Эта статья включает в себя список общих ссылок , но он остается в основном непроверенным, поскольку в нем отсутствуют соответствующие встроенные ссылки . ( Февраль 2012 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения ) |
Векторная авторегрессия ( VAR ) - это статистическая модель, используемая для определения взаимосвязи между несколькими величинами по мере их изменения во времени. VAR - это разновидность модели стохастического процесса . Модели VAR обобщают модель авторегрессии с одной переменной (одномерной) , допуская многомерные временные ряды . VAR-модели часто используются в экономике и естественных науках .
Как и в модели авторегрессии, каждая переменная имеет уравнение, моделирующее ее эволюцию во времени. Это уравнение включает запаздывающие (прошлые) значения переменной , запаздывающие значения других переменных в модели и член ошибки . Модели VAR не требуют стольких знаний о силах, влияющих на переменную, как структурные модели с одновременными уравнениями . Единственное необходимое предварительное знание - это список переменных, которые, как можно предположить, будут влиять друг на друга с течением времени.
Спецификация [ править ]
Этот раздел включает список ссылок , связанных материалов для чтения или внешних ссылок , но его источники остаются неясными, поскольку в нем отсутствуют встроенные цитаты . ( Февраль 2012 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения ) |
Определение [ править ]
Модель VAR описывает эволюцию набора k переменных, называемых эндогенными переменными , во времени. Каждый период времени пронумерован, т = 1, ..., т . В K переменные моделируются как линейная функция только их прошлых значений. Переменные собраны в вектор , у т , что длины к. (Эквивалентно этот вектор может быть описан как ( k × 1) - матрица. ) Компоненты вектора обозначаются как y i , t , что означает наблюдение в момент времени t.о я - й переменной. Например, если первая переменная в модели измеряет цену на пшеницу с течением времени, тогда 1,1998 y укажет цену на пшеницу в 1998 году.
Модели VAR характеризуются своим порядком , который относится к количеству более ранних периодов времени, которые модель будет использовать. Продолжая приведенный выше пример, VAR 5-го порядка будет моделировать цену на пшеницу каждого года как линейную комбинацию цен на пшеницу за последние пять лет. Отставание является значением переменной в предыдущий период времени. Таким образом, в общем случае VAR p- го порядка относится к модели VAR, которая включает запаздывания для последних p периодов времени. Р - го порядка ВАР обозначается «Var ( р )» , а иногда называют «ВДП с р запаздываний». Р модель ВАР го порядка записывается в виде
Переменные вида y t −i указывают, что значение переменной на i периодов времени раньше, и называются «i- м запаздыванием» y t . Переменная с является к -векторным константам , обслуживающим как перехват модели. A i - это инвариантная во времени ( k × k ) -матрица, а e t - k -вектор членов ошибок . Условия ошибки должны удовлетворять трем условиям:
- . Каждый член ошибки имеет нулевое среднее значение .
- . Одновременная ковариационная матрица условий ошибки - это положительно-полуопределенная матрица размера k × k, обозначенная Ω.
- для любого ненулевого k . Там нет корреляции во времени. В частности, нет последовательной корреляции в терминах индивидуальных ошибок. [1]
Процесс выбора максимального запаздывания p в модели VAR требует особого внимания, потому что вывод зависит от правильности выбранного порядка запаздывания. [2] [3]
Порядок интегрирования переменных [ править ]
Обратите внимание, что все переменные должны быть одного порядка интегрирования . Различают следующие случаи:
- Все переменные I (0) (стационарные): это стандартный случай, т.е. VAR на уровне
- Все переменные являются I ( d ) (нестационарными) с d > 0: [ необходима ссылка ]
- Переменные коинтегрированы : член исправления ошибок должен быть включен в VAR. Модель становится векторной моделью коррекции ошибок (VECM), которую можно рассматривать как ограниченную VAR.
- Переменные не коинтегрируются : во-первых, переменные должны быть различаются d раз, и у одного есть разность VAR.
Краткая матричная запись [ править ]
Можно складывать векторы, чтобы записать VAR ( p ) как стохастическое матричное разностное уравнение с краткой матричной записью:
Детали матриц находятся на отдельной странице .
Пример [ править ]
Общий пример VAR ( p ) с k переменными см. В разделе Общая матричная запись VAR (p) .
VAR (1) с двумя переменными может быть записан в матричной форме (более компактная запись) как
(в котором появляется только одна матрица A, потому что в этом примере максимальное запаздывание p равно 1), или, что то же самое, в виде следующей системы двух уравнений
Каждая переменная в модели имеет одно уравнение. Текущее (время t ) наблюдение каждой переменной зависит от ее собственных запаздывающих значений, а также от запаздывающих значений каждой другой переменной в VAR.
Запись VAR ( p ) как VAR (1) [ править ]
VAR с p- лагами всегда можно эквивалентно переписать как VAR только с одним лагом, соответствующим образом переопределив зависимую переменную. Преобразование сводится к наложению лагов переменной VAR ( p ) в новую зависимую переменную VAR (1) и добавлению тождеств для завершения ряда уравнений.
Например, модель VAR (2)
можно преобразовать в модель VAR (1)
где I - единичная матрица .
Эквивалентная форма VAR (1) более удобна для аналитических выводов и допускает более компактные формулировки.
Структурная и уменьшенная форма [ править ]
Структурный VAR [ править ]
Структурный ВДП с р запаздываниями (иногда сокращенно SVAR ) является
где c 0 - вектор констант размером k × 1, B i - матрица k × k (для каждого i = 0, ..., p ), а ε t - вектор ошибок k × 1 . В главной диагонали условия B 0 матрицы (коэффициенты на я - й переменной в я - го уравнения) масштабируются до 1.
Члены ошибки ε t ( структурные удары ) удовлетворяют условиям (1) - (3) в приведенном выше определении, с той особенностью, что все элементы недиагонали ковариационной матрицы равны нулю. То есть структурные потрясения некоррелированы.
Например, двухпараметрическая структурная VAR (1):
куда
то есть дисперсии структурных шоков обозначены ( i = 1, 2), а ковариация - .
Записывая первое уравнение явно и передавая y 2, t в правую часть, получаем
Обратите внимание, что y 2, t может иметь одновременный эффект на y 1, t, если B 0; 1,2 не равно нулю. Это отличается от случая, когда B 0 является единичной матрицей (все недиагональные элементы равны нулю - случай в начальном определении), когда y 2, t могут напрямую влиять на y 1, t +1 и последующие будущие значения, но не у 1, т .
Из-за проблемы идентификации параметров , обычный метод наименьших квадратов оценки структурной VAR даст противоречивые оценки параметров. Эту проблему можно решить, переписав VAR в сокращенной форме.
С экономической точки зрения, если совместная динамика набора переменных может быть представлена моделью VAR, то структурная форма представляет собой изображение лежащих в основе, «структурных», экономических отношений. Две особенности структурной формы делают ее предпочтительным кандидатом для представления основных отношений:
- 1. Условия ошибки не коррелированы . Предполагается, что структурные, экономические шоки, управляющие динамикой экономических переменных, являются независимыми , что подразумевает нулевую корреляцию между ошибочными условиями как желаемым свойством. Это полезно для разделения эффектов экономически не связанных влияний в VAR. Например, нет причин, по которым шок цен на нефть (как пример шока предложения ) должен быть связан с изменением предпочтений потребителей в отношении стиля одежды (как пример шока спроса ); следовательно, можно было бы ожидать, что эти факторы будут статистически независимыми.
- 2. Переменные могут оказывать одновременное влияние на другие переменные . Это желательная функция, особенно при использовании данных с низкой частотой. Например, повышение ставки косвенного налога не повлияет на налоговые поступления в день объявления решения, но можно найти эффект в данных за этот квартал.
VAR в сокращенной форме [ править ]
Умножив структурную VAR на обратную величину B 0
и обозначая
получается приведенная VAR p- го порядка
Обратите внимание, что в сокращенной форме все правые переменные заранее определены в момент времени t . Поскольку в правой части нет эндогенных переменных времени t , никакая переменная не оказывает прямого одновременного воздействия на другие переменные в модели.
Однако члены ошибки в приведенной VAR представляют собой совокупность структурных ударов e t = B 0 −1 ε t . Таким образом, возникновение одного структурного шока ε i, t потенциально может привести к возникновению шоков во всех ошибочных членах e j, t , создавая тем самым одновременное движение по всем эндогенным переменным. Следовательно, ковариационная матрица приведенной VAR
могут иметь ненулевые недиагональные элементы, что обеспечивает ненулевую корреляцию между ошибочными членами.
Оценка [ править ]
Оценка параметров регрессии [ править ]
Исходя из краткой матричной записи (подробности см. В приложении ):
- Метод многомерных наименьших квадратов (MLS) для оценки B дает:
Альтернативно это можно записать как:
где обозначает произведение Кронекера, а Vec - векторизацию указанной матрицы.
Эта оценка непротиворечива и асимптотически эффективна . Кроме того, он равен условной оценке максимального правдоподобия . [4]
- Поскольку объясняющие переменные в каждом уравнении одинаковы, многомерная оценка методом наименьших квадратов эквивалентна обычной оценке методом наименьших квадратов, применяемой к каждому уравнению отдельно. [5]
Оценка ковариационной матрицы ошибок [ править ]
Как и в стандартном случае, оценка максимального правдоподобия (MLE) ковариационной матрицы отличается от обычной оценки наименьших квадратов (OLS).
Оценка MLE: [ необходима ссылка ]
Оценщик OLS: [ необходима ссылка ] для модели с константой, переменными k и лагами p .
В матричной записи это дает:
Оценка ковариационной матрицы оценщика [ править ]
Ковариационная матрица параметров может быть оценена как [ цитата ]
Степени свободы [ править ]
Модели векторной авторегрессии часто включают оценку многих параметров. Например, с семью переменными и четырьмя лагами каждая матрица коэффициентов для данной длины лага равна 7 на 7, а вектор констант имеет 7 элементов, так что всего оценивается 49 × 4 + 7 = 203 параметра, что существенно снижает в степени свободы регрессии (число точек данных минус число оцениваемых параметров). Это может повредить точности оценок параметров и, следовательно, прогнозов, данных моделью.
Интерпретация оценочной модели [ править ]
Свойства модели VAR обычно суммируются с использованием структурного анализа с использованием причинности Грейнджера , импульсных откликов и разложения дисперсии ошибки прогноза .
Импульсная характеристика [ править ]
Рассмотрим случай первого порядка (т. Е. С одним запаздыванием) с уравнением эволюции
для вектора развития (состояния) и вектора шоков. Чтобы найти, скажем, влияние j-го элемента вектора потрясений на i-й элемент вектора состояния двумя периодами позже, который представляет собой конкретную импульсную характеристику, сначала запишите приведенное выше уравнение эволюции с запаздыванием на один период:
Используйте это в исходном уравнении эволюции, чтобы получить
затем повторите, используя уравнение эволюции с двойным запаздыванием, чтобы получить
Отсюда влияние j-го компонента на i-й компонент представляет собой i, j-й элемент матрицы.
Из этого процесса индукции можно увидеть, что любой удар будет оказывать влияние на элементы y бесконечно далеко вперед во времени, хотя эффект будет становиться все меньше и меньше со временем, если предположить, что процесс AR является стабильным, то есть что все собственные значения матрицы A меньше единицы по модулю .
Прогнозирование с использованием оценочной модели VAR [ править ]
Предполагаемая модель VAR может использоваться для прогнозирования , а качество прогнозов может быть оценено способами, полностью аналогичными методам, используемым в одномерном авторегрессионном моделировании.
Приложения [ править ]
Кристофер Симс защищал модели VAR, критикуя утверждения и эффективность более раннего моделирования в макроэкономической эконометрике . [6] Он рекомендовал модели VAR, которые ранее появлялись в статистике временных рядов и в идентификации систем , статистической специальности в теории управления . Симс отстаивал модели VAR как не требующий теории метод оценки экономических отношений, таким образом являясь альтернативой «невероятным ограничениям идентификации» в структурных моделях. [6] Модели VAR также все чаще используются в медицинских исследованиях для автоматического анализа дневниковых данных [7] или данных датчиков.
Программное обеспечение [ править ]
- R : Пакет vars включает функции для моделей VAR. [8] [9]
- Python : модуль tsa (анализ временных рядов) пакета statsmodels поддерживает VAR. PyFlux поддерживает VAR и байесовские VAR.
- SAS : VARMAX
- Stata : "var"
- EViews : "VAR"
- Гретль : "вар"
- Matlab : "варм"
- Регрессионный анализ временных рядов : «СИСТЕМА»
- LDT
См. Также [ править ]
- Байесовская векторная авторегрессия
- Конвергентное перекрестное отображение
- Причинность Грейнджера
- Панельная векторная авторегрессия , расширение моделей VAR на панельные данные [10]
- Разложение дисперсии
Примечания [ править ]
- ^ Для многомерных тестов на автокорреляцию в моделях VAR см. Hatemi-J, A. (2004). «Многомерные тесты автокорреляции в стабильных и нестабильных моделях VAR» . Экономическое моделирование . 21 (4): 661–683. DOI : 10.1016 / j.econmod.2003.09.005 .
- ^ Хакер, RS; Хатеми-Дж., А. (2008). «Оптимальный выбор длины лага в стабильных и нестабильных моделях VAR в ситуациях гомоскедастичности и ARCH» . Журнал прикладной статистики . 35 (6): 601–615. DOI : 10.1080 / 02664760801920473 .
- ^ Hatemi-J, A .; Хакер, RS (2009). «Может ли тест LR быть полезным при выборе оптимального порядка запаздывания в модели VAR, когда информационные критерии предполагают разные порядки запаздывания? . Прикладная экономика . 41 (9): 1489–1500.
- ^ Гамильтон, Джеймс Д. (1994). Анализ временных рядов . Издательство Принстонского университета. п. 293.
- ^ Zellner, Арнольд (1962). «Эффективный метод оценки, казалось бы, несвязанных регрессий и тестов на смещение агрегирования». Журнал Американской статистической ассоциации . 57 (298): 348–368. DOI : 10.1080 / 01621459.1962.10480664 .
- ^ a b Симс, Кристофер (1980). «Макроэкономика и реальность». Econometrica . 48 (1): 1–48. CiteSeerX 10.1.1.163.5425 . DOI : 10.2307 / 1912017 . JSTOR 191 2017 .
- ^ ван дер Крике; и другие. (2016). «Временная динамика здоровья и благополучия: краудсорсинговый подход к мгновенным оценкам и автоматизированному генерированию персонализированной обратной связи (2016)». Психосоматическая медицина : 1. doi : 10.1097 / PSY.0000000000000378 . PMID 27551988 .
- ^ Bernhard Pfaff Модели VAR, SVAR и SVEC: реализация в переменных пакета R
- ^ Гайндман, Роб Дж; Афанасопулос, Джордж (2018). «11.2: Векторные авторегрессии». Прогнозирование: принципы и практика . OTexts. С. 333–335. ISBN 978-0-9875071-1-2.
- ^ Хольц-Eakin Д., Ньюи, В. и Розен, HS (1988). Оценка векторных авторегрессий с помощью панельных данных. Econometrica, 56 (6): 1371–1395.
Дальнейшее чтение [ править ]
- Астериу, Димитриос; Холл, Стивен Г. (2011). "Модели векторной авторегрессии (VAR) и тесты на причинность". Прикладная эконометрика (второе изд.). Лондон: Пэлгрейв Макмиллан. С. 319–333.
- Эндерс, Уолтер (2010). Прикладные эконометрические временные ряды (Третье изд.). Нью-Йорк: Джон Вили и сыновья. С. 272–355. ISBN 978-0-470-50539-7.
- Фаверо, Карло А. (2001). Прикладная макроэконометрика . Нью-Йорк: Издательство Оксфордского университета. С. 162–213. ISBN 0-19-829685-1.
- Lütkepohl, Гельмут (2005). Новое введение в анализ множественных временных рядов . Берлин: Springer. ISBN 3-540-40172-5.
- Цинь, Дуэт (2011). "Возникновение подхода к моделированию VAR". Журнал экономических исследований . 25 (1): 156–174. DOI : 10.1111 / j.1467-6419.2010.00637.x .