi

  2. Teorema representasi Granger.

Pertanyaan OP adalah tentang jenis tes pertama. Dalam tes ini kami memiliki pilihan: estimasi regresiYt=a1+b1Xt+ut atau Xt=a2+b2Yt+vt di Yt. Secara alami kedua regresi ini akan memberikan dua vektor kointegrasi yang berbeda:(b^1,1) dan (1,b^2). Tetapi karena hasil teoritis yang disebutkan di atas batas probabilitasb^1 dan 1/b^2 harus sama, karena vektor kointegrasi adalah unik hingga konstan.

Karena sifat aljabar OLS seri residu u^t dan v^t tidak identik, meskipun dari perspektif teoretis keduanya harus sama 1βZt dan 1αZtmasing-masing, yaitu mereka harus identik dengan konstanta multiplikasi. Jika seriXt dan Yt dikointegrasi kemudian Zt adalah seri stasioner, jadi sejak itu u^t dan v^t perkiraan Zt kita dapat menguji apakah mereka diam.

Itulah bagaimana berbagai tes kointegrasi pertama dilakukan. Secara alami sejaku^t dan v^tberbeda tes apa pun pada mereka akan berbeda juga. Tetapi dari sudut pandang teoritis, perbedaan hanyalah bias sampel yang terbatas, yang seharusnya menghilang tanpa gejala.

Jika perbedaan antara tes stasioneritas pada seri u^t dan v^t secara statistik signifikan, ini merupakan indikasi bahwa seri tidak terkointegrasi, atau asumsi tes stasioneritas tidak terpenuhi.

Jika kita mengambil tes ADF sebagai tes stasioneritas untuk residu, saya pikir akan mungkin untuk memperoleh distribusi asimptotik perbedaan antara statistik ADF pada u^t dan v^t. Apakah itu akan memiliki nilai praktis apa pun saya tidak tahu.

Jadi untuk meringkas jawaban atas tiga pertanyaan adalah sebagai berikut:

  1. Lihat di atas.

  2. Tidak.

  3. Distribusi perbedaan asimptotik dari tes akan tergantung pada tes. Metodologi Anda baik-baik saja. Jika deret waktu terkointegrasi, kedua statistik seharusnya mengindikasikan demikian. Dalam hal tidak ada kointegrasi, baik statistik akan menolak stasioneritas, atau salah satunya akan menolak. Dalam kedua kasus Anda harus menolak hipotesis nol kointegrasi. Seperti dalam pengujian untuk root unit Anda harus menjaga terhadap tren waktu, mengubah poin dan semua hal lain yang membuat pengujian root unit prosedur yang cukup menantang.

mpiktas
sumber
Jika perbedaan antara tes stasioneritas pada seri u^t dan v^tsecara statistik signifikan, ini merupakan indikasi bahwa seri tidak terkointegrasi : maksud Anda ada hubungan langsung antara perbedaan (empiris) dalam stasioneritas dariu^t dan v^tdan ada / tidak adanya kointegrasi? (Saya tidak melihatnya.) Apa yang akan saya pikirkan adalah, jika saya dapat menolak nol tanpa menggunakan kointegrasiu^t tapi tidak v^tkemudian: (1) jika saya konservatif saya tidak akan menolak "tidak ada kointegrasi"; (2) jika saya agresif saya akan menolak "no cointegration".
Richard Hardy
Tidak, saya tidak berpikir begitu. Seperti yang saya katakan, adalah mungkin untuk memperoleh distribusi asimptotik dari perbedaan antara statistik, atau secara umum memeriksa apa saja sifat teoritis dari perbedaan tersebut. Saya berani bertaruh bahwa kedua tes stasioneritas menolak stasioneritas atau keduanya menerimanya. Apa yang saya coba katakan adalah bahwa jika Anda melihat sesuatu yang berlawanan dengan intuisi, yaitu kesimpulan berbeda dari tes stasioneritas ketika secara teoritis mereka harus sama, ini merupakan indikasi sesuatu yang tidak benar, yaitu saya menganjurkan pendekatan konservatif.
mpiktas
OK, saya setuju dengan semua itu - kecuali untuk itu Anda menyarankan menolak hipotesis nol, yang saya pikir lebih agresif daripada konservatif.
Richard Hardy
0

Jadi jawaban statistik yang paling populer tampaknya benar untuk pertanyaan ini: "itu tergantung".

Perkiraan yang baik dapat dibuat tentang kesamaan statistik uji kointegrasi dari urutan unik dari variabel input, mengingat bahwa vektor deret waktu memiliki varian rendah dan serupa.

Ini tersirat dari perhitungan statistik uji kointegrasi: ketika varian dari vektor deret waktu input rendah dan serupa, koefisien kointegrasi akan serupa (yaitu, kira-kira kelipatan skalar satu sama lain), menghasilkan residual seri menjadi kelipatan skalar satu sama lain. Seri residu serupa menyiratkan statistik uji kointegrasi serupa. Namun, ketika varians besar atau berbeda, tidak ada jaminan tersirat bahwa seri residual akan menjadi sekitar skalar kelipatan satu sama lain, yang pada gilirannya membuat statistik statistik uji kointegrasi.

Secara formal:

Pertimbangkan model regresi sederhana, yang digunakan untuk menemukan koefisien kointegrasi untuk kasus-kasus bivariat.

Regres x pada y:

β^xy=Cov[x,y]σx2

Mengembalikan y pada x:

β^yx=Cov[y,x]σy2

Jelas Cov[x,y]=Cov[y,x].

Tapi, secara umum, σx2σy2.

Jadi, β^xy bukan kelipatan skalar dari β^yx.

Jadi kombinasi linear (seri residu AKA) yang digunakan untuk menguji unit root untuk menentukan kemungkinan kointegrasi bukan kelipatan skalar satu sama lain:

xtγ1yt=ϵt1
ytγ2xt=ϵt2

Perhatikan bahwa, oleh karena itu, γ=β^, jadi umumnya γ1aγ2 untuk beberapa skalar a.

Ini menunjukkan dua fakta tentang kointegrasi:

  1. Urutan variabel dalam pengujian untuk hal-hal kointegrasi karena varians dari vektor deret waktu individu. Ini mempengaruhi hubungan antara koefisien kointegrasi dari berbagai orientasi variabel karena bagaimana koefisien kointegrasi dihitung.
  2. Seri residual mungkin atau mungkin tidak "mirip" satu sama lain: kesamaan tergantung pada varian dari vektor deret waktu individu.

Fakta-fakta ini menyiratkan bahwa seri residu yang dibentuk oleh urutan variabel unik tidak hanya berbeda, tetapi mereka mungkin bukan kelipatan skalar satu sama lain.

Jadi pemesanan mana yang harus dipilih? Tergantung aplikasinya.

Mengapa beberapa seri residual dihasilkan dari seri data yang sama tetapi urutan berbeda tampak serupa sementara yang lain tampak sangat berbeda? Itu karena varians dari vektor deret waktu individu. Ketika vektor deret waktu memiliki varians yang serupa (seperti yang tentu mungkin terjadi ketika membandingkan data deret waktu serupa), deret residual mungkin tampak seperti1α kelipatan satu sama lain, dengan αmenjadi beberapa nilai skalar. Ini adalah kasus ketika varians dari vektor deret waktu adalah rendah dan serupa, menghasilkan istilah kesalahan yang sama dalam kombinasi linier.

Jadi, akhirnya, jika vektor deret waktu yang sedang diuji untuk kointegrasi memiliki varian rendah dan serupa, maka orang dapat dengan tepat menganggap bahwa statistik uji kointegrasi akan memiliki tingkat kepercayaan yang sama. Secara umum, mungkin yang terbaik untuk menguji kedua orientasi, atau setidaknya mempertimbangkan varian dari vektor deret waktu, kecuali ada alasan yang berlaku untuk mendukung satu orientasi.

d0rmLife
sumber
Apakah Anda sadar bahwa konsep kointegrasi berlaku untuk beberapa rangkaian waktu dan tidak terbatas hanya pada dua? Apakah Anda juga sadar bahwa standar de facto untuk pengujian kointegrasi adalah prosedur Johansen, yang tidak memiliki masalah asimetri?
mpiktas
Karena definisi kointegrasi tidak memungkinkan asimetri, prosedur pengujian apa pun yang memberikan hasil berbeda secara default salah. Dalam kasus Anda (yang disebut dengan cara prosedur Engle-Granger dan bukan satu-satunya tes kointegrasi di luar sana!) Jika Anda mendapatkan hasil yang bertentangan berdasarkan pemesanan ini berarti bahwa seri Anda tidak memenuhi asumsi pengujian.
mpiktas
1
@mpiktas 1) Ya, saya sadar, itulah sebabnya saya berkata "... untuk kasus bivariat". 2) Saya tidak setuju tentang klaim Anda tentang standar. Dalam industri tertentu, EG 2 langkah dengan ADF sangat populer. Juga, Johansen memiliki masalah dengan set data kecil sehingga tentu saja bukan standar dalam semua kasus, tetapi memang sangat populer untuk kasus multivariat. 3) Dapatkah Anda memberikan referensi untuk di mana dan mengapa kointegrasi tidak memungkinkan asimetri?
d0rmLife
Dalam set data kecil Anda akan memiliki masalah dengan ADF juga. Seberapa kecil yang kita bicarakan? Mengenai asimetri, definisi kointegrasi tidak memungkinkannya. Dua seri terkointegrasi jika mereka adalah 1) I (1) 2) kombinasi liniernya adalah I (0). Jadi jika satu seri terkointegrasi dengan yang lain, menurut definisi seri ini terkointegrasi dengan yang pertama. Tidak ada ruang untuk asimetri.
mpiktas
1
@mpikta apakah Anda akan mempertimbangkan untuk memberikan jawaban?
Glen_b -Reinstate Monica