[ ]
[ ]
[ ]
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Econometria Università di Bari – Facoltà di Economia<br />
Dott.ssa Laura Serlenga Dispense #7 A.A. 2003-2004 – 2ndo semestre<br />
ANALISI DELLE SERIE STORICHE UNIVARIATE: cenni sui processi<br />
stocastici<br />
Che cos’è una serie storica?<br />
Qual è lo scopo dell’analisi?<br />
Come modellare una serie storica?<br />
Definizione di processo stocastico { x t } : insieme di variabili aleatorie indicizzate<br />
ordinalmente rispetto a t (l’ordine è importante e non può essere cambiato). Di solito<br />
si tratta di variabili casuali che non sono indipendenti e di cui si ottengono i dati di<br />
una singola realizzazione, sono in altre parole impossibili da replicare. A causa di<br />
queste caratteristiche (dipendenza e impossibilità di replica) è importante essere<br />
molto rigorosi nello specificare la natura statistica del processo stocastico. Per<br />
descrivere un processo stocastico si dovrebbe specificare la distribuzione congiunta<br />
delle variabili Xt ma poiché ciò è piuttosto complicato, si definiscono solo i momenti<br />
delle variabili Xt.<br />
Momenti di xt<br />
1. Valore atteso E [ xt<br />
] = µ t<br />
[ ] 2<br />
2. Varianza Var [ x t ] = E ( x t −<br />
2<br />
µ t ) = σ t<br />
3. Autocovarianza [ ( x µ )( x − µ ) ] = σ = γ ( t , t − k )<br />
E t − t t − k t − k<br />
t , t − k<br />
4. Funzione di autocorrelazione: la k.ma autocorrelazione è definita come segue<br />
γ k Cov(<br />
xt<br />
, xt−<br />
k )<br />
φ k = =<br />
con k =1,2,…<br />
γ Var(<br />
x ) Var(<br />
x )<br />
0 t<br />
t−1<br />
L’autocorrelazione è una misura più utile della covarianza perché priva di unità<br />
di misura. Inoltre se un processo è stazionario la funzione di autocorrelazione<br />
non dipende da t come la covarianza.<br />
Un’importante classe di processi stocastici sono i processi stazionari:<br />
a. Stazionarietà (in senso debole): 1)media costante; 2)varianza costante;<br />
3)funzione autocovarianza dipendente solo dal ritardo (lag) inteso come<br />
1
Econometria Università di Bari – Facoltà di Economia<br />
Dott.ssa Laura Serlenga Dispense #7 A.A. 2003-2004 – 2ndo semestre<br />
distanza fra due osservazioni temporali. Nota che se una serie è stazionaria<br />
l’autocovarianza decresce quanto più k aumenta. Non si fa alcuna ulteriore<br />
assunzione su i momenti successivi<br />
[ x ] = µ t<br />
E t ∀<br />
Var<br />
2 [ x ] = σ<br />
t<br />
Cov(xt,xt+k)=γ(k) oppure [ ( xt<br />
− µ )( xs<br />
− µ ) ] = σ t s<br />
E −<br />
b. Ergodicità: i momenti campionari (media e varianza) tendono ai valori della<br />
popolazione all’aumentare di n. Questa è una caratteristica complessa,<br />
difficilmente distinguibile dalla stazionarietà. Di fatto è possibile costruire<br />
esempi di processi stazionari ma non erodici. Notare che se t N ≈ ε , il processo<br />
è stazionario ed allora anche ergodico.<br />
Introduciamo ora l’operatore del ritardo L utile a costruire polinomi in modo<br />
k<br />
conveniente xt<br />
= xt<br />
k , La = a ed alcuni modelli di serie temporali che<br />
L −<br />
rappresentano un processo stocastico:<br />
• White Noise: ogni elemento della sequenza { ε t } ha le seguenti proprietà<br />
[ ] = 0<br />
E ε<br />
E<br />
t<br />
2 [ ε ] = σ<br />
t<br />
ε<br />
[ ε ] = 0<br />
E ε<br />
t<br />
s<br />
[ ε | t −1]<br />
= 0<br />
E t<br />
cioè ogni elemento è estratto casualmente da una popolazione con media zero e<br />
varianza costante. Di solito si assume che gli elementi siano estratti<br />
indipendentemente o normalmente distribuiti anche se spesso questa assunzione<br />
non è necessaria.<br />
• AR(1) xt = µ + ρxt<br />
−1 + ε t dove<br />
E<br />
[ | ] = µ + ρxt<br />
- 1<br />
x<br />
t t−1<br />
x<br />
µ<br />
E [ xt<br />
] → se ρ < 1 e T è grande.<br />
1−<br />
ρ<br />
2
Econometria Università di Bari – Facoltà di Economia<br />
Dott.ssa Laura Serlenga Dispense #7 A.A. 2003-2004 – 2ndo semestre<br />
Var<br />
=<br />
σ<br />
Cov<br />
=<br />
=<br />
E<br />
2<br />
2<br />
[ ] = E ( ε + ρε + ρ ε + ... )<br />
[ x ] E ( x − E [ x ] )<br />
t<br />
2<br />
[ t<br />
t − 1<br />
t 2 ]<br />
= t<br />
t<br />
−<br />
2<br />
2<br />
2 2<br />
4 2<br />
2<br />
2<br />
4<br />
σ ε<br />
ε + ρ σ ε + ρ σ ε ... = σ ε ( 1 + ρ + ρ + ... ) =<br />
2<br />
1 − ρ<br />
[ x t ; x t − k ] = E [ ( x t − E ( x t ) )( x t − k − E ( x t − k ) ) ] =<br />
2<br />
2<br />
( ε t + ρε t − 1 + ρ ε t − 2 + ... )( ε t − k + ρε t − k − 1 + ρ ε t − k − 2 + ... )<br />
[ x ]<br />
[ ]<br />
ρ Var<br />
t<br />
k<br />
in generale Cov[ x x ] = ρ Var[<br />
x ]<br />
t<br />
; k= lag<br />
t−k<br />
è un processo stazionario se ρ < 1.<br />
Se ρ =1 allora xt = µ + xt−1<br />
+ ε t dove<br />
E<br />
[ | ] = xt<br />
- 1<br />
x<br />
t t−1<br />
x<br />
2 2<br />
2<br />
[ x ] = E[<br />
( ε t + ε − 1 + ) ] = tσ<br />
Var t<br />
t<br />
... ε<br />
t<br />
2<br />
[ x x ] E[<br />
( ε + ε + ε + ... )( ε + ε + ε + ... ) ] = ( t − k)<br />
σ<br />
Cov t ; t−<br />
1 = t t−1<br />
t−2<br />
t−1<br />
t−2<br />
t−3<br />
ε<br />
non è stazionario ma esplosivo.<br />
Se il processo non è stazionario si possono compiere delle trasformazioni che lo<br />
rendono stazionario e quindi più semplice da analizzare. Una di queste trasformazioni<br />
è l’integrazione o differenziazione.<br />
Se xt µ + xt<br />
+ ε t<br />
= −1<br />
∆xt = µ + ε t è stazionario allora si dice che xt è integrata di ordine 1 xt ≈ I()<br />
1<br />
Esiste la possibilità che i residui del processo siano autocorrelati, il processo in<br />
questo caso sarà stazionario ma non invertibile.<br />
=<br />
=<br />
3
Econometria Università di Bari – Facoltà di Economia<br />
Dott.ssa Laura Serlenga Dispense #7 A.A. 2003-2004 – 2ndo semestre<br />
AUTOCORRELAZIONE DEI RESIDUI<br />
Torniamo a considerare il modello MLGR<br />
y = x ' β + ε<br />
t<br />
t<br />
t<br />
dove i residui εt sono autocorrelati. In particolare assumiamo che i residui seguano un<br />
processo di autocorrelazione di ordine uno AR(1) tale che:<br />
ε<br />
t = ρε t−1<br />
+ u<br />
da cui E [ εε']<br />
t<br />
2 3 T −1<br />
⎡ 1 ρ ρ ρ ρ ⎤<br />
⎢<br />
2 T −2<br />
⎥<br />
⎢ ρ 1 ρ ρ ρ<br />
2<br />
⎥<br />
2 σ u ⎢ 2<br />
T −3<br />
= Σ = σ Ω =<br />
⎥<br />
2 ρ ρ 1 ρ<br />
1−<br />
ρ ⎢<br />
⎥<br />
⎢<br />
ρ ⎥<br />
⎢ T −1<br />
T −2<br />
T −3<br />
⎥<br />
⎣ρ<br />
ρ ρ ρ 1<br />
144444<br />
4 24444443⎦<br />
Effetti sullo stimatore bOLS :<br />
• Corretto<br />
• Consistente<br />
• Asintoticamente normale (da dimostrare con teoremi un po’ più complessi)<br />
−1<br />
1 1<br />
• Inefficiente []<br />
( X ' X ) ( X 'ΩX<br />
)( X ' X )<br />
Var b =<br />
2<br />
T 1−<br />
ρ T T T<br />
Q<br />
*<br />
=<br />
T T<br />
( X 'ΩX<br />
) 1<br />
= ∑∑<br />
T<br />
T<br />
t=<br />
1 s=<br />
1<br />
ρ<br />
t−s<br />
x x '<br />
t<br />
s<br />
Ω<br />
−1<br />
dove<br />
Un rimedio possibile è quello di adottare la correzione di White.<br />
Nota che nel caso in cui una variabile dipendente ritardata è presente tra i regressori e<br />
i residui sono autocorrelati, bols non è più né corretto, né consistente.<br />
Per esempio yt β yt<br />
+ ε t<br />
ε<br />
t = ρε t−1<br />
+ u<br />
t<br />
= −1<br />
yt-1 dipende da εt e anche da εt-1 quindi c’è correlazione tra i regressori e i disturbi.<br />
4
Econometria Università di Bari – Facoltà di Economia<br />
Dott.ssa Laura Serlenga Dispense #7 A.A. 2003-2004 – 2ndo semestre<br />
TEST PER LA PRESENZA DI AUTOCORRELAZIONE DEI RESIDUI<br />
Test di Durbin-Watson<br />
Considerando la seguente specificazione per i residui<br />
ε<br />
t = ρε t−1<br />
+ u<br />
ed il sistema di ipotesi<br />
t<br />
⎧H<br />
0 : ρ = 0<br />
⎨<br />
⎩H<br />
1 : ρ ≠ 0<br />
sotto l’ipotesi nulla sarà valida la seguente statistica<br />
T<br />
∑<br />
d<br />
t=<br />
2<br />
=<br />
t<br />
T<br />
( e − e )<br />
∑<br />
t=<br />
2<br />
e<br />
2<br />
t−1<br />
2<br />
t<br />
≅ 2<br />
( 1−<br />
r)<br />
dove r è il coefficiente di autocorrelazione. Nota che se<br />
r = 0 ⇒ d ≅ 2<br />
r = 1 ⇒ d ≅ 0<br />
r = −1<br />
⇒ d ≅ 4<br />
Il problema è che non esiste una distribuzione unica e invasante:<br />
a) Esistono solo degli intervalli di accettazione e di rifiuto,<br />
b) Le distribuzioni variano al variare delle osservazioni e del numero di regressori<br />
Inoltre il test è biased verso l’accettazione dell’ipotesi nulla quando una variabile<br />
ritardata è compresa fra i regressori<br />
Sotto l’ipotesi nulla<br />
h<br />
⎛ d ⎞ T<br />
⎜1−<br />
⎟ ≈ N 2<br />
⎝ 2 ⎠ 1−<br />
Ts<br />
( 0,<br />
1)<br />
2<br />
= dove c<br />
c<br />
LM test (Breusch e Goldfeld)<br />
Sistema di ipotesi<br />
⎧ H 0 : ρ = 0<br />
⎨<br />
⎩H<br />
1 : ε t = AR(<br />
p),<br />
ε t = MA(<br />
q)<br />
Implementazione del test:<br />
s è la varianza stimata del coefficiente di yt-1.<br />
5
Econometria Università di Bari – Facoltà di Economia<br />
Dott.ssa Laura Serlenga Dispense #7 A.A. 2003-2004 – 2ndo semestre<br />
1. ottienere et dalla stima OLS<br />
2. effettuare la seguente regressione e t xt<br />
'α + ρ1<br />
et<br />
1 + ρ 2et<br />
2 + ... + ρ pet<br />
p + ut<br />
= −<br />
−<br />
−<br />
3. ottenere R 2 dalla regressione in 2., sotto l’ipotesi nulla vale la seguente<br />
statistica<br />
2 2<br />
TR ≈ χ p<br />
Test Q di Ljung e Box<br />
Considerando il seguente sistema di ipotesi<br />
⎧ H 0 : ρ = 0<br />
⎨<br />
⎩H<br />
1 : ε t = AR(<br />
p),<br />
ε t = MA(<br />
q)<br />
sotto l’ipotesi nulla sarà valida la seguente statistica<br />
rJ<br />
2<br />
Q' ( T + 2)<br />
≈ χ p r<br />
T − J<br />
T<br />
= T ∑<br />
t=<br />
2<br />
2<br />
J<br />
T<br />
∑<br />
t<br />
t=<br />
J + 1<br />
= T<br />
∑<br />
t=<br />
1<br />
e e<br />
e<br />
t−<br />
J<br />
2<br />
t<br />
6
Econometria Università di Bari – Facoltà di Economia<br />
Dott.ssa Laura Serlenga Dispense #7 A.A. 2003-2004 – 2ndo semestre<br />
STIMA DI MODELLI CON AUTOCORRELAZIONE<br />
Dato che lo stimatore OLS è inefficiente possiamo utilizzare la matrice varianza<br />
covarainza suggerita da White.<br />
FGLS: Sappiamo che E[<br />
']<br />
2 ( 1−<br />
)<br />
⎡<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎢<br />
⎣<br />
2 ( 1−<br />
ρ )<br />
− ρ<br />
0⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
⎥<br />
1⎦<br />
2<br />
T −1<br />
⎡ 1 ρ ρ ρ ⎤<br />
⎢<br />
⎥<br />
⎢ ρ 1<br />
2<br />
σ<br />
⎥<br />
u εε = ⎢ 1 ⎥ . Allora<br />
2<br />
1−<br />
ρ ⎢<br />
⎥<br />
⎢<br />
⎥<br />
⎢ T −1<br />
⎥<br />
⎣ρ<br />
1 ⎦<br />
− ρ 1<br />
ρ P =<br />
− ρ 1 . Da cui otteniamo il modello trasformato (*)<br />
0<br />
2 ( 1−<br />
ρ )<br />
0<br />
0<br />
2 ( 1−<br />
ρ )<br />
⎡ y ⎤ ⎡<br />
1<br />
x ⎤<br />
1<br />
⎢ ⎥ ⎢ ⎥<br />
⎢ y2<br />
− ρy1<br />
⎥ ⎢ x2<br />
− ρx1<br />
⎥<br />
dove y*<br />
= ⎢ ⎥ e x*<br />
= ⎢ ⎥ .<br />
⎢ ⎥ ⎢ ⎥<br />
⎢ ⎥ ⎢ ⎥<br />
⎢ ⎥ ⎢ ⎥<br />
⎣ yT<br />
− ρyT<br />
−1 ⎦ ⎣ xT<br />
− ρxT<br />
−1 ⎦<br />
Tuttavia occorre una stima di ρ. Ci sono varie possibilità: a) procedura iterativa di<br />
Prais-Winsten (con la prima osservazione) o di Cochrane-Orcutta (omettendo la<br />
prima osservazione) anche se la convergenza non è assicurata; b) stimare di MV di<br />
Hildreth e Lu. Nota inoltre che se fra le variabili indipendenti sono inclusi i ritardi<br />
della variabile dipendente, il FGLS non è consistente. In questo caso occorre passare<br />
ad uno stimatore IV dove gli strumenti di yt-k possono essere ˆ t k ottenuti dalla<br />
regressione della variabile dipendente su tutte le variabili esogene.<br />
y −<br />
7
Econometria Università di Bari – Facoltà di Economia<br />
Dott.ssa Laura Serlenga Dispense #7 A.A. 2003-2004 – 2ndo semestre<br />
Considerando il modello<br />
y<br />
t<br />
t<br />
= x ' β + ε<br />
ε = ρε<br />
t<br />
t−1<br />
t<br />
+ u<br />
allora ε t−1<br />
= y t−1<br />
− xt−1<br />
' β<br />
y<br />
y<br />
t<br />
t<br />
= x ' β + ρ<br />
t<br />
= ρ y<br />
t<br />
t−1<br />
t<br />
( y − x ' β )<br />
t<br />
t−1<br />
+ x ' β + −x<br />
t−1<br />
t−1<br />
genericamente avremo<br />
t = γ<br />
1 yt<br />
−1 + xtγ<br />
2 + xt<br />
−1γ<br />
3<br />
IMPORTANTE CRITICA AL FGLS<br />
+ u<br />
' ρβ + u<br />
y + u<br />
t<br />
t<br />
,<br />
il modello con i residui autocorrelati può essere visto come un caso particolare, dove<br />
è valida la seguente restrizione γ 3 = −γ<br />
1γ<br />
2 . Stimando il modello con FGLS, cioè<br />
correggendo i residui correlati, stiamo imponendo una restrizione dinamica ai dati<br />
che deve prima essere testata.<br />
t<br />
8