Metodi non parametrici per l'analisi di cointegrazione di ... - Sapienza
Metodi non parametrici per l'analisi di cointegrazione di ... - Sapienza
Metodi non parametrici per l'analisi di cointegrazione di ... - Sapienza
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Dipartimento <strong>di</strong> Statistica, Probabilità e Statistiche Applicate<br />
Università <strong>di</strong> Roma "La <strong>Sapienza</strong>"<br />
Gianluca Cubadda<br />
<strong>Meto<strong>di</strong></strong> <strong>non</strong> <strong>parametrici</strong><br />
<strong>per</strong> <strong>l'analisi</strong> <strong>di</strong> <strong>cointegrazione</strong><br />
<strong>di</strong> serie stagionali<br />
Roma -febbraio 1995
DOTTORATO DI RICERCA IN STATISTICA METODOLOGICA<br />
VII CICLO (1991-1994)<br />
GIANLUCA CUBADDA<br />
TESI<br />
METODI NON PARAMETRICI PER L'ANALISI DI COINTEGRAZIONE<br />
DI SERIE STAGIONALI<br />
DIPARTIMENTO DI STATISTICA, PROBABILITA' E STATISTICHE APPLICATE<br />
UNIVERSITA' DEGLI STUDI DI ROMA "LA SAPIENZA"
PREFAZIONE<br />
Questa tesi è frutto dell'attività <strong>di</strong> ricerca svolta durante il<br />
corso <strong>di</strong> Dottorato in Statistica Metodologica presso il Dipartimento<br />
<strong>di</strong> Statistica, Probabilità e Statistiche Applicate dell'Università<br />
<strong>di</strong> Roma "La <strong>Sapienza</strong>".<br />
Colgo qui l'occasione <strong>per</strong> ringraziare tutti coloro che durante<br />
questi anni mi hanno aiutato e stimolato. In particolare, un sentito<br />
ringraziamento spetta ai Proff. M. Lippi e G.B. Tranquilli <strong>per</strong> avere<br />
costantemente seguito €i incoraggiato la mia attività <strong>di</strong> ricerca.<br />
Sono inoltre grato al Prof. E. Marruco, <strong>per</strong> avermi orientato<br />
verso le tematiche del<strong>l'analisi</strong> delle serie storiche stagionali e<br />
<strong>per</strong> avermi introdotto nello stimolante gruppo <strong>di</strong> lavoro della<br />
Società Italiana <strong>di</strong> Statistica "Analisi Economica a Breve Termine",<br />
al Prof. L. Piccinato, <strong>per</strong> la sua preziosa o<strong>per</strong>a <strong>di</strong> coor<strong>di</strong>namento<br />
del corso <strong>di</strong> Dottorato <strong>di</strong> Ricerca, e ai docenti del corso <strong>di</strong> "MSc in<br />
Economics and Econometrics" dell'Università <strong>di</strong> Southampton (UK), <strong>per</strong><br />
i loro qualificati insegnamenti.<br />
Roma, Gennaio 1995<br />
Gianluca Cubadda
METODI NON PARAMETRICI PER LPANALISI DI COINTEGRAZIONE<br />
Introduzione (p. l)<br />
DI SERIE STAGIONALI<br />
INDICE<br />
Cap. I - Analisi <strong>di</strong> <strong>cointegrazione</strong> <strong>di</strong> serie stagionali:<br />
motivazioni e aspetti preliminari<br />
1.1 La forma spettrale <strong>di</strong> una serie stagionale e la sua<br />
intepretazione statistica (p. 3)<br />
1.2 Regressione spuria e relazioni <strong>di</strong> <strong>cointegrazione</strong> (p. 7)<br />
1.3 Alcuni strumenti preliminari (p. 9)<br />
1.4 Una breve panoramica dei capitoli success6ivi (p. 14)<br />
Cap. II - La· teoria e la verifica della <strong>cointegrazione</strong><br />
stagionale nel dominio frequenziale<br />
II.1 Introduzione (p. 15)<br />
II.2 Cointegrazione ad una data frequenza: definizione e<br />
proprietà (p. 16)<br />
II.3 Il caso <strong>di</strong> serie stagionali (p. 22)<br />
IlA Alcune rappresentazioni <strong>di</strong> serie stagionali<br />
cointegrate (p. 23)<br />
II.5 Test <strong>di</strong> <strong>cointegrazione</strong> <strong>non</strong> <strong>parametrici</strong> (p. 28)<br />
II.5.1 La stima della matrice <strong>di</strong> densità spettrale (p. 29)
II.5.2 Un test basato sulla funzione <strong>di</strong> coerenza<br />
spettrale (p. 32)<br />
II.5.3 Un test basato sugli autovalori della matrice <strong>di</strong><br />
densità spettrale (p. 38)<br />
II.6 Considerazioni conclusive (p. 43)<br />
Cap. III - Alcuni possibili svilùppi del<strong>l'analisi</strong> <strong>di</strong><br />
<strong>cointegrazione</strong> stagionale nel dominio frequenziale<br />
III.1 Introduzione (p. 46)<br />
111.2 Componenti deterministiche e test <strong>di</strong><br />
<strong>cointegrazione</strong> (p. 47)<br />
.. 111.3 Uno stiInatore <strong>non</strong> parametrico dei vettori<br />
Bibliografia (p. 60)<br />
polinomiali <strong>di</strong> <strong>cointegrazione</strong> (p. 50)<br />
UlA La stima semiparametrica della matrice <strong>di</strong> densità<br />
spettrale (p. 52)<br />
111.5 Considerazioni conclusive (p. 59)
INTRODUZIONE<br />
Il presente lavoro riguarda un argomento <strong>di</strong> notevole rilievo<br />
nell'ambito del<strong>l'analisi</strong> econometrica delle serie storiche <strong>non</strong><br />
stazionarie: la <strong>cointegrazione</strong>. In particolare, si è voluta<br />
approfon<strong>di</strong>re <strong>l'analisi</strong> <strong>di</strong> <strong>cointegrazione</strong> <strong>di</strong> serie stagionali, ovvero<br />
un aspetto recente riguardo al quale si è rapidamente sviluppata<br />
un'ampia letteratura sulle riviste specializzate.<br />
Come è noto, <strong>l'analisi</strong> delle serie storiche può essere<br />
sud<strong>di</strong>visa in due gran<strong>di</strong> filoni: i meto<strong>di</strong> nel dominio temporale e i<br />
meto<strong>di</strong> nel dominio frequenziale. Nell'ambito del<strong>l'analisi</strong> <strong>di</strong><br />
<strong>cointegrazione</strong>, la metodologia si è sviluppata soprattutto nel<br />
dominio temporale. A parere dello scrivente, questo è dovuto <strong>non</strong> ad<br />
una <strong>di</strong>fficile trattabilità dell'argomento nel dominio frequenziale,<br />
ma al fatto che in econometria l'approccio parametrico e<br />
temporalista è culturalmente dominante. In questo lavoro si è inteso<br />
invece mostrare come <strong>l'analisi</strong> <strong>di</strong> <strong>cointegrazione</strong> <strong>di</strong> serie stagionàli<br />
possa essere affrontata in modo naturale secondo un approccio' <strong>non</strong><br />
parametrico nel dominio frequenziale.<br />
Il lavoro è organizzato in tre capitoli. Nel primo capitolo,<br />
dopo un'introduzione euristica ai concetti <strong>di</strong> integrazione e<br />
<strong>cointegrazione</strong> stagionale, vengono illustrati alcuni strumenti<br />
preliminari. Il secondo capitolo è logicamente sud<strong>di</strong>visibile in due<br />
parti: la prima tratta formalmente la definizione e le proprietà<br />
della <strong>cointegrazione</strong> ad una generica frequenza, nella seconda<br />
vengono presentati dei test <strong>di</strong> <strong>cointegrazione</strong> <strong>non</strong> <strong>parametrici</strong>. Il<br />
terzo capitolo riguarda alcuni possibili sviluppi del<strong>l'analisi</strong> <strong>di</strong><br />
<strong>cointegrazione</strong> nel' dominio frequenziale, quali il trattamento <strong>di</strong><br />
componenti deterministiche, la stima dei vettori polinomiali <strong>di</strong><br />
1
- Introduzione -<br />
<strong>cointegrazione</strong> e la stima semiparametrica della matrice <strong>di</strong> densità<br />
spettrale.<br />
Si fa infine presente che parte degli argomenti presentati nel<br />
secondo capitolo sono stati già trattati in precedenti pubblicazioni<br />
dello scrivente (Cubadda 1994a, 1994b).<br />
2
- Capitolo i -<br />
DaU'esame grafico degli spettri <strong>di</strong> potenza delle due serie. si<br />
evince che mentre la serie TY1 presenta in effetti la "forma<br />
spettrale' tipica" evidenziata dallo stu<strong>di</strong>o <strong>di</strong> Granger (1966). lo<br />
spettro <strong>di</strong> potenza della serie TY2 se ne <strong>di</strong>scosta <strong>per</strong> alcuni versi.<br />
In particolare. la componente ciclica dominante appare quella <strong>di</strong><br />
<strong>per</strong>iodo pari a 5 anni circa. mentre la rilevanza della stagionalità<br />
è limitata. Questa <strong>di</strong>screpanza <strong>di</strong> risultati pone ovviamente il<br />
problema <strong>di</strong> determinare quale tra le due trasformazioni considerate<br />
sia la più corretta al fine <strong>di</strong> rendere stazionaria la serie in<br />
esame. In termini generali. le due trasformazioni considerate sono<br />
ognuna compatibile con una <strong>di</strong>versa ipotesi circa il processo che<br />
genera i dati <strong>di</strong> una ,variabile economica stagionale. Nel caso della<br />
trasformazione che ha prodotto la serie TY1. si ipotizza che<br />
Yt = a + bt + (3'Dt + et<br />
(1.0<br />
dove t è l'in<strong>di</strong>ce del tempo. (Yt; t = 1.2....T) = Y. D t è un vettore<br />
colonria costituto dalle un<strong>di</strong>ci dummies stagionali ed et è un<br />
processo stocastico debolmente stazionario con una funzione <strong>di</strong><br />
densità spettrale assolutamente continua e limitata in (-n:. n:].<br />
L'uso del filtro <strong>di</strong>fferenza stagionale è invece coerente con il<br />
modello:<br />
Yt = c + Yt-12 + et<br />
0.2)<br />
dove c è una costante nel tempo. Anticipando una nozione che<br />
approfon<strong>di</strong>remo nel seguito. nel caso in cui la serie Yt segua il<br />
modello (1.2). <strong>di</strong>remo.' allora che la Yt è "integrata" alla frequenza<br />
zero e alle stagionali.<br />
Si noti che entrambi modelli (1.1) e 0.2) generano delle<br />
sede <strong>non</strong> stazionarie in me<strong>di</strong>a in quanto dotate <strong>di</strong> un trend e <strong>di</strong> una<br />
5
- Capitolo I -<br />
In alternativa, è possibile filtrare preliminarmente ogni serie<br />
<strong>per</strong> l'o<strong>per</strong>atore <strong>di</strong>fferenza stagionale. Tale soluzione lascia <strong>per</strong>ò<br />
insod<strong>di</strong>sfatti nel caso <strong>di</strong> serie come la Y ed la E, le quali<br />
presentano forti analogie negli andamenti tendenziali e stagionali,<br />
in quanto il filtro (l - L 1Z ) attenua fortemente proprio tali<br />
andamenti. L'analisi <strong>di</strong> <strong>cointegrazione</strong> rappresenta la via <strong>di</strong> uscita<br />
da questo <strong>di</strong>lemma. Euristicamente, potremmo <strong>di</strong>re che lo scopo <strong>di</strong><br />
tale analisi è l'inferenza sulle componenti <strong>non</strong> stazionarie <strong>di</strong> un<br />
vettore <strong>di</strong> processi integrati. In particolare, due o più serie<br />
integrate alla frequenza zero e alle stagionali sono cointegrate a<br />
dette frequenze se esistono delle combinazioni lineari <strong>di</strong> queste<br />
serie che sono stazionarie. Un vettore <strong>di</strong> serie cointegrate ammette<br />
rappresentazioni <strong>di</strong>verse dalle usuali autoregressive (VAR) e a me<strong>di</strong>a<br />
mobile (VMA) e richiede un apparato inferenziale ad hoc. Queste<br />
tematiche saranno estensivamente trattate nel capitolo successivo.<br />
1.3 Alcuni strumenti preliminari<br />
In questo paragrafo illustreremo alcuni strumenti dei quali<br />
faremo largamente uso nel seguito.<br />
Cominciamo con la nozione <strong>di</strong> matrice <strong>di</strong> densità spettrale o<br />
spettro <strong>di</strong> un processo vettoriale u t (t = 0,1,2... ) <strong>di</strong> <strong>di</strong>mensione n<br />
e debolmente stazionario. Si assuma che tale processo abbia una<br />
funzione <strong>di</strong> autocovarianza r(k) = E(utu t _ k ) assolutamente sommabile,<br />
ovvero tale che:<br />
k=-oo<br />
9<br />
(1.3)
- CapitoLo I -<br />
dove Il r(k) Il in<strong>di</strong>ca il modulo del determinante della matrice r(k),<br />
allora esiste la trasformata <strong>di</strong> Fourier della r(k), ovvero la<br />
funzione<br />
F(w) - l r<br />
- 271: L<br />
k=-oo<br />
r(k)exp(-ik)<br />
ed è limitata ed uniformemente continua in (71:, 71:]. La funzione F(w)<br />
è detta matrice <strong>di</strong> densità spettrale del processo u t alla frequenza<br />
w E (71:, 71:] ed è interpretabile come: (a) matrice <strong>di</strong> varianze e<br />
covarianze del processo dU(w), il quale è legato al processo u t<br />
me<strong>di</strong>ante la rappresentazione <strong>di</strong> Cramer, ovvero:<br />
71:<br />
Yt =JexpOtw)dU(w)<br />
-71:<br />
(b) scomposizione <strong>per</strong> frequenze della matrice <strong>di</strong> covarianze del<br />
processo u t ' ovvero:<br />
71:<br />
reO) = J F(w)d(w)<br />
-71:<br />
Poichè la F(w) è una matrice <strong>di</strong> covarianze <strong>di</strong> un processo a valori<br />
complessi, essa è una matrice hermitiana e semidefinita positiva.<br />
Inoltre, la matrice F(w) assume valori reali <strong>per</strong> w = O o w = O.<br />
Nell'ambito dei processi debolmente stazionari che rispettano<br />
la con<strong>di</strong>zione (1.3), ci limiteremo a considerare processi che<br />
ammettono la rappresentazione vettoriale a me<strong>di</strong>a mobile (VMA),<br />
ovvero:<br />
10
- Capitolo I -<br />
dove C(L) = LCJL J , L è l'o<strong>per</strong>atore <strong>di</strong> ritardo, Co = I e et è un<br />
J=O<br />
processo rumore bianco vettoriale <strong>di</strong> <strong>di</strong>mensione n. In questo caso,<br />
la mçl.trite <strong>di</strong> densità spettrale del processo u t è la seguente:<br />
Fu(w) = C(exp(-iw))'2:C(exp(iw)),<br />
dove 2: = E(ete t '). Se il polinomio IF(L)I' dove IF(L) I in<strong>di</strong>ca il<br />
determinante della matrice F(L), ha tutte le ra<strong>di</strong>ci in modulo<br />
su<strong>per</strong>iori ad uno, allora esiste la matrice polinomiale inversa<br />
C(L) = F(L)-l. In tal caso il processo u t viene definito invertibile<br />
ed esiste la sua rappresentazione autoregressiva vettoriale (VAR),<br />
ovvero:<br />
dove la stazionarietà del processo u t richiede che il polinomio<br />
IF(L) I abbia tutte le ra<strong>di</strong>ci in modulo su<strong>per</strong>iori ad uno. Infine, se<br />
C(L) = R(L)-lM(L), dove R(L) e M(L) sono polinomi matriciali <strong>di</strong><br />
or<strong>di</strong>ne rispettivamente pari a p e q (p,q < 00) tali che R o = MQ = I,<br />
allora esiste la rappresentazione autoregressiva-me<strong>di</strong>a mobile<br />
vettoriale, VARMA(p,q), del processo u t • ovvero:<br />
11
- CapitoLo I -<br />
dove la stazionarietà e l'invertibilità del processo u t richiedono<br />
rispettivamente che il polinomio IR(L) I e quello IM(L) I abbiano<br />
tutte le ra<strong>di</strong>ce in modulo su<strong>per</strong>iori ad uno.<br />
Nel seguito saremo interessati a stu<strong>di</strong>are le proprietà <strong>di</strong> un<br />
processo ricavato filtrandone un altro. Ci limiteremo a considerare<br />
filtri lineari e invarianti nel tempo, ovvero matrici polinomiali<br />
A(L) <strong>di</strong> or<strong>di</strong>ne nxr (r::$ n). Tale filtro <strong>di</strong>ce'si realizzabile se<br />
A J = O <strong>per</strong> 'ij > q (q < (0). Una proprietà importante è éhe se il<br />
filtro A(L) è assolutamente sommabile, ovvero:<br />
00<br />
LIAJ \ < 00<br />
J=O<br />
allora il processo V t = A(L)'u t è stazionario. Inoltre il processo<br />
vt ha la seguente rappresentazione <strong>di</strong> Cramer:<br />
1l<br />
v t = JexpUtw)A(exp(-iw))'dU(w)<br />
e la seguente matrice <strong>di</strong> densità spettrale:<br />
-1l<br />
(1. 4)<br />
La funzione A(expUw)) è detta funzione <strong>di</strong> trasferimento e la<br />
funzione A(exp(-iw))'A(expUw)) è detta funzione <strong>di</strong> guadagno. Per un<br />
ampio trattamento degli strumenti sinora presentati, si può vedere<br />
Brillinger (1981).<br />
Si consideri ora il seguente filtro':<br />
t.(L) = (1 - expOìdL) se À = O o À = 1l<br />
12
- Capitolo I -<br />
A(L) = (l - 2cos(i\)L + L2) se i\ :;t: O (mod n)<br />
E' facile vedere che il filtro Ll(L) ha una funzione <strong>di</strong> trasferimento<br />
che si annulla alla frequenza i\. Questo implica -che la matrice <strong>di</strong><br />
densità spettrale del processo Lì(L)u t è nulla alla frequenza i\. Non<br />
risulta invece definita la matrice <strong>di</strong> densità spettrale del processo<br />
<strong>non</strong> stazionario Yt definito dall'equazione:<br />
Una semplice estensione dell'equazione (1.4) ci porta <strong>per</strong>ò a<br />
definire lo pseudospettro del processo Ytp ovvero:<br />
il quale <strong>non</strong> è limitato su<strong>per</strong>iormente <strong>per</strong> w = i\.<br />
Infine, faremo spesso uso della seguente proposizione:<br />
Proposizione 1. 1. Una matrice polinomiale A(L) può essere<br />
riscritta come:<br />
m m m<br />
A(L) = LC k TI (l - zkL)A(Zk) + TI (l - zkL)A*(L)<br />
k=l J:;t:k J:;t:k<br />
dove 21"" ,2 m sono scalari complessi e <strong>di</strong>stinti, c k (k = l, ... ,m) è<br />
Iit<br />
una costante e A (L) una matrice polinomiale (Hylleberg et al.,<br />
1990).<br />
13
- CapitoLo I -<br />
1.3 Una breve panoramica dei prossimi capitoli<br />
Nel secondo capitolo verranno approfon<strong>di</strong>te le nozioni <strong>di</strong><br />
integrazione e <strong>cointegrazione</strong> alla frequenza zero e alle, stagionali<br />
e si illustreranno le <strong>di</strong>verse rappresentazioni <strong>di</strong> un vettore <strong>di</strong><br />
serie stagionali cointegrate. Inoltre, verranno sviluppati dei test<br />
<strong>di</strong> integrazione e <strong>cointegrazione</strong> basati sulla funzione <strong>di</strong> coerenza<br />
spettrale e sul<strong>l'analisi</strong> delle componenti principali nel dominio<br />
delle frequenze.<br />
Il terzo capitolo tratterà una miscellanea <strong>di</strong> argomenti,<br />
quali costituiscono delle possibili linee evolutive <strong>per</strong> <strong>l'analisi</strong> <strong>di</strong><br />
<strong>cointegrazione</strong> <strong>non</strong> pq.rametrica. In primo luogo, si mostrerà come<br />
test del capitolo precedente possano facilmente essere estesi a<br />
serie integrate contenti componenti deterministiche complesse,<br />
quali, ad esempio, cambiamenti <strong>di</strong> livello e trend spezzati. Questa<br />
estensione è rilevante in quanto i test attualmente <strong>di</strong>sponibili nel<br />
dominio temporale <strong>non</strong> sono in grado <strong>di</strong> gestire tali serie.<br />
Inoltre, si proporrà un metodo <strong>di</strong> stima dei coefficienti delle<br />
combinazioni lineari <strong>di</strong> <strong>cointegrazione</strong> basato sugli autovettori<br />
della matrice <strong>di</strong> densità spettrale. Infine, si presenterà uno<br />
stimatore semiparametrico della matrice <strong>di</strong> densità spettrale il<br />
quale consente <strong>di</strong> risolvere alcuni problemi connessi all'uso delle<br />
componenti principali nel dominio delle frequenza.<br />
14
n.l Introduzione<br />
CAPITOLO II<br />
LA TEORIA E LA VERIFICA DELLA COINTEGRAZIONE<br />
STAGIONALE NEL DOMINIO FREQUENZIALE<br />
Nel precedente capitolo si è scritto che lo scopo che <strong>l'analisi</strong><br />
<strong>di</strong> <strong>cointegrazione</strong> si prefigge è l'inferenza sulle componenti <strong>non</strong><br />
stazionarie <strong>di</strong> un processo stocastico vettoriale. Poichè dette<br />
componenti, ovvero trend e stagionalità, sono responsabili delle<br />
fluttuazioni delle serie storiche a <strong>per</strong>io<strong>di</strong> . ben determinati,<br />
l'ottica frequenziale è <strong>di</strong> chiaro interesse <strong>per</strong> <strong>l'analisi</strong> <strong>di</strong><br />
<strong>cointegrazione</strong>.<br />
Lo stu<strong>di</strong>o della <strong>cointegrazione</strong> nel dominio delle frequenze<br />
rende <strong>di</strong> imme<strong>di</strong>ata comprensione le caratteristiche rilevanti <strong>di</strong><br />
serie integrate e cointegrate. In particolare, si evidenzierà che un<br />
processo stocastico integrato può essere reso stazionario<br />
dall'applicazione <strong>di</strong> un opportuno filtro lineare, il quale è<br />
caratterizzato. dall'avere una funzione <strong>di</strong> trasferimento che si<br />
annulla a date frequenze. Quando queste frequenze sono la zero e le<br />
stagionali, tale filtro risulta essere il ben noto o<strong>per</strong>atore<br />
"<strong>di</strong>fferenza stagionale", inizialmente proposto da Box e Jenkins<br />
(1976) nel loro modello moltiplicativo-stagionale. L'ipotesi che<br />
molte serie storiche socio-economiche siano generate da processi<br />
integrati fornisce quin<strong>di</strong> una giustificazione formale alla <strong>di</strong>ffusa<br />
15
- Capitolo I I -<br />
pratica <strong>di</strong> "<strong>di</strong>fferenziare" le serie stesse al fine <strong>di</strong> renderle<br />
stazionarie.<br />
In ambito multivariato <strong>per</strong>ò l'uso <strong>di</strong> o<strong>per</strong>atori <strong>di</strong>fferenza <strong>non</strong><br />
risulta appropriato nel caso <strong>di</strong> presenza <strong>di</strong> <strong>cointegrazione</strong>. Infatti,<br />
in questa con<strong>di</strong>zione la <strong>di</strong>fferenziazione della serie multivariata<br />
comporta la cancellazione <strong>di</strong> importanti legami o<strong>per</strong>anti tra gli<br />
elementi del processo vettoriale. Dal punto· <strong>di</strong> vista matematico,<br />
tale cancellazione si traduce nella <strong>per</strong><strong>di</strong>ta della proprietà <strong>di</strong><br />
invertibilità della serie vettoriale. Ne segue che le conseguenze<br />
della <strong>di</strong>fferenziazione <strong>di</strong> serie cointegrate sono particolarmente<br />
gravi <strong>per</strong> quanto riguarda la modellizzazione nel dominio temporale.<br />
Questi aspetti verranno ripresi nel prossimo capitolo.<br />
Questo capitolo è organizzato come segue: nel prossimo<br />
paragrafo vengono introdotte le nozioni <strong>di</strong> integrazione e<br />
<strong>cointegrazione</strong> <strong>di</strong> un processo ad una data frequenza, nel paragrafo<br />
II.3 si specializzano dette nozioni <strong>per</strong> il caso <strong>di</strong> serie stagionali,<br />
nel paragrafo II.4 si presentano alcune rappresentazioni <strong>di</strong> serie<br />
stagionali cointegrate, nel paragrafo II.5 si introducono e si<br />
<strong>di</strong>scutono alcuni test <strong>per</strong> la presenza <strong>cointegrazione</strong> ad una<br />
qualsiasi frequenza e infine il paragrafo II. 6 contiene le<br />
conclusioni. Si precisa che paragrafi II.2, II.3 e II.5 sono<br />
basati su precedenti lavori dello scrivente (Cubadda 1994a, 1994b).<br />
ILi Cointegrazione ad una data frequenza: definizioni e proprietà<br />
Definizione 2. 1: Un processo x t <strong>di</strong>cesi integrato <strong>di</strong> or<strong>di</strong>ne d,<br />
dove d E IN, ad una frequenza angolare À, e si denota x t<br />
'" I(d,À),<br />
se esiste un processo debolmente stazionario u t con spettro f (w)<br />
u<br />
limitato, uniformemente continuo in [-lI, lI], positivo in À e legato<br />
allo pseudospettro <strong>di</strong> x t ' f (w), dalla seguente relazione:<br />
x<br />
16
- Capitolo II -<br />
storiche <strong>di</strong> prezzi e <strong>di</strong> variabili economiche nominali, le quali<br />
spesso risultano essere 1(2, O) (<strong>per</strong> alcuni risultati relativi a<br />
serie storiche macroeconomiche italiane, si veda Cubadda e Mignacca<br />
1994). Alle frequen;ze stagionali, le evidenze empiriche sono meno<br />
conclusive. Infatti, le analisi empiriche condotte su dati inglesi<br />
(MilIs e Mills 1992) e giapponesi (Engle et al. 1993), hanno fornito<br />
in<strong>di</strong>cazioni <strong>di</strong> serie integrate <strong>di</strong> or<strong>di</strong>ne uno, mentre, tra gli stu<strong>di</strong><br />
che hanno fatto uso <strong>di</strong> dati nord-americani, Beaulieu e Miron (993)<br />
hanno evidenziato una prevalenza del caso d = 0, anche se i loro<br />
risultati sono stati severamente posti in dubbio (Hylleberg et al,<br />
1993). La complessiva prevalenza del caso d = 1 giustifica la<br />
seguente definizione <strong>di</strong> <strong>cointegrazione</strong>:<br />
Definizione 2.2: Un vettore Yt <strong>di</strong> n processi integrati <strong>di</strong><br />
or<strong>di</strong>ne 1 alla frequenza i\ <strong>di</strong>cesi cointegrato alla frequenza i\ se<br />
esiste un vettore polinomiale IX(L} <strong>di</strong> <strong>di</strong>mensione n tale che<br />
lX(exp(ii\)) ;é ° e che il processo Zt = IX(L}'Yt sia I(b,i\) dove b < 1.<br />
Il sottospazio che genera il vettore lX(exp(ii\}) è detto spazio <strong>di</strong><br />
<strong>cointegrazione</strong> e se la sua <strong>di</strong>mensione è pari ad r, (r < n), allora<br />
<strong>di</strong>cesi che il processo Yt ha rango <strong>di</strong> <strong>cointegrazione</strong> pari a r. Nel<br />
caso in cuilX(L}= IX e [Rn, <strong>di</strong>remo che il vettore Ytè cointegrato<br />
contemporaneamente alla frequenza i\.<br />
In termini euristici, un vettore Yt <strong>di</strong> processi. I(l,i\) è<br />
cointegrato se è possibile ottenere un processo zt> integrato <strong>di</strong><br />
or<strong>di</strong>ne b < 1, "passando" gli elementi del vettore Yt attraverso un<br />
filtro lineare vettoriale o::(L) ,. Si noti che <strong>per</strong> valori <strong>di</strong> b < 1/2<br />
il processo Zt è stazionario (Granger e Joyeux 1980). . La con<strong>di</strong>zione<br />
che la funzione <strong>di</strong> trasferimento del vettore polinomiale <strong>di</strong><br />
<strong>cointegrazione</strong> o::(L) sia <strong>di</strong>versa da. zero alla frequenza i\, ovvero<br />
o::(exp(ii\)) :;C 0, esclude il caso banale in cui tutti gli elementi <strong>di</strong><br />
18
- Capitolo I I -<br />
poichè ogni elemento, del vettore Yt è un processo H1,i\.), possiamo<br />
scrivere:<br />
dove et è un vettore <strong>di</strong> n processi HO,i\.) e<br />
Lì(L) = (1 - exp(ii\.)L) se i\. =°o i\. = n:<br />
Lì(L) = (1 - 2cos(i\.)L + LZ) se i\. '" ° (mod n:).<br />
Possiamo ora enunciare il seguente teorema:<br />
(2.0<br />
Teorema 2.2: Il sistema (2.0 è cointegrato alla frequenza i\. se<br />
e solo se la matrice <strong>di</strong> densità spettrale Fe(w) (w e [0, n:]) del<br />
processo vettoriale et è singolare <strong>per</strong> w = i\.. Inoltre, lo spazio<br />
nullo della matrice Fe(i\.) è lo spazio <strong>di</strong> <strong>cointegrazione</strong>.<br />
Prova: Per <strong>di</strong>mostrare la sufficienza, si consideri che,<br />
premoltiplicando entrambe le parti dell'equazione (2.1) <strong>per</strong> lX(L)' e<br />
calcolandone lo spettro <strong>di</strong> potenza, si ottiene:<br />
(2.2)<br />
dove f z(w) è la densità spettrale del processo Zt. Calcolando<br />
l'equazione (2.2) <strong>per</strong> w = i\. abbiamo:<br />
(2.3)<br />
dalla quale si vede che la matrice Fe(i\.) ha rango pari a (n' - r) e<br />
che lo spazio <strong>di</strong> <strong>cointegrazione</strong> èi1 suo spazio nullo. Per<br />
<strong>di</strong>mostrare la necessità della con<strong>di</strong>zione (2.3), si consideri, che<br />
20
- Capitolo I I -<br />
Quando un processo x t è sia integrato stagionalmente che<br />
integrato <strong>di</strong> or<strong>di</strong>ne d alla frequenza zero allora si ha:<br />
d-l s<br />
O - L) O - L)x = u<br />
t t<br />
che è, se u t segue un processo ARMA stazionario e invertibile, il<br />
classico modello moltiplicativo stagionale proposto da Box e Jenkins<br />
(976).<br />
E' infine chiaro che un vettore <strong>di</strong> n processi integrati <strong>di</strong><br />
primo or<strong>di</strong>ne sia a qualche frequenza stagionale che alla zero può<br />
essere cointegrato ad ognuna <strong>di</strong> queste frequenze.<br />
HA Alcune rappresentazioni <strong>di</strong> serie stagionali cointegrate.<br />
Un vettore Yt <strong>di</strong> n processi cointegrati sia alla frequenza zero<br />
che alle stagionali ammette <strong>di</strong>verse rappresentazioni equivalenti nel<br />
dominio temporale. In questo paragrafo ci limiteremo a considerare<br />
la tipologia <strong>di</strong> <strong>cointegrazione</strong> più trattata nella letteratura,<br />
ovvero b = O. Inoltre, <strong>per</strong> semplicità, considereremo il caso <strong>di</strong><br />
serie trimestrali, oVVero s = 4. In questo contesto, poichè ogni<br />
elemento del processo vettoriale Yt è reso stazionario e invertibile<br />
dal filtro (l - L4), possiamo scrivere la rappresentazione <strong>di</strong> Wold<br />
del processo Yt:<br />
23<br />
(2.5)
- CapitoLo I I -<br />
matrice può essere fattorizzata come cm = 2HG', dove H e G sono<br />
matrici a valori complessi <strong>non</strong> singolari <strong>di</strong> or<strong>di</strong>ne n )c (n - r 3 ).<br />
Supponendo che i ranghi <strong>di</strong> <strong>cointegrazione</strong> alle frequenze O e n<br />
siano rispettivamente pari a r l e r z (r l < n, r z < n) e ripetendo le<br />
stesse considerazioni fatte <strong>per</strong> la <strong>cointegrazione</strong> alla frequenza<br />
n/2, possiamo allora scrivere DI = HlG l ' e D z = HzG z ',<br />
sono due matrici <strong>non</strong> singolari <strong>di</strong> or<strong>di</strong>ne n )c (n - r l ) e<br />
due matrici <strong>non</strong> singolari <strong>di</strong> or<strong>di</strong>ne n x (n - r z ).<br />
dove Hl e G l<br />
Hz e G z sono<br />
Sotto queste<br />
ipotesi, possiamo dunque riscrivere la rappresentazione (2.6) come:<br />
(1 - L 4 )Yt = {HlGl'(l + L + L Z + L 3 ) + HzGz'(l - L + L Z - L 3 ) +<br />
+ [H 3 G 3 ' + H 4 G 4 ' + (H4G3' + H 3 G 4 ' )L](l - L2) + C*(L)(l - L4)h:: t<br />
dove G 3 = Re[G], G 4 = Im[G], H 3 = Re[H] e H 4 = Im[H].<br />
(2.7)<br />
La rappresentazione (2.7) esplicita vincoli lineari che la<br />
presenza <strong>di</strong> <strong>cointegrazione</strong> impone alle matrici dei coefficienti<br />
della rappresentazione <strong>di</strong> Wold. Questi vincoli sono dovuti alla<br />
<strong>di</strong>pendenza lineare presente tra le componenti degli elementi <strong>di</strong> Yt<br />
associate ad ognunadelle frequenze <strong>di</strong> <strong>cointegrazione</strong>. Per questo<br />
motivo la (2.7) viene chiamata rappresentazione a trend e<br />
stagionalità comuni.<br />
Nei lavori empirici la rappresentazione più usata è <strong>per</strong>ò quella<br />
VAR, ovvero:<br />
(2.8)<br />
dove F(O) = I e IF(L) I ha alcune ra<strong>di</strong>ci pari a l, -1 e :ti e le altre<br />
esterne al cerchio unitario. Confrontando la (2.5) con la (2.8), è<br />
4<br />
facile ricavare che F(L)C(L) = (I - L ). Ne segue che:<br />
25
- Capitolo I I -<br />
nel caso <strong>di</strong> <strong>cointegrazione</strong> contemporanea, ovvero F(i) = -2BA 3 ', la<br />
(2.11) si riduce a:<br />
o - L 4 )Yt = et + [B1A1'O + L + L 2 + L 3 ) + B 2 A 2 'O - L + L 2 - L 3 ) +<br />
2 li> 4<br />
+ (B 3 + B 4 LlA 3 'O - L ) + F (L)(1 - L )]Yt-l<br />
(2.12)<br />
L'inferenza .nel dominio temporale <strong>per</strong> modelli stagionali<br />
cointegrati ha fatto sinora riferimento ai modelli ECM (2.11) e<br />
(2.12). In particolare, Hylleberg et al. (990) hanno proposto dei<br />
test alla Dickey e' Fuller (981) <strong>per</strong> verificare la presenza <strong>di</strong><br />
ra<strong>di</strong>ci unitarie in serie trimestrali univariate. L'estensione <strong>di</strong><br />
questi test alle serie mensili è stata considerata da Franses (991)<br />
e da Bealieu e Miron (993). Engle et al. (993) hanno sviluppato un<br />
metodo a due sta<strong>di</strong> alla Engle e Granger (987) <strong>per</strong> verificare e<br />
stimare relazioni <strong>di</strong> <strong>cointegrazione</strong> trimestrali in serie bivariate.<br />
Le statistiche proposte hanno il pregio della semplicità concettuale<br />
e computazionale, poichè richiedono solamente regressioni con<br />
minimi quadrati or<strong>di</strong>nari, ma in generale <strong>non</strong> sono asintoticamente<br />
equivalenti agli stimatori <strong>di</strong> massima verosimiglianza (MLl. Un<br />
approccio ML alla Johansen (988) è stato proposto da Lee (992) <strong>per</strong><br />
la verifica <strong>di</strong> <strong>cointegrazione</strong> contemporanea e la stima dei parametri<br />
del modello (2.12) sotto l'assunzione che valga la restrizione<br />
B 4 = O. Infine, Ahn e Reinsel (994) hanno proposto un metodo <strong>di</strong><br />
stima dei parametri del modello (2.11) basato sulla tecnica della<br />
regressione a rango ridotto. Tale stimatore è asintoticamente<br />
equivalente a quello ML.<br />
Una caratteristica comune ai meto<strong>di</strong> nel dominio temporale è il<br />
ricorso a tecniche inferenziali basate su opportuni teoremi del<br />
limite centrale su spazi funzionali e relativi principi <strong>di</strong><br />
invarianza. Una conseguenza <strong>di</strong> ciò è che le statistiche proposte<br />
convergono debolmente a funzionali <strong>di</strong> moti browniani multivariati i<br />
27
- CapitoLo I I -<br />
quali <strong>non</strong> sono invarianti all'introduzione nei modelli (2.11) e<br />
(2.12) <strong>di</strong> elementi deterministici come derive, trend e dummies<br />
stagionali 2 . Un'altra <strong>di</strong>fficoltà è infine connessa al fatto che la<br />
letteratura sviluppata nel dominio temporale ha sinora ignorato<br />
l'inferenza <strong>per</strong> serie mensili cointegrate, a <strong>di</strong>spetto della loro<br />
notevole rilevanza ai fini del<strong>l'analisi</strong> congiunturale.<br />
II.5 Test <strong>di</strong> <strong>cointegrazione</strong> <strong>non</strong> <strong>parametrici</strong><br />
II.S.I La stima della matrice <strong>di</strong> densità spettrale<br />
I test <strong>non</strong> <strong>parametrici</strong> che verranno illustrati in questo<br />
paragrafo hanno il loro razionale nel teorema (2.2). In particolare,<br />
data la con<strong>di</strong>zione necessaria e sufficiente (2.3) <strong>per</strong> la<br />
<strong>cointegrazione</strong> ad una data frequenza, si tratterà <strong>di</strong> verificare se<br />
la matrice <strong>di</strong> densità spettrale. Fe(w) abbia rango ridotto alle<br />
frequenze <strong>di</strong> interesse.<br />
Un notevole pregio del<strong>l'analisi</strong> <strong>di</strong> <strong>cointegrazione</strong> neL dominio<br />
frequenziale è proprio che test <strong>non</strong> richiedono preliminarmente<br />
l'identificazione e la stima <strong>di</strong> un modello multivariato, ad es. del<br />
tipo VARMA, <strong>per</strong> il vettore <strong>di</strong> serie storiche in esame. Inoltre,<br />
nell'approccio <strong>non</strong> parametrico le statistiche proposte sono<br />
opportune funzioni del processo et il quale è ottenuto cancellando<br />
le ra<strong>di</strong>ci unitarie dagli elementi del processo vettoriale Yt. Ciò<br />
consente il ricorso all'usuale teoria asintotica <strong>per</strong> processi<br />
2 Per esempio, <strong>l'analisi</strong> <strong>di</strong> Lee (1992) assume irrealisticamente che<br />
le serie siano generate da processi a me<strong>di</strong>a nulla in ogni <strong>per</strong>iodo e<br />
in ogni stagione.<br />
28
- CapitoLo I I -<br />
stazionari. Un' implicazione rilevante <strong>di</strong> questo è che i test <strong>non</strong><br />
<strong>parametrici</strong> sono invarianti alla presenza nella serie Yt <strong>di</strong><br />
componenti deterministiche quali drifts o dummies stagionali.<br />
Il punto <strong>di</strong> partenza dei test <strong>non</strong> <strong>parametrici</strong> è una stima<br />
consistente della matrice <strong>di</strong> densità spettrale Fe(w). A questo<br />
proposito, si noti che le equazioni (2.2) e (2.3) ci <strong>di</strong>cono che la<br />
funzione
(Brillinger, 1981).<br />
- Capitolo I I -<br />
risultati asintotici presentati prescindono, nell'ambito<br />
delle con<strong>di</strong>zioni (2.13), da una particolare scelta della forma e<br />
della ampiezza della finestra spettrale W T (·). Riguardo ai criteri<br />
che possono orientare tale scelta nella pratica, è <strong>di</strong>sponibile una<br />
letteratura molto vasta. Relativamente alla forma, una finestra<br />
spettrale ottima, nel senso che gode della proprietà minimizzare<br />
l'errore quadratico me<strong>di</strong>o relativo <strong>di</strong> stima, è la finestra spettrale<br />
quadratica (Priestley 1962):<br />
Tale finestra risulta comunque ottima anche secondo criteri<br />
alternativi (Andrews 1991).<br />
Per quanto riguarda l'ampiezza della finestra, sono <strong>di</strong>sponibili<br />
vari meto<strong>di</strong> data-based che cercano <strong>di</strong> determinare, almeno in via<br />
approssimata, una m ottima secondo criteri quali la minimizzazione<br />
dell'errore quadratico me<strong>di</strong>o integrato (Robinson 1991) o dell'errore<br />
quadratico me<strong>di</strong>o troncato (Andrews 1991). Una <strong>di</strong>fficoltà comune a<br />
questo tipo <strong>di</strong> procedure è che l'ampiezza ottima <strong>di</strong>pende da alcuni<br />
parametri incogniti. Un'espe<strong>di</strong>ente <strong>per</strong> risolvere questo problema è<br />
31
- Capitolo I I -<br />
Al fine <strong>di</strong> costruire un test <strong>per</strong> la <strong>cointegrazione</strong> alla<br />
frequenza X, possiamo quin<strong>di</strong> basarci sul seguente stimatore<br />
consistente della coerenza spettrale multipla ICe1ez(X) I:<br />
E' noto che, se ICe e (X) I E (O, 0, allora la <strong>di</strong>stribuzione <strong>di</strong><br />
,., l Z<br />
zelez(X) = tanh- 1 ICe1eZ(X)I è asintoticamente normale con me<strong>di</strong>a<br />
E[ze e (X)] = tanh-11 Ce e (;>d I + (n - 1)/2[k(X) - n + 1]<br />
l Z l Z<br />
e varianza 1I2[k(X) - n] (Brillinger 1981). Possiamo quin<strong>di</strong> ricavare<br />
<strong>per</strong> IC e1eZ (X) I il limite inferiore <strong>di</strong> confidenza al lOO(l-p)%<br />
e il limite su<strong>per</strong>iore <strong>di</strong> confidenza al lOO(l-p)%<br />
(2.14)<br />
(2.15)<br />
dove v p è il lOO(l-p)-simo <strong>per</strong>centile della <strong>di</strong>stribuzione normale<br />
standar<strong>di</strong>zzata.<br />
Questi limiti <strong>di</strong> confidenza possono essere utilizzati al fine<br />
<strong>di</strong> costruire un test <strong>di</strong> <strong>cointegrazione</strong> alla frequenza X. In questo<br />
33
- CapitoLo I I -<br />
Tavola la<br />
Valori critici <strong>per</strong> il test <strong>di</strong> <strong>non</strong> <strong>cointegrazione</strong><br />
Modelli l7. 5% 10% 20%<br />
(a) 0.910 0.899 0.894 0.885<br />
(b) 0.907 0.896 0.899 0.881<br />
(c) 0.909 0.898 0.892 0.884<br />
Tavola 2a<br />
Rifiuti % <strong>per</strong> il test <strong>di</strong> <strong>non</strong> <strong>cointegrazione</strong>: Modello (a)<br />
N°. 055. 1% 5% 10% 20%<br />
64 98.64 99.84 99.88 99.96<br />
128 100.00 100.00 100.00 100.00<br />
256 100.00 100.00 100.00 100.00<br />
Tavola 2b<br />
Rifiuti % <strong>per</strong> il test <strong>di</strong> <strong>non</strong> <strong>cointegrazione</strong>: Modello (b)<br />
N°. 055. l7. 5% 10% 20%<br />
64<br />
128<br />
256<br />
28.48<br />
88.26<br />
99.92<br />
48.80<br />
95.02<br />
99.98<br />
Tavola 2c<br />
58.62<br />
96.50<br />
99.99<br />
70.84<br />
98.18<br />
100.00<br />
Rifiuti % <strong>per</strong> il test <strong>di</strong> <strong>non</strong> <strong>cointegrazione</strong>: Modello (c)<br />
N°. 055. 1% 5% 10% 20%<br />
64 77.64 90.14 93.60 96.70<br />
128 99.68 99.96 99.98 98.99<br />
256 100.00 100.00 100.00 100.00<br />
36
- Capitolo II -<br />
Le simulazioni in<strong>di</strong>cano che i valori critici sono abbastanza<br />
stabili tra le varie assunzioni <strong>di</strong> generazioni delle serie et e che<br />
la probabilità <strong>di</strong> osservare un limite inferiore prossimo ad uno è<br />
praticamente nulla.<br />
Inoltre, risultati riportati in tavola 2 mostrano che la<br />
potenza del test è considerevole <strong>per</strong> <strong>di</strong>mensioni campionarie me<strong>di</strong>o<br />
gran<strong>di</strong>. Ad esempio, la potenza del test <strong>non</strong> è risultata mai<br />
inferiore al 9570 ad un livello <strong>di</strong> confidenza del 570 <strong>per</strong> T = 128. Per<br />
piccole <strong>di</strong>mensioni campionarie, la potenza del test è generalmente<br />
elevata <strong>per</strong> i modelli (a) e (c), ma risulta meno sod<strong>di</strong>sfacente <strong>per</strong><br />
il modello (b). Questo potrebbe in<strong>di</strong>care una tendenza del test ad<br />
essere conservativo, con un valore critico pari a 0.95, quando nel<br />
processo .sono presenti ra<strong>di</strong>ci autoregressive <strong>di</strong> valore elevato in<br />
modulo in corrispondenza della frequenza <strong>di</strong> interesse.<br />
In conclusione, nel caso <strong>di</strong> serie bivariate, si suggerisce<br />
l'uso della seguente regola <strong>di</strong> decisione:<br />
Rifiuto al lOO(I-p)70 dell'ipotesi nulla <strong>di</strong> assenza <strong>di</strong><br />
<strong>cointegrazione</strong> alla frequenza i\ se il limite inferiore (2.14) è<br />
inferiore a 0.95;<br />
Accettazione al lOO(I-p)70 dell'ipotesi nulla <strong>di</strong> asse·nza <strong>di</strong><br />
<strong>cointegrazione</strong> alla frequenza i\ se il limite su<strong>per</strong>iore (2.14) è<br />
inferiore a 0.95.<br />
Questa procedura deve essere mo<strong>di</strong>ficata nel caso <strong>di</strong> serie<br />
multivariate, ovvero n ::: 3, poichè il rango <strong>di</strong> <strong>cointegrazione</strong> r può<br />
essere maggiore <strong>di</strong> uno e quin<strong>di</strong>, ricordando il teorema (2.2), <strong>non</strong> è<br />
più assicurato che esista un blocco <strong>di</strong> rango (n - n della matrice<br />
Fe(i\). Ne segue che nei sistemi multivariati è necessario verificare<br />
1'assenza <strong>di</strong> <strong>cointegrazione</strong> nei sottoinsiemi <strong>di</strong> <strong>di</strong>mensione inferiore<br />
37
- CapitoLo I I -<br />
partendo dal livello bivariato. Ad esempio, nel caso n = 3, in primo<br />
luogo bisogna applicare il test ad ognuna delle tre possibili coppie<br />
<strong>di</strong> variabili. Successivamente, si deve procedere come segue: se <strong>non</strong><br />
vi è evidenza <strong>di</strong> <strong>cointegrazione</strong> in tutte le coppie, possiamo formare<br />
...<br />
il blocco F22(i\.) tra le serie che esibiscono la coerenza spettrale<br />
più bassa in i\. e applicare il test alla serie trivariata. Invece, se<br />
vi è evidenza <strong>di</strong> <strong>cointegrazione</strong> solamente in un paio <strong>di</strong> serie, si<br />
accetta l'ipotesi r = l e infine, se vi è evidenza <strong>di</strong> <strong>cointegrazione</strong><br />
in almeno due coppie <strong>di</strong> serie, allora accettiamo l'ipotesi r = 2.<br />
buoni risultati forniti dal test bivariato in termini <strong>di</strong><br />
potenza suggeriscono che le conseguenze <strong>di</strong> questo "pretesting" <strong>non</strong><br />
dovrebbero essere rilevanti.<br />
II.5.3 Un test basato sugli autovalori della matrice spettrale<br />
Questo test è stato inizialmente proposto da Phillips e<br />
Ouliaris (1988) limitatamente <strong>per</strong> la <strong>cointegrazione</strong> alla frequenza<br />
zero. Joyeux (1992) ha tentato un'estensione della procedura a<br />
frequenze <strong>di</strong>fferenti dalla zero. Purtroppo, Joyeux (1992) ha<br />
formulato erroneamente il sistema delle ipotesi. Le conseguenze <strong>di</strong><br />
questo errore e dei possibili rime<strong>di</strong> sono stati considerati in<br />
Cubadda (1994b).<br />
Dal momento che il test si basa sul<strong>l'analisi</strong> delle componenti<br />
principali nel dominio frequenziale, è necessario standar<strong>di</strong>zzare<br />
tutte le variabili che sono contenute in et <strong>per</strong> evitare problemi <strong>di</strong><br />
scala. Questo può essere fatto definendo una nuova matrice<br />
38
- CapitoLo I I -<br />
q n q n<br />
(l>I) / 0>1 )<br />
- V D[k(À)r l12 :s<br />
P (LPI) / (LPI )<br />
1=1 1=1 1=1 1=1<br />
e il limite su<strong>per</strong>iore <strong>di</strong> confidenza al 100(1 - p)% è:<br />
dove<br />
q n q n<br />
1l2<br />
(LPI) / (LPI) :s (Lrl) / (Lrl ) + VpD[k(À)r<br />
1=1 1=1 1=1 1=1<br />
1=1 I=q+l l=q+l 1=1 1=1<br />
(2.16)<br />
(2.17)<br />
Questi limiti <strong>di</strong> confidenza possono essere impiegati al fine <strong>di</strong><br />
sviluppare un test <strong>di</strong> <strong>cointegrazione</strong> alla freqùenza À. Infatti, se<br />
il limite inferiore (su<strong>per</strong>iore) (2.14) «2.15)) risulta maggiore<br />
(minore) <strong>di</strong> una "piccola" quantità prefissata, allora possiamo<br />
accettare (rifiutare) al 100(1 - p)% l'ipotesi nulla <strong>di</strong> <strong>non</strong><br />
<strong>cointegrazione</strong> alla frequenza À. Phillips e Ouliaris (1988)<br />
suggeriscono, sulla base <strong>di</strong> stu<strong>di</strong> <strong>di</strong> Monte Carlo, <strong>di</strong> fissare questo<br />
valore critico pari a O.lIn<br />
L'uso <strong>di</strong> questa procedura è stato proposto da Joyeux (1992)<br />
come test <strong>per</strong> l'ipotesi nulla <strong>di</strong> <strong>non</strong> <strong>cointegrazione</strong> contemporanea ad<br />
una generica frequenza À. Ma, in base ai teoremi (2.0 e (2.2), il<br />
sistema <strong>di</strong> ipotesi suggerito da Joyeux (1992) è corretto solo se<br />
À = O o À = 71:. Infatti, nel caso in cui À *" O (mod 71:), la matrice <strong>di</strong><br />
densità spettrale Fe(À) è singolare anche se esiste <strong>cointegrazione</strong><br />
<strong>non</strong> contemporanea. Ne consegue che, assumendo l'ipotesi nulla <strong>di</strong><br />
<strong>cointegrazione</strong> contemporanea alla frequenza À, se À *" O (mod 71:), il<br />
test <strong>di</strong> Joyeux (1992) ha ampiezza asintotica pari ad uno.<br />
,:<br />
40
- Capitolo I I -<br />
Al fine <strong>di</strong> sondare gli effetti <strong>di</strong> questa <strong>di</strong>storsione asintotica<br />
del· test <strong>per</strong> campioni finiti, si riferisce dello stu<strong>di</strong>o <strong>di</strong> Monte<br />
Carlo in Cubadda (l994b). A questo proposito, sono state generate<br />
3000 replicazioni del seguente modello bivariato:<br />
dove<br />
A(L) = [. 1 -2L],<br />
O 1 + L Z<br />
e T = {80, 120, 160, 200}.<br />
B(L) = [ 1 - 0.6L z 0.4L z], :E =<br />
-0.5L 1 - 0.7L<br />
[<br />
1 0.3 ]<br />
0.3 1<br />
Nel modello in questione il processo Yt è cointegrato <strong>non</strong><br />
contemporaneamente alla frequenza n/2. In particolare, il vettore<br />
polinomiale <strong>di</strong> <strong>cointegrazione</strong> è a:(L) = (l, -2L). Inoltre, gli<br />
Z<br />
spettri <strong>di</strong> potenza del processo et = (l + L )Yt hanno i loro massimi<br />
relativi alla frequenza n/2. Infine, la matrice <strong>di</strong> densità spettrale<br />
delle serie et è stata stimata, seguendo Joyeux (1992), con una<br />
finestra spettrale rettangolare e fissando m = T G • 5 •<br />
Le <strong>per</strong>centuali <strong>di</strong> rifiuto del test basato sul limite su<strong>per</strong>iore<br />
<strong>di</strong> confidenza (2.17) sono riportate nella tabella 3. Le simulazioni<br />
in<strong>di</strong>cano quin<strong>di</strong> che <strong>per</strong> il modello considerato l'ampiezza del test è<br />
praticamente pari ad uno <strong>per</strong> <strong>di</strong>mensione campionarie pari a 160 e<br />
oltre.<br />
La formulazione del sistema delle ipotesi proposta da Joyeux<br />
(1992) è stata forse motivata dall'evenienza che la verifica della<br />
<strong>cointegrazione</strong> stagionale contemporanea ha notevole interesse <strong>per</strong><br />
almeno due motivi. Il primo è che la <strong>cointegrazione</strong> contemporanea<br />
sembra essere la tipologia <strong>di</strong> <strong>cointegrazione</strong> stagionale più <strong>di</strong>ffusa<br />
41
- CapitoLo II -<br />
Tavola 3<br />
Rifiuti % <strong>per</strong> il test <strong>di</strong> <strong>non</strong> <strong>cointegrazione</strong><br />
N° Osservazioni<br />
Ampiezza -----------------nominale<br />
80 120 160 200<br />
5% 74.70 96.67 99.70 99.97<br />
10% 82.40 98.20 99.83 100.00<br />
in pratica. Il secondo è che l'inferenza e la modellistica nel<br />
dominio temporale sono notevolmente semplificati se la<br />
<strong>cointegrazione</strong> stagionale è contemporanea (Lee 1992, Ahn e Reinsel<br />
1994).<br />
Al fine <strong>di</strong> formulare dei test <strong>di</strong> <strong>cointegrazione</strong> contemporanea<br />
alla frequenza i\ :I: O (mod ll), si consideri che sotto tale ipotesi la<br />
con<strong>di</strong>zione (2.3) equivale alla<br />
a'F (i\)a = a'Re[F (i\))a = O<br />
e e<br />
. (2.18)<br />
dove la prima uguaglianza deriva dal fatto che la matrice <strong>di</strong> densità<br />
spettrale Fe(i\) è hermitiana e semi-definita positiva. La relazione<br />
(2.18) suggerisce quin<strong>di</strong> la costruzione <strong>di</strong> test basati sugli<br />
autovalori della sola parte reale della matrice Fe(i\).<br />
A questo proposito, si consideri che, se i\ :t:. O (mod ll,) allora<br />
la matrice Re[R(i\)) si <strong>di</strong>stribuisce asintoticamente come<br />
[k(i\)r 1 W {k(i\), Re[P(i\))}<br />
n<br />
Ne segue' che quando gli autovalori P• (i=I, ... ,n) <strong>di</strong> Re[P(i\))<br />
1<br />
sono <strong>di</strong>stinti, allora gli autovalori r• (i=I, ... ,n) <strong>di</strong> Re[R(i\)) sono<br />
1<br />
asintoticamente in<strong>di</strong>pendenti e<br />
42
n.6 Considerazioni conclusive<br />
- Capitolo I I -<br />
In questo capitolo si è trattata <strong>l'analisi</strong> <strong>di</strong> <strong>cointegrazione</strong><br />
<strong>per</strong> serie stagionali secondo l'ottica del dominio delle frequenze.<br />
In particolare, si è rilevato come le problematiche sottostanti alla<br />
teoria della <strong>cointegrazione</strong> siano più facilmente trattabili me<strong>di</strong>ante<br />
un approccio frequenziale. Inoltre si sono considerati alcuni test<br />
<strong>non</strong> <strong>parametrici</strong> <strong>di</strong> <strong>cointegrazione</strong> <strong>per</strong> serie stagionali.<br />
Per quanto riguarda gli aspetti inferenziali, si è visto che le<br />
tecniche illustrate hanno il pregio <strong>di</strong> fare riferimento alla teoria<br />
asintotica standard <strong>per</strong> processi stazionari. Ciò evita alcuni<br />
problemi connessi all'uso della teoria asintotica basata sui<br />
processi <strong>di</strong> Wiener, quali il trattamento delle componenti<br />
deterministiche nei modelli nel dominio temporale. Questo aspetto<br />
verrà ripreso nel capitolo successivo.<br />
L'analisi <strong>di</strong> <strong>cointegrazione</strong> nel dominio frequenziale <strong>non</strong> è<br />
comunque al momento sostitutiva a quella nel dominio temporale se<br />
l'interesse inferenziale verte <strong>non</strong> esclusivamente sulla verifica<br />
dell'esistenza <strong>di</strong> vettori <strong>di</strong> <strong>cointegrazione</strong> ad una data frequenza ma<br />
anche sulla loro stima. In questi casi appare ovvio suggerire<br />
un'approccio "combinato" tra l'impostazione frequenziale e quella<br />
temporale, ricorrendo alla prima in una fase esplorative e alla<br />
seconda nella fase <strong>di</strong> modellizzazione delle serie.<br />
Nel capitolo successivo verranno introdotte alcune linee <strong>di</strong><br />
ricerca secondo le quali l'impostazione frequenziale potrebbe<br />
evolversi al fine <strong>di</strong> potenziare meriti relativi rispetto alla<br />
modellistica nel dominio temporale.<br />
45
- Capitolo I I I -<br />
Una questione inferenziale <strong>di</strong> notevole interesse è la stima <strong>di</strong><br />
vettori <strong>di</strong> <strong>cointegrazione</strong> ad una data frequenza una volta che ne sia<br />
stata verificata l'esistenza. Nel paragrafo II1.3 si considera un<br />
semplice stimatore <strong>non</strong> parametrico dei vettori <strong>di</strong> <strong>cointegrazione</strong>.<br />
Riguardo a tale stimatore sono <strong>di</strong>sponibili solo alcuni risultati<br />
preliminari, i quali comunque ne garantiscono la consistenza e ne<br />
in<strong>di</strong>cano il tasso <strong>di</strong> convergenza.<br />
Un aspetto problematico nel<strong>l'analisi</strong> spettrale delle serie<br />
storiche consiste nella stima della matrice <strong>di</strong> densità spettrale<br />
quando questa è lontano dalI'essere "piatta" intorno alla frequenza<br />
<strong>di</strong> interesse. Nel paragrafo III.4 viene allora esaminata l'utilità<br />
<strong>di</strong> uno stimatore semi-parametrico della matrice <strong>di</strong> densità spettrale<br />
ai fini del<strong>l'analisi</strong> <strong>di</strong> <strong>cointegrazione</strong>. Si affrontano inoltre alcuni<br />
problemi specifici dei test basati sugli autovalori della matrice <strong>di</strong><br />
densità spettrale.<br />
UL2 Componenti deterministiche e test <strong>di</strong> <strong>cointegrazione</strong><br />
Nel paragrafo 11.2 si è rilevato che un processo I(1,À) ha un<br />
pseudospettro <strong>non</strong> limitato alla frequenza ì\. Il compito dei test <strong>di</strong><br />
integrazione è quello <strong>di</strong> <strong>di</strong>scriminare tra serie generate da processi<br />
Hl,À) e serie generate da processi aventi un picco finito nello<br />
spettro <strong>di</strong> potenza alla frequenza À. Si comprendono quin<strong>di</strong> le<br />
<strong>di</strong>fficoltà che test <strong>di</strong> integrazione possono incontrare nella<br />
<strong>di</strong>stinzione tra le due classi <strong>di</strong> processi con campioni finiti, come<br />
ampiamente documentato, da numerosi stu<strong>di</strong> <strong>di</strong> Monte Carlo (ad es.<br />
Schwert 1989 e Ghysels et al. 1994). Questa <strong>di</strong>stinzione <strong>di</strong>venta<br />
ancora più ardua se nelle serie sono presenti elementi<br />
deterministici che concentrano la propria massa spettrale alla<br />
47
- Capitolo I I I -<br />
dove d(t) è una data funzione deterministica del tempo e<br />
St '" H1.i\.). contro l'ipotesi alternativa St '" Hb.i\.). dove b < 1.<br />
Nel dominio delle frequenze. tale test può essere effettuato in due<br />
sta<strong>di</strong>: al primo sta<strong>di</strong>o si applica il filtro ML) ad ambo i membri<br />
della (3.0 e si stimano consistentemente i parametri della funzione<br />
MUd(t). al secondo sta<strong>di</strong>o si effettua il test descritto nel<br />
paragrafo 11.5.3 ai residui stimati Lì(Us t . Il metodo <strong>di</strong> stima può<br />
essere quello dei minimi quadrati generalizzati (GLS), dal momento<br />
che il processo Lì(Us t <strong>non</strong> è necessariamente del tipo rumore bianco.<br />
Un metodologia <strong>non</strong> parametrica <strong>per</strong> ottenere uno stimatore GLS dei<br />
parametri della funzione della funzione MUd(t), anche nel caso in<br />
cui d(t) sia <strong>non</strong> lineare nei parametri, è suggerita da Andrews<br />
(1991).<br />
Si noti che. data la normalità asintotica delle statistiche<br />
zeleZ(i\.) e r 1 (i = 1, ....n), la suddetta procedura a due sta<strong>di</strong> può<br />
essere estesa anche ai test <strong>di</strong> <strong>cointegrazione</strong> alla frequenza i\.<br />
descritti nei paragrafi 11.5.2 e II.5.3.<br />
E' il caso <strong>di</strong> sottolineare nuovamente che le metodologie<br />
sviluppate nel dominio temporale sono molto meno flessibili nel<br />
trattamento <strong>di</strong> eventuali componenti deterministiche. Questo <strong>per</strong>chè<br />
la teoria asintotica basata sui processi <strong>di</strong> Wiener comporta che la<br />
<strong>di</strong>stribuzione delle statistiche-test <strong>di</strong>penda dalla forma della<br />
funzione o(t). In riferimento al<strong>l'analisi</strong> <strong>di</strong> integrazione e<br />
<strong>cointegrazione</strong> stagionale, meto<strong>di</strong> al momento sviluppati nel<br />
dominio temporale sono in grado <strong>di</strong> trattare una gamma <strong>di</strong> elementi<br />
deterministici molto limitata, che comprende al più derive, trend<br />
lineari e dummies stagionali (Hylleberg et al., 1990 e Engle et al.,<br />
1993).<br />
49
- Capi.tolo I II -<br />
III.3 Uno stimatore <strong>non</strong> parametrico dei vettori polinomiali <strong>di</strong><br />
<strong>cointegrazione</strong><br />
Sinora <strong>non</strong> si è affrontato il 'problema della stima dei vettori<br />
polinomiali <strong>di</strong> <strong>cointegrazione</strong> (PCV) nel dominio frequenziale. Una<br />
questione che deve essere preliminarmente trattata, è quella della<br />
identificazione dei PCV. In effetti, i PCV sono associati, me<strong>di</strong>ante<br />
le loro funzioni <strong>di</strong> trasferimento, ad un sottospazio <strong>di</strong> C n detto<br />
spazio <strong>di</strong> <strong>cointegrazione</strong>. Questo comporta che si richieda una<br />
qualche forma <strong>di</strong> normalizzazione dei PCV ai fini della loro<br />
identificazione. Infatti, il teorema 2.2 ci <strong>di</strong>ce che lo spazio <strong>di</strong><br />
<strong>cointegrazione</strong> alla frequenza i\ coincide con lo spazio nullo della<br />
matrice Fe(i\) ed è <strong>per</strong>tanto un sottospazio <strong>di</strong> C n <strong>di</strong> <strong>di</strong>mensione pari<br />
a r. Una base ortonormale <strong>per</strong> lo spazio <strong>di</strong> <strong>cointegrazione</strong> alla<br />
frequenza i\ è <strong>per</strong>tanto costituita dagli r autovettori normalizzati<br />
associati agli autovalori nulli della matrice Fe(i\). Si noti <strong>per</strong>ò<br />
che se a(expOi\» è un autovettore normalizzato della matrice Fe(i\),<br />
allora lo è anche il vettore c(i\)a(expOi\)) <strong>per</strong> Ic(i\) I = 1. Quin<strong>di</strong>,<br />
ricordando la <strong>di</strong>mostrazione del teorema 2.1, se<br />
a(L) = Re[a(exp(ii\))] - Im[a(expOi\))][lItan(i\) - L/sin(i\)]<br />
è un PCV alla frequenza i\, allora lo è anche il seguente:<br />
a(L) = {Re[c(i\)]Re[a(expOi\))] + Im[c(i\)]Im[a(expOi\))]} +<br />
- {Re[c(i\)]Im[a(expOi\)) - Im[c(i\)]Re[a(expOi\))]}*<br />
*[ lItan(i\) - L/sin(i\)]<br />
(3.2)<br />
La <strong>di</strong>scussione precedente mostra quin<strong>di</strong> che <strong>non</strong> è sufficiente<br />
'associare un autovettore corrispondente ad un autovalore nullo della<br />
matrice Fe(i\) <strong>per</strong> identificare univocamente un PCV. Engle et al.<br />
50
- CapitoLo III -<br />
260-267). Lo stimatore della matrice Fe(i\) sarà quin<strong>di</strong> ricavato<br />
,..<br />
"ricolorando" lo stimatore Fy(i\), ovvero come:<br />
- -1'" -1<br />
F (i\) = S(exp(ii\)) Fy(i\)S(exp(-ii\))'<br />
e<br />
L'entità della riduzione del bias ottenuta me<strong>di</strong>ante l'uso dello<br />
stimatore F (i\) <strong>di</strong>pende ovviamente da come viene o<strong>per</strong>ata la scelta<br />
e<br />
del filtro S(L). Andrews e Monahan (1992) hanno suggerito <strong>di</strong><br />
determinare la matrice S(L) come la matrice dei coefficienti stimati<br />
<strong>di</strong> un VAR. Lo stu<strong>di</strong>o <strong>di</strong> Monte Carlo dei suddetti autori ha<br />
evidenziato che il presbiancamento tramite il VAR riduce la<br />
<strong>di</strong>storsione e migliora le probabilità <strong>di</strong> co<strong>per</strong>tura degli intervalli<br />
<strong>di</strong> confidenza in campioni finiti.<br />
Nel contesto del<strong>l'analisi</strong> <strong>di</strong> <strong>cointegrazione</strong>, lo sbiancamento<br />
della serie vettoriale et tramite un VAR <strong>non</strong> è <strong>per</strong>ò appropriato.<br />
Infatti, il teorema 2.2 ha come corollario che se il processo Yt è<br />
cointegrato alla frequenza i\, allora il processo et = Ll(L)Yt <strong>non</strong> è<br />
invertibile. Ne segue che la stima della matrice dei coefficienti <strong>di</strong><br />
un VAR basata sulla serie et <strong>non</strong> converge al crescere della<br />
numerosità campionaria. In altri termini, la <strong>di</strong>fficoltà nello<br />
sbiancamento della serie et è dovuta al fatto che la matrice F (i\) è<br />
e<br />
singolare e <strong>per</strong>tanto si trova sulla frontiera. del proprio spazio<br />
parametrico. In questa situazione, il VAR <strong>non</strong> riesce a rendere<br />
costante la matrice <strong>di</strong> densità spettrale nell' intorno della<br />
frequenza i\ neanche asintoticamente.<br />
Si noti che gli elementi del processo sono in<strong>di</strong>vidualmente<br />
processi I(O,i\) e <strong>per</strong>tanto, al netto <strong>di</strong> degenerazioni dello spettro<br />
<strong>di</strong> potenza a frequenze <strong>di</strong>fferenti da i\, sono processi invertibili.<br />
Questo suggerisce il ricorso ad uno sbiancamento univariato dei<br />
singoli elementi del. processo vettoriale et. Al fine <strong>di</strong> esaminare<br />
tale possibilità, si assuma che la matrice <strong>di</strong> densità spettrale<br />
54
- Capitolo JII -<br />
F (.) sia razionale e che <strong>per</strong>tanto si possa scrivere la seguente<br />
e<br />
rappresentazione VARMA del processo et = Li(L)Yt:<br />
(3.7)<br />
dove R(L) è una matrice polinomiale tale che R(O) = I e che IR(L) I<br />
ha tutte le ra<strong>di</strong>ci esterne al cerchio unitario, M(L) è una matrice<br />
polinomiale tale che M(D) = I e che IR(L) I possa avere alcune ra<strong>di</strong>ci<br />
pari a exp(+ii\) e le altre esterne al cerchio unitario ed 8 t è un<br />
processo rumore bianco vettoriale <strong>di</strong> or<strong>di</strong>ne n. Si noti che,<br />
ricordando il teorema 2.2, il processo Yt è cointegrato se e solo se<br />
IM(exp(+ii\)) I = D, altrimenti il vettore et è un processo VARMA<br />
stazionario ed invertibile. In entrambi casi, gli elementi del<br />
processo et hanno in<strong>di</strong>vidualmente una rappresentazione ARMA<br />
stazionaria ed invertibile. Al fine <strong>di</strong> ricavare i parametri <strong>di</strong> tale<br />
rappresentazione, si riscriva la (3.7) come:<br />
(3.8)<br />
dove R(L) è la matrice dei complementi algebrici della matrice<br />
polinomiale R(L). La rappresentazione univariata del j-simo elemento<br />
del processo vettoriaIe et è <strong>per</strong>tanto la seguente:<br />
(3.9)<br />
dove bJ(L) è la j-sima riga della matrice polinomiale B(L), V Jt è un<br />
processo rumore bianco univariato e j = 1,2,... ,n.<br />
Si noti che l'impressione, suscitata dall'equazione (3.9), che<br />
il polinomio autoregressivo dei vari processi e Jt sia lo stesso è<br />
largamente illusoria in quanto IR(L) I avrà generalmente delle ra<strong>di</strong>ci<br />
comuni con il polinomio f3/L).<br />
55
""<br />
- CapitoLo I I I<br />
Dalla (3.9) possiamo scrivere:<br />
(3.10)<br />
dove dlj = [3j(LVI R(L) I se i = j, dlj =° se i '* j. Sostituendo la<br />
(3.10) nella (3.8) si ricava infine la rappresentazione VARMA del<br />
"<br />
processo v t :<br />
dove [3(L) è la matrice <strong>di</strong>agonale dei polinomi [3j(L) (j = 1,2,... ,n),<br />
(3.11)<br />
Si noti che IB(exp(:j:ii\»I =° se e solo se lM
- CapitoLo I I I -<br />
dove n è la matrice <strong>di</strong>agonale delle varianze dei componenti del<br />
processo vettoriale v t ' La matrice è stimata dalla:<br />
A<br />
dove n è la matrice <strong>di</strong>agonale delle varianze campionarie dei<br />
componenti della serie vettoriale v t . Poichè Q-7 n + Op(T'-1I2),<br />
allora la matrice Q(ìd si <strong>di</strong>stribuisce asintoticamente come<br />
se i\ = O (mod rr) o come<br />
[2k(i\)r 1 W {2k(i\), Q(i\)}<br />
n<br />
se i\ :;:. O (mod rr), dove Q(i\) = n- 1I2 Fv(i\)Q-1I2.<br />
Si noti che,· dal momento che <strong>di</strong>ag[Fv(i\) l = <strong>di</strong>ag[n]l2rr, allora<br />
Q(i\) = {CV\v/i\)}. Gli autovalori della· matrice Q(i\) .sono <strong>per</strong>tanto<br />
invarianti al filtraggio lineare univariato degli elementi del<br />
processo vettorialè et,<br />
Si consideri che l'identificazione e la stima <strong>di</strong> eventuali<br />
componenti deterministiche nel contesto dei modelli ARMA univariati<br />
<strong>non</strong> presenta, in liIlea <strong>di</strong> principio, particolari <strong>di</strong>fficoltà. Non vi<br />
sono quin<strong>di</strong> ostacoli all' implementazione dei test <strong>di</strong> <strong>cointegrazione</strong><br />
in presenza <strong>di</strong> elementi deterministici descritti nei paragrafo<br />
III. 2.<br />
58
llUlBUOGRAnA<br />
ABEYSINGHE T. (1994) "Deterministic Seasonal Models and Spurious<br />
Regressions." Journal or Econometrics, 61, 259-272<br />
AHN S.K., REINSEL G.C. (1994) "Estimation<br />
Nonstationary Vector Autoregressive Models<br />
Behavior." Journal of Econometrics, 62, 317-350.<br />
of<br />
with<br />
Partially<br />
Seasonal<br />
ANDERSON, T. W. (1963) "Asymptotic Theory for Principal Components<br />
Analysis." Annals of Mathematics and Statistics, 34, 112-148.<br />
ANDREWS D. W.K. (1991) "Heteroskedasticity and Autocorrelation<br />
Consistent Covariance Matrix Estimation." Econometrica, 59,<br />
817-858.<br />
ANDREWS D. W.K., MONAHAN J.C. (1992) "An Improved Heteroskedasticity<br />
and Autocorrelation Consistent Covariance Matrix Estimator."<br />
Econometrica, 60, 953-966.<br />
BEAULIEU J.J., MIRON J. A. (1993) "Seasonal Unit Roots in Aggregate<br />
U. S. Data." Journal of Econometrics, 55, 305-328.<br />
BRILLINGER D.R. (1981) "Time Series: Data Analysis and Theory."<br />
Hblden Day; San ,Francisco.<br />
BOX G.E.P.,. JENKINS G.M. (1976) "Time Series Analysis. Forecasting<br />
and Controi. " Holden Day, San Francisco.<br />
CAMPBELL J.Y., PERRON P. (991) "Pitfalls and Opportunities: What<br />
MacroeconomistsShould Know about Unit Roots." NBER Working<br />
Pa<strong>per</strong>s Series, Technical Working Pa<strong>per</strong> No. 100.<br />
CUBADDA G. 0994a) "Testing for Cointegration at any Frequency Using<br />
Spectral Methods." In corso <strong>di</strong> pubblicazione sul Journal of the<br />
Italian Statistical Society.<br />
60
- Bibliografia -<br />
CUBADDA G. (1994b) "A Note on Testing for Seasonal Cointegration<br />
Using Principal Components in the Frequency Domain." In corso<br />
<strong>di</strong> pubblicazione sul Joumal of Time Series Analysis.<br />
CUBADDA G., MIGNACCA D. (1994) "ls Money Neutral? Some Evidence for<br />
ltaly." University of Wisconsin-Ma<strong>di</strong>son S.S.R.I Working Pa<strong>per</strong>,<br />
9420.<br />
DICKEY D.A., FULLER W.A. (1981) "Likelihood Ratio Statistics for<br />
Autoregressive Time Series with a Unit Root." Econometrica, 49,<br />
1057-1072.<br />
DIEBOLD F.X., RUDEBUSCH G.D. (1989) "Long Memory and Persistence in<br />
Aggregate Output." Joumal of Monetary Economics, 24, 189-209.<br />
ENGLE R.F., GRANGER C.W.J. (1987) "Cointegration and Error<br />
Correction: Representation, Estimation and Testing. "<br />
Econometrica, 55, 251-278.<br />
ENGLE R.F., GRANGER C.W.J., HALLMAN J.J. (1989) "Merging Short and<br />
LOIlg Run Forecasts. An Application of Seasonal Cointegration to<br />
Monthly Elec;tricity Sales Forecasting." Joumal of<br />
Econometrics, 40, 45-62.<br />
ENGLE R.F., GRANGER C.W.J., HYLLEBERG S., LEE H.S. (1993) "Seasonal<br />
Cointegration. The Japanese Consumption Function." Journal of<br />
Econometrics, 55, 275-298.<br />
FRANSES P.H. (1991) "Seasonality, Non-Stationarity and the<br />
Forecasting of Monthly Time Series." lnternational JoumaI of<br />
Forecating, 7, 199-208.<br />
GHYSELS E., LEE H.S., NOH J. (1994) "Testing for Unit Roots in<br />
SeasonaI Time Series." Journal of Econometrics, 62, 415-442.<br />
GRANGER C.W.J. (1966) "The Typical Spectral Shape of an Economie<br />
Time Series." Econometrica, 34, 150-161.<br />
GRANGER C.W.J., JOYEUX R. (1980) "An lntroduction to Long-Memory<br />
Time Series ModeIs and FractionaI Differencing. " JournaI of<br />
Time Series Analysis, 1, 15-29.<br />
61
- Bibliografia -<br />
GRANGER C. W.J., LEE T.H. (1990) "Multicointegration." In G.F. Rodes<br />
Jr. e T.B. Fomby (ed.), Advances in Econometrics, JAI Press,<br />
Greenwich Conn., 71-84.<br />
HENDRY D.F., NEALE A.J. (1991) "A Monte Carlo Study on The Effects<br />
of Structural Breaks on Unit-root Tests." In Hackl P. e<br />
Westlund (ed.) Economic Structural Change: Analysis and<br />
Forecasting, Springer-Verlag, Vienna, 95-119.<br />
HYLLEBERG S., ENGLE R.F., GRANGER C.W.J., YOO B.S. (1990) "Seasonal<br />
.Integration and Cointegration." Journal of Econometrics, 44,<br />
215-238.<br />
HYLLEBERG S., JORGENSEN C., SORENSEN N.K. (1993) "Seasonality in<br />
Macroeconomic Time Series." Empirical Economics, 18, 321-335.<br />
JOHANSEN S. (1988) "Statistical Analysis of Cointegrated Vectors."<br />
Journal of Economie Dynamics and Control, 12, 231-254.<br />
JOYEUX R. (1992) "Tests for Seasonal Cointegration Using Principal<br />
Components." Journal of Time Series Analysis, 13, 109-118.<br />
KWIATKOWSKI D, PHILLIPS P.C.B., SCHMIDT P., SHIN Y. (1992) "Testing<br />
the Null Hypothesis of Stationarity against the Alternative of<br />
a Unit Root. HoW Sure we are that Economie Time Series Have a<br />
Unit Root?" Journal of Econometrics, 54, 159-178.<br />
LEE H.S. (1992) "Maximum Likelihood Inference on Cointegration and<br />
Seasonal Cointegration." Journal of Econometrics, 54, 1-47.<br />
MILLS T.C., MILLS A.G. (1992) "Modelling the Seasonal Patterns in<br />
U.K. Macroeconomic Time Series." Journal of the Royal<br />
Statistical Society, A, 155, 61-75.<br />
NELSON C.R., KANG H. (1984) "Pitfalls in the Use of Time as<br />
Explanatory Variables in Regression" Journal of Business and<br />
Economie Statistics, 2, 73-82.<br />
NELSON C.R., PLOSSER C.I. (982) "Trends and Random Walks in<br />
Macroeconomics Time Series: Some Evidence and Implications."<br />
Journal of Monetary Economics, lO, 139-162.<br />
62
- Bibliografia -<br />
NSIRI S., ROY R. (1991) "On the Invertibility of Multivariate Linear<br />
Process." Journal of Time Series Analysis, 14, 305-316.<br />
PERRON P. (1989) "The Great Crash, the Oil Price Shock and the Unit<br />
Root Hypothesis." Econometrica, 57, pp. 1361-1401.<br />
PHILLIPS P.C.B., OULIARIS S. (1988) "Testing for Cointegration Using<br />
Principal Components Methods." Journalof Economie Dynamics and<br />
Control, 12, 205-230.<br />
PRIESTLEY M.E. (1962) "Basic Considerations in the Estimation of<br />
Spectra." Technometrics, 4, 551-564.<br />
ROBINSON P.M. (1991) "Automatic Frequency Domain Inference on<br />
Semiparametric and Nonparametric Models." Econometrica, 59,<br />
1329-1363.<br />
SCHWERT G. W. (1989) "Tests for Unit Roots: A Monte Carlo<br />
Investigation." Journal of Business and Economie Statistics, 7,<br />
147-159.<br />
STOCK J.H. (1987) "Asymptotic Pro<strong>per</strong>ties of Least Squares Estimators<br />
of Cointegrating Vectors." Econometrica, 55, 1035-1056.<br />
63
:1<br />
oh<br />
l<br />
I<br />
I<br />
I<br />
f<br />
t
STAMPA TO CON IL MUL TlLlTH DEL DIPARTIMENTO DI<br />
STA TlSTlCA, PROBABILITA' E STA TlSTlCHE APPLICATE<br />
Universita' <strong>di</strong> Roma "La <strong>Sapienza</strong>"<br />
Capo Centro Stampa - FRANCESCHETTI Orfeo<br />
Agenti <strong>di</strong> Stam<strong>per</strong>ia - MAZZOLI Mario<br />
PAGANUCCI Giuseppe