Beruflich Dokumente
Kultur Dokumente
Parsimony
Una idea fundamental en la caja - enfoque de Jenkins es el principio de parsimonia.
Mony Parsi- (es decir, poca densidad o la tacañería) debería ser una segunda
naturaleza para los economistas. La incorporación de coeficientes adicionales
aumentarán necesariamente ajuste (por ejemplo, el valor de R2 aumentará) a un
costo de la reducción de grados de libertad. Box y Jenkins argumentan que los
modelos parsimoniosos producir mejores predicciones que los modelos
overparameterized. Un modelo simonious par- ajusta bien los datos sin incorporar
coeficientes innecesarias. cierta- mente, los pronosticadores no quieren proyectar
coeficientes estimados mal en el futuro. El objetivo es aproximar el verdadero
proceso de generación de datos, pero no de precisar el proceso exacto. El objetivo de
la parsimonia sugirió coeficiente de eliminación de la MA (12) en el simulado AR
(1) modelo anterior.
yon seleccionar un modelo apropiado, la econometrista tiene que ser consciente
de que SeV modelos erales diferentes pueden tener propiedades similares. Como un
ejemplo extremo, cabe destacar que
BOX - Selección del modelo JENKINS 77
StationaritY y invertibilidad
Thteoría de la distribución e subyacente a la utilización de la ACF muestra y PACF
como aproxi- maciones a las del verdadero proceso de generación de datos asume
que la {yt} secuencia es estacionaria. Por otra parte, las estadísticas t y Q-estadísticas
también suponen que los datos se Station- aria. Los coeficientes autorregresivos
estimados deben ser coherentes con esta suposición subyacente. Por lo tanto,
debemos ser sospechoso de un (1) modelo de AR si el valor estimado de a1 es
próxima a la unidad. Para un ARMA (2, q) modelo, las raíces característicos de la
estimación aparearon polinomio (1 - A1L - A2L2) debe estar fuera del círculo
unidad.
UNs se discute con mayor detalle en el Apéndice 2.1, la caja - enfoque de
Jenkins también requiere que el modelo sea invertible. Formalmente, {} yt es
invertible si puede ser representada por una orden finito o proceso autorregresivo
convergente. Invertibilidad es importante porque el uso de la FAS y la FAP suponen
implícitamente que el {} yt secuencia puede ser representado por un modelo
autorregresivo. Como demostración, considere la MM simple (1) Modelo:
yt=εt-β1 εt-1 (2,45)
de manera que
si|β1 | <1, yt/ (1-β1 L) =εt
PROPERTIES OF FORECASTS 79
o
yt+β1 yt-1+β2 yt-2+β3 yt-3+ · · · =εt (2,46)
1 1
Si | β1 | <1, (2.46) se puede calcular con la caja - método Jenkins. Sin embargo, si
|β1 |≥ 1, la{yt} Secuencia no puede ser representado por un
proceso AR-orden finito; como
tal, No es invertible. De manera más general, para un modelo ARMA para tener un
convergente
UNrepresentación R, las raíces del polinomio (1 + β1L + β2L2 + ··· + βqLq) debe
encontrarse fuera del círculo unidad. Tenga en cuenta que no hay nada impropio en
un no invertible
modelo. los{yt}sequence implícita por yt=εt-εt-1es estacionario en que tiene una media
invariante en el tiempo constante(eyt= eyt-s= 0), Una varianza constante invariable en
el tiempo[Virginiar(y1t) =Virginiar(yt-s ) =σ2 (1+β2 ) +2σ2 ]y las autocovarianzasγ1= -
β1 σ2 und todos los demásγs =
0. El problema es que la técnica no permite la estimación de estos modelos.
Si β1 = 1, (2.46) se
convierte en
yt+yt-1+yt-2+yt-3+yt-4+ · · · =εt
Claramente, Las autocorrelaciones y autocorrelaciones parciales entre yt y yt-s
nunca se caries.
goodness de Fit
Un buen modelo se ajusta bien a los datos. Obviamente, R2 y el promedio de la suma
de cuadrados residual son medidas comunes de bondad de ajuste de mínimos
cuadrados ordinarios. El problema de estas medidas es que el ajuste mejora
necesariamente como más parámetros se incluyen en el modelo. Parsimonia sugiere
el uso de la AIC y / o SBC como medidas más apropiadas del ajuste global del
modelo. Además, tenga cuidado de las estimaciones que no logran converger
rápidamente. La mayoría de los paquetes de software estiman los parámetros de un
modelo ARMA utilizando un procedimiento de búsqueda no lineal. Si la búsqueda
no converge rápidamente, es posible que los parámetros estimados son inestables. En
tales circunstancias, la adición de una observación adicional o dos pueden alterar en
gran medida las estimaciones.
Postestimation Evaluación
The tercera etapa de la metodología de Box - Jenkins requiere la comprobación de
diagnóstico. La práctica habitual es graficar los residuales para buscar los valores
atípicos y las pruebas de los períodos en los que el modelo no se ajusta bien a los
datos. Una práctica común es la creación de los residuos estandarizados dividiendo
cada residual, εt, por su desviación estándar estimada, σ. Si los residuos se
distribuyen normalmente, la trama de la εt / σseries debe ser tal que no más del 5%
se encuentran fuera de la banda desde -2 a +2. Si los residuos estandarizados parecen
ser mucho mayor en algunos períodos que en otros, puede ser evidencia de cambios
estructurales. Si todos los modelos ARMA plausibles muestran evidencia de un mal
ajuste Duran- un tiempo razonablemente largo porción de la muestra, es aconsejable
considerar el uso de análisis de intervención, transferir análisis de la función, o
PROPERTIES OF FORECASTS 79
cualquier otro de los métodos de estimación multivariados discuten en capítulos
posteriores. Si la varianza de los residuos está aumentando, una transformación
logarítmica puede ser apropiado. Alternativamente, es posible que desee modelar
realidad cualquier tendencia de la varianza para cambiar el uso de las técnicas de
ARCH discutidos en el Capítulo 3.
Es particularmente importante que los residuos de un modelo estimado ser
aliado SERIAS correlacionadas. Cualquier evidencia de correlación serial implica un
movimiento sistemático
PROPERTIES OF FORECASTS 79
9. PROPIEDADES DE
PREVISIONES
perhaps El uso más importante de un modelo ARMA es predecir valores futuros de
la
{yt} secuencia. Para simplificar la discusión, se supone que el
proceso de generación de datos reales y las realizaciones
actuales y pasados de la {εt} Y {yt} secuencias son sabern para el
investigador. En primer lugar, tenga en cuenta las previsiones de la AR (1)
modelo yt = a0 + un1 yt-1+εt.
Updating un período,
obtenemos
yt+1=un0+un1 yt+εt+1
A partir de (2.47) y (2.48), debe quedar claro que es posible obtener la secuencia
completa de las previsiones j-paso por delante por delante iteración. Considerar
E y =un(1+un +un2+ · · · + ) +un y
j
j-1 t
untt+j 0 1
1 1 1
Superior-Order
Modelos
To generalizar la discusión, es posible utilizar la técnica iterativa para derivar las
predicciones para cualquier (p, q) modelo ARMA. Para mantener el álgebra simple,
considere la ARMA (2, 1) modelo
TO encontrar el error de pronóstico de dos paso por delante, restar (2.53) a partir
yt + 2. Así,
mit(2) =un1 (yt+1-mityt+1 ) +εt+2+β1 εt+1 (2,54)
SINCe yt + 1 - Et + 1 yt es el error de pronóstico de un paso por delante,
podemos escribir las error de pronóstico como
mit(2) = (un1+β1 )εt+1+εt+2 (2,55)
Por último, todas las previsiones j-paso-a continuación se pueden obtener de
mityt+j=un0+un1 mityt+j-1+un2 mityt+j-2 , j≥2
(2.56)
La ecuación (2.56) demuestra que las previsiones va a satisfacer una de segundo
orden diferen-
ecuación ENCE. Mientras las raíces características de (2.56) se encuentran dentro del
círculo unidad,
ºprevisiones e convergerán a la media incondicional: a0 / (1 - a1 - a2). Podemos
utilizar (2,56) Para encontrar los errores de predicción j paso por delante. Desde
yt + j = a0 + a1yt + j-1 + un2 yt+j-2+
εt+j+β1 εt+j-1 , El error de pronóstico j-paso por
delante es
mit(j) =un1 (yt+j-1-mityt+j-1 ) +un2 (yt+j-2-mityt+j-2 ) +εt+j+β1 εt+j-1
=un1 mit(j-1) +un2 mit(j-2) +εt+j+β1 εt+j-1
Debe quedar claro que los pronósticos de cualquier proceso estacionario ARMA
(p, q) se Eventualmente satisfacer la ecuación de diferencia fin de PTH que
comprende la parte homogénea del modelo. Como tal, las previsiones de varios
pasos por delante-convergerán a la media a largo plazo de la serie.
Forecast la
evaluación
Now que ha estimado una serie y ha pronosticado sus valores futuros, la pregunta
obvia es, “¿Qué tan bueno son mis predicciones?” Por lo general, habrá varios
modelos posibles que se pueden seleccionar a utilizar para sus pronósticos. No se
deje engañar en pensar que el que tiene el mejor ajuste es el que va a pronosticar el
mejor. Para hacer un simple punto, suponga que desea predecir los valores futuros de
la ARMA (2, 1) el proceso dado por (2.51). Si se pudiera predecir el valor de yT + 1
utilizando (2.52), que obtendría el error de pronóstico de un paso por delante
miT(1) =yT+1-un0-un1 yT-un2 yT-1-β1 εT =εT+1 (2,57)
Dado que el error de predicción es la parte pura de unforecastable yT + 1,
ningún otro modelo ARMA le puede proporcionar capacidad de predicción superior.
Como tal, parece que el modelo “verdadero” proporcionará previsiones superiores a
los de cualquier otro modelo posible. En la práctica, no se sabe el orden real del
proceso ARMA o los valores reales de los coeficientes de dicho proceso. En su
lugar, para crear proyecciones fuera de la muestra, es necesario el uso de los
coeficientes estimados a partir de lo que usted cree que es la forma más apropiada de
PROPERTIES OF FORECASTS 81
un modelo ARMA. Permiten un sombrero o intercalación (es decir: ^) sobre un
parámetro denotan el valor estimado de un parámetro, y dejar {t} denotan los
residuos del modelo estimado. Por lo tanto, si se utiliza el modelo estimado, la
previsión de un paso a delante será
miTyT+1=un0+un1 yT+un2 yT-1+�̂1 �̂T (2,58)
PROPERTIES OF FORECASTS 83
Si las previsiones son imparciales, una prueba F debe permitir que imponer la
restricción a0 ción = 0 y a1 = 1. Del mismo modo, la serie residual {} V1i debe
actuar como un proceso de ruido blanco. Es una buena idea para trazar {} V1i para
determinar si hay períodos en los que sus previsiones son especialmente pobres.
Ahora repite el proceso con las previsiones de la MA (1).
En particular, utilizar los 50 pronósticos del MA (1) para estimar
Si pronostican los modelos igual de bien, se deduce1 =ee2. Modelo 1 tiene una
que EE2 y mayor
2
o
MSPE si ρxz es positivo, y el modelo 2 tiene una MSPE
y mayor si ρxz es
o
negativo. deje RXZ denotar ºcoeficiente de correlación e muestra entre {xi} y
{zi}. Granger y Newbold (1976) show que si asimiento supuestos 1 y 2
PROPERTIES OF FORECASTS 87
√
rxz/ (1-r 2)xz/ (H-1) (2,60)
PROPERTIES OF FORECASTS 88
Permitirg para el parámetro incertidumbre, bajo la hipótesis nula de que las dos
els MOD- predicen igualmente bien, zi debe ser cero. Bajo la hipótesis alternativa,
los datos se generan a partir del modelo 2. Por lo tanto, para realizar la prueba, una
PROPERTIES OF FORECASTS 91
regresión de la serie zi en una constante. Dado que la prueba es de un solo lado, si el
estadístico t para la constante excede 1.645, rechazar la hipótesis nula de exactitud
igual pronóstico al nivel de significación del 5%. Si rechaza la hipótesis nula, la
conclusión de que los datos se generan a partir del modelo 2. De lo contrario, los
datos
PROPERTIES OF FORECASTS 92
es más probable que se generen a partir del modelo 1. Si el {zi} serie se correlaciona
en serie, debe realizar la prueba con una robusta t-estadístico, como el que en el
estudio de Newey y West (1987).
-1
-2
1960 1963 1966 1969 1972 1975 1978 1981 1984 1987 1990 1993 1996 1999 2002 2005 2008 2011
-1
-2
-3
1960 1963 1966 1969 1972 1975 1978 1981 1984 1987 1990 1993 1996 1999 2002 2005 2008 2011
1.00
0.75
0.50
0.25
0.00
-0.25
-0.50
0 1 2 3 4 5 6 7 8 9 10 11 12
autocorrelaciones FAP
notas:
To asegurar la comparabilidad, cada ecuación se estimó sobre la 1961Q4 -2012Q4
período.
Valores entre paréntesis son los estadísticos t para la hipótesis nula de que el ciente estimado coe fi es
igual a cero. RSS es la suma de los residuos al cuadrado. Q(norte)Arkansase el Ljung - Q de la caja
estadísticas de las autocorrelaciones residuales.
for modelos ARMA, muchos paquetes de software en realidad no reportan el término de intersección de
una0. En su lugar, informan la media estimada del proceso, mu y solog con el estadístico t para la
hipótesis nula de que mu y = 0. La razón histórica de esta convención es que era más fácil a primera
degradar a los datos y luego estimate el
BRAZOA coeficientes que para estimar todos los valores en un solo paso. Si su paquete de
software informa de un término constante aproximadamente igual a 0,216, se informa que el
intercepto estimado.
cuestión que no están correlacionadas con los otros regresores. Dada la naturaleza
autorregresivo de la serie, yt-5 es, sin duda correlacionada con yt-4 y yt-6. El
resultado global es que las comprobaciones de diagnóstico de la (6) modelo AR
sugieren que es adecuado. En la comparación de la (7) modelos AR (6) y AR, la AIC
selecciona el (7) el modelo AR, mientras que el SBC selecciona la AR más
parsimonioso (6) modelo.
Supposcorreo que intenta un modelo muy parsimoniosa y podrá valorar un AR
(2). Como se puede ver en la cuarta columna de la tabla, el AIC selecciona el (7)
modelo AR, pero SBC
A MODEL OF THE INTEREST RATE SPREAD 91
Fuera de la Sample
previsiones
We puede evaluar el desempeño de pronóstico de la AR (7) y ARMA [2, (1,7)]
modelos mediante el examen de su sesgo y la media de los errores de predicción
cuadrados. Dado que el conjunto de datos contiene un total de 205 (es decir, 205 =
212-7) observaciones utilizables, es posible utilizar un periodo de retención de 50
observaciones. De esta manera, hay al menos 155 observaciones en cada uno de los
modelos estimados y un número adecuado de los pronósticos fuera de muestra. En
primer lugar, los dos modelos se estimaron utilizando todas las observaciones
disponibles a través de 2000Q2 y los dos pronósticos de un solo paso-a continuación
se obtuvieron. El valor real de s2000:3 = 0,40; la AR (7) predijo un valor de 0,697, y
el ARMA [2, (1,7)] modelo predijo un valor de 0,591. Por lo tanto, la previsión de la
ARMA [2, (1,7)] es superior a la de la ARMA (7) para este
abetosel período t. Se obtuvieron un 49 previsiones adicionales por períodos 2000Q4 a
2012Q4. Vamos e1t indican los errores de predicción de la (7) modelo AR y e2t
indican los errores de predicción de la ARMA [2, (1,7)] modelo. La media de e1t es
1,239, la media de e2t es 1.244, y las varianzas estimadas son var (e1) = 0,797 y var
A MODEL OF THE INTEREST RATE SPREAD 96
(e2) = 0,780. Como tal, el sesgo de AR (7) es ligeramente más pequeño mientras que
el ARMA [2, (1,7)] tiene el MSPE más pequeño.
To determinar si estas diferencias son estadísticamente significativas,
buscamos en primer lugar el sesgo. Deje que los {} F1T serie contienen las
previsiones del 50 (7) modelo AR y dejar F2T {}
A MODEL OF THE INTEREST RATE SPREAD 97
11. ESTACIONALI
DAD
Muchos procesos económicos presentan algún tipo de estacionalidad. Las cons-
trucción, y los sectores agrícolas de viaje tienen patrones estacionales obvias que
resultan de su dependencia de las condiciones meteorológicas. Del mismo modo, la
temporada de vacaciones de Acción de Gracias-a-Navidad tiene una influencia
notable sus poblaciones en el comercio minorista. De hecho, la variación estacional
de una serie puede dar cuenta de la preponderancia de su varianza total. Las
previsiones que ignoran los patrones estacionales importantes tendrán una alta
varianza.
AO muchas personas caen en la trampa de ignorar la estacionalidad si están
trabajando con datos desestacionalizados o desestacionalizados. Supongamos que
recoja un conjunto de datos que la oficina de censo de Estados Unidos ha “ajustado
estacionalmente” por medio de su X-11, X - 12, o X-13 methods.5 En principio, los
datos ajustados estacionalmente deberían tener el patrón estacional eliminado. Sin
embargo, la precaución es necesaria. Aunque un procedimiento estandarizado puede
ser necesario para una agencia gubernamental informes cientos de serie, el
procedimiento podría no ser el mejor para una persona con ganas de modelar una
sola serie. Incluso si utiliza los datos ajustados temporada-aliado, un patrón
estacional podría permanecer. Esto es particularmente cierto si usted no utiliza todo
el espacio de datos; la parte de los datos utilizados en el estudio puede
mostrar más estacionalidad (o menos) que la duración total. Hay otra razón
importante para estar preocupado por la estacionalidad de que utilizando datos
desestacionalizados. Implícito en cualquier método de ajuste estacional es un
procedimiento de dos pasos. En primer lugar, se elimina la estacionalidad, y
segundo, la autorregresivo y moviendo coeficientes medios son esti- acoplado
usando Box - Jenkins técnicas. Como reconocimiento, de Bell y Hillmer (1984), a
menudo se identifican mejor los coeficientes estacionales y el ARMA y estima de
forma conjunta. En tales circunstancias, es aconsejable evitar el uso de los datos
ajustados estacionalmente.
y
yt=εt+β4 εt-4 (2,65)
La estimación de sólo tres coeficientes (es decir, A1, β1 y β4) nos permite
capturar los efectos de un término autorregresivo y los efectos de los términos de
promedio móvil en los retardos 1, 4, y 5. Por supuesto, usted no encontrará algo para
nada. Las estimaciones de los tres coeficientes medios móviles están relacionados
entre sí. Un investigador estimar el modelo sin restricciones yt = a1yt-1 + εt + β1εt-1
+ β4εt-4 + β5εt-5 obtendría necesariamente una suma residual de cuadrados más
pequeña. Sin embargo, (2.67) es claramente el modelo más parsimonioso. Si el valor
no restringida de β5 se aproxima a la β1β4 producto, el modelo multiplicativo será
preferible. Por esta razón, la mayoría de los paquetes de software tienen rutinas
SEASONALITY 98
capaces de estimar los modelos multiplicativos. De lo contrario, no hay razones
teóricas que nos lleva a preferir una forma de estacionalidad sobre otro.
SEASONALITY 99
seasonal Differencing
Thtemporada de compras de Navidad e va acompañado de un número inusualmente
grande de las transacciones, y la Reserva Federal se amplía la oferta de dinero para
dar cabida a la mayor demanda de dinero. Como se muestra por la línea discontinua
en la Figura 2.7, el suministro de dinero de Estados Unidos, según lo medido por
M1, tiene una tendencia decididamente hacia arriba. La serie, llamada M1NSA, está
contenida en el archivo de QUARTERLY.XLS. Puede utilizar los datos para seguir
con la discusión que sigue. El cambio logarítmica, mostrada por la línea continua,
parece ser estacionario. Sin embargo, hay un claro patrón estacional en que el valor
del cuarto trimestre para cualquier año es sustancialmente mayor que la de las
cuartas partes adyacentes.
Esta combinación de una fuerte estacionalidad y no estacionariedad se
encuentra a menudo en los datos económi- cos. El ACF para un proceso con
fuerte estacionalidad es similar a la de un proceso no estacional; la principal
diferencia es que los picos en los retardos s, 2s, 3s, ..., no muestran la rápida
descomposición. Sabemos que es necesario a la diferencia (o tomar el cambio
logarítmico de) un proceso no estacionario. Del mismo modo, si las
autocorrelaciones en los retardos estacionales no se deterioran, es necesario
tomar la diferencia de temporada para que el otro auto
correlacións no son pequeños comparados con los efectos estacionales. El ACF y
PACF para la tasa de crecimiento de M1 se muestran en el panel (a) de la figura 2.8.
Por ahora, sólo se centran en los autocorrela- ciones en los retardos estacionales.
Todas las autocorrelaciones de temporada son grandes y no muestran tendencia a la
descomposición. En particular, ρ4 = 0,58, ρ8 = 0,50, ρ12 = 0,38, ρ16 = 0,34, ρ20 =
0,34, y
ρ24= 0.37. Como debe ser claro a partir de la figura, estos autocorrelaciones son más
grandes que cualquiera de los que en las frecuencias no estacionales.
El primer paso en la caja - método de Jenkins es transformar los datos con el fin
de que sea estacionaria. Como tal, una transformación logarítmica es útil, ya que
puede enderezar
8 2500
6
2000
4
$
millones de
Los mil
1500
crecimiento
2
Tasa de
1000
0
500
-2
-4 0
1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010
SEASONALITY
10
Tasa de crecimiento M1 en millardos
0
F I G U R E 2.7The nivel y tasa de crecimiento de M1
SEASONALITY
10
PAGAnel una: el crecimiento de M1 1
10.
0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
0123456789 10 11 12 13 14 15 16 17 18 19 20 21 22
autocorrelacione PensilvaniaCF
s
PAGAnel b: La estación diferenciada M1 Crecimiento
10.0
0
0.75
0.50
0.25
0.00
-0.25
-0.50
0123456789 10 11 12 13 14 15 16 17 18 19 20 21 22
autocorrelacione PensilvaniaCF
s
F I G U R E 2.8UNCF y el FAP
fiT en la que tiene el más bajo SSR, AIC, y SBC. Por otra parte, el Q-estadísticas
para GAL 4, 8, y 12 indican que las autocorrelaciones residuales son insignificantes.
En contraste, las correlaciones residuales para el modelo 2 son significativas a los
largos retardos [es decir, Q (8) y Q (12) son significativas en los niveles 0,022 y
0,002]. Esto se debe a la autorregresivo estacional (RAE) multiplicativo plazo no
refleja adecuadamente el patrón estacional. Un término SAR implica la decadencia
autorregresivo de período s en período s + 1. En el Panel (b) de la figura 2.8, el valor
de ρ4 es -0,42 pero ρ5 es bastante pequeña. Como tal, un estacional multiplicativo
(SMA) plazo de media móvil podría ser más apropiado. Modelo 3 capta
correctamente el patrón estacional, pero el MA (1) término no captura la decadencia
sive autoregres- presente en los retardos cortos. Otros métodos de diagnóstico,
Las previsiones de fuera de la muestra se muestran en la Figura 2.9. Para crear
las previsiones de uno a doce paso por delante, el modelo 1 se estimó en el período
de muestra completa 1961Q3 - 2012Q4. El modelo estimado es
metrot=0.545mt-1+εt-0.765εt-4 (2,69)
Dalen que m2012:4= -0.00176 y la residual de 2,012: 1 era 0,00272 (es decir,
�2012:1
̂ =0.00272, La previsión de m2013:1es-0.00304. Ahora, utilice esta previsión y la
Virginialue de 2012:2 para pronosticar m2013:2. Puede continuar de esta manera
a fin de obtener las predicciones fuera de la muestra para la sucesión {tm}.
Aunque usted no tiene los residuos
for períodos más allá de 2012: 4, puede simplemente usar sus valores pronosticados
de cero. El truco para la previsión de valores futuros de M1 de la secuencia {mt} es
para resumir los cambios y los cambios estacionales a fin de obtener el logaritmo de
los valores pronosticados de M1. Desde mt = (1 - L) (1 - L4) ln (M1t), se deduce que
el valor de ln (M1t) puede ser
SEASONALITY 101
3500
3000
2500
2000
1500
1000
2000 2002 2004 2006 2008 2010 2012 2014
M1 en mil millones Flos pronósticos eran
Δ212yt= Δ12(yt-yt-12)
= Δ12yt- Δ12yt-12
SEASONALITY 101
=yt-yt-12- (yt-12-yt-24)
=yt-2yt-12+yt-24
Combining los dos tipos de diferenciación rendimientos?
s
d? D. modelos
multiplicativos son
escrita en forma ARIMA(pag,re,q)
(PAG,re,Q)s
dónde: pagundq = los coeficientes ARMA no
estacionales
re= Número de diferencias no estacionales
PAG= Número de coeficientes autorregresivos multiplicativos
re= Número de diferencias estacionales
Q= Número de coeficientes de movimiento de la media
multiplicativos
s= Periodo estacional.
using esta notación, podemos decir que la ecuación ajustada para4 ln mt = ΔΔ1
(M1t) es un ARIMA (1, 1, 0) (0, 1, 1) s modelo. En el trabajo aplicado, la ARIMA
(1, 1, 0) (0, 1, 1) s y el ARIMA (0, 1, 1) (0, 1, 1) s modelos se produce
rutinariamente; este último se llama el modelo de avión desde Box y Jenkins (1976)
utilizaron este modelo para analizar los datos de los viajes aéreos.
Endogenous saltos
Thprueba e Chow pregunta si hay una ruptura comenzando en algún particular,
conocida tm fecha de descanso. Una ruptura se produce en una fecha no
preespecificado por el investigador se llama una ruptura endógena para denotar
que el hecho de que no fue el resultado de una fecha de descanso fijo tal como de
septiembre de 2011. Para determinar si hay una rotura en cualquier parte de los
PLE SAM- , se puede realizar una prueba de Chow para cada potencial tm fecha
de descanso. No debe sorprender que la fecha de ruptura que resulta en el mayor
valor de la estadística F proporciona una estimación consistente de la fecha real
de ruptura, en su caso. Con el fin de garantizar una adecuada nú- mero de
observaciones en cada una de las dos submuestras, es necesario tener un
“recorte” de tal manera que la ruptura no podría ocurrir antes de que las primeras
observaciones t0 o después del último t - t0 observaciones. En la investigación
aplicada, es común el uso de un valor de corte de 10% de modo que hay al
menos 10% de las observaciones en cada una de las dos submuestras. En el
ejemplo de propagación del tipo de interés, hay 191 observaciones utilizables en
la 1960Q1 - 2008Q1 período (ya que los dos primero se pierden cuando la
estimación del coeficiente para st-2). Si ha utilizado un recorte del 10%, se
puede comprobar si hay una rotura en todo el intervalo de 1965Q1 - 2003Q2
(cada uno de aproximadamente 19 observaciones desde el principio y el final de
los datos utilizables). Por desgracia, la búsqueda de la fecha de ruptura más
probable es que el F-estadística para la hipótesis nula de no ruptura se infla.
Después de todo, sólo ha buscado la fecha que lleva al máximo, o supremo, el
valor de la muestra estadística F. Como tal, la distribu- ción para el F-estadística
no es estándar y no se puede obtener de un F-mesa tradicional. Como se detalla
en el capítulo 7, una serie de documentos, incluyendo Andrews y Ploberger
PARAMETER INSTABILITY AND STRUCTURAL CHANGE 106
(1994) y Hansen (1997), muestran cómo obtener los valores críticos apropiados.
Afortunadamente, unanúmero de paquetes de software puede realizar fácilmente
tales pruebas.
PARAMETER INSTABILITY AND STRUCTURAL CHANGE 107
Parameter
Inestabilidad
Tenga en cuenta que la prueba de Chow y sus variantes requieren el investigador
para especificar una fecha de descanso particular y asumir que la ruptura se
manifiesta plenamente en esa fecha. La CEPT inter, por ejemplo, es a0 (1) hasta tm y
es, precisamente, a0 (2) a partir de las tm + 1. Sin embargo, la suposición de que una
ruptura se produce exactamente en un solo punto en el tiempo puede que no siempre
sea apropiado. Como se mencionó anteriormente, no hay una fecha concreta en la
que se puede afirmar que se ha producido un cambio climático significativo. Del
mismo modo, no está claro cómo podemos proporcionar una
específic romper fecha para denotar el advenimiento “desregulación financiera” en
los mercados de activos o para asignar una fecha específica para el desarrollo de la
microcomputadora. Estos son procesos que han ido evolucionando con el tiempo.
Incluso si podríamos fechar el inicio exacto de la desregulación financiera o la
revolución del ordenador, todos los efectos de estos cambios no tendrían lugar al
instante. Como tal, no debería ser sorprendente que una serie de procedimientos que
se han desarrollado para comprobar la estabilidad de parámetros sin la necesidad de
identificar una fecha de descanso ular parti-. Probablemente, el método más sencillo
consiste en estimar el modelo de forma recursiva. Por ejemplo, si tiene 150
observaciones, se puede estimar el modelo utilizando sólo los primeros, por ejemplo,
10, observaciones. Representar gráficamente los coeficientes individuales y luego
reestimar el modelo usando las primeras 11 observaciones. Puede seguir repitiendo
este proceso hasta que utilice todas las 150 observaciones. En general, las parcelas
de los coeficientes no será plana ya que los valores narios prelimi- se estiman
utilizando un número muy pequeño de observaciones. Sin embargo, después de un
período de “burn-in”, los gráficos de tiempo de los coeficientes individuales pueden
proporcionar evidencia de la estabilidad coeficiente. Si la magnitud de un coeficiente
de repente comienza a cambiar, se debe sospechar un cambio estructural en ese
punto. Un cambio sostenido en un coeficiente podría indicar una especificación de
modelos. Una modificación particularmente útil de este procedimiento es para trazar
cada coeficiente junto con su estimada banda de desviación estándar ± 2. Las bandas
representan intervalos de confianza para los coeficientes estimados. De este modo,
UNt cada paso en el camino, también es posible crear el error fundido
extremidades anteriores de un solo paso de la ventaja. Vamos et (1) Sea el error
de pronóstico de un solo paso de la ventaja hecha usando todas las observaciones
a través de t. En otras palabras, et (1) es la diferencia entre yt + 1 y su pronóstico
condicional de yt + 1 (es decir, Et yt + 1). Si usted comienza con las primeras 10
observaciones, el valor de e10 (1) será y11 - E10y11 y el valor de E149 (1) serán
Y150 - E149y150. [Nota: Si usted entiende la notación, debe quedar claro que
no se puede crear el valor e150(1) ya que no tiene el valor dey151.] Si el
modelo se ajusta bien, los datos de la previsiones deben ser imparcial para que la
suma de estos errores de predicción no debería ser “demasiado far”de
cero. De hecho, Brown, Durbin, y Evans (1975) calcular si la suma acumulada de los
errores de predicción es estadísticamente diferente de cero. Para ser un poco más
formal, definir:
norte
10
-2
25 50 75 100 125 150
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
10 20 30 40 50 60 70 80 90 100 110 120 130 140 150
AR (1) +2 -2 enfermedades de transmisión sexual.
SDS.
30
25
20
valores
15
F-
10
0
20 40 60 80 100 120 140
F I G U R E 2.11RePruebas F cursivas
COMBINING FORECASTS 109
13. COMBININPREVISIONES
G
What debe hacer si usted tiene varios modelos plausibles y desea utilizarlos para
extremidades anteriores reparto? Por ejemplo, en la Sección 10, resultó que hay
varios modelos plausibles del diferencial de tasas de interés. No tiene mucho sentido
para predecir sólo con el modelo “mejor” y descartar los otros. Después de todo, los
otros modelos pueden capturar alguna información que no está contenida en los
otros. La respuesta natural es la de pronosticar con todos los modelos plausibles y
luego tomar el promedio de los pronósticos.
En Resulta que la noción intuitiva de utilizar el promedio, o compuesto, el
pronóstico es bastante razonable. Bates y Granger (1969) fueron los primeros en
confirmar la intuición de que una media ponderada de las previsiones puede ser muy
beneficioso. Deje que el ajuste serie contiene
las previsiones de un solo paso-por delante de yt de modelo i (i = 1, 2, ..., n).
Considere el compuesto
pronóstico del FCT construido como media ponderada de las
predicciones individuales
Fdot=w1 F1t+w2 F2t+ · · · +wnorteFnortet (2,71)
Σnorte
wherew yo
son pesos de tal manera que
yo=1 i w =1.
Si los pronósticos son imparciales (de modo que Et-1fit = yt), se deduce que el
compuesto
pronóstico también es
imparcial:
mit-1 Fdot=w1 mit-1 F1t+w2 mit-1 F2t+ · · · +wnorte mit-1 FNuevo
Testamento
=w1 yt+w2 yt+ · · · +wnorte yt =yt
To mantener la notación simple, volver al caso en el que n = 2. yt Restar de cada
lado de (2,71) para obtener
Fdot-yt=w1 (F1t-yt) + (1-w1 ) (F2t-yt)
Now dejar e1t y e2t denotar la serie que contiene los errores de predicción
de un solo paso visto bueno de los modelos 1 y 2 (es decir, EIT = yt - FIT) y
dejar ect sea el error de pronóstico compuesto. Por lo tanto, podemos escribir
midot=w1 mi1t+ (1-w1 )mi2t
La varianza del error de pronóstico compuesto es
Virginiar (ect)
1 = w2 var (e1t) + (1 - w1) 2Var (e2t) + 2W1 (1 - w1) cov (e1t
e2t) (2.72)
At este punto, usted debería ser capaz de ver los beneficios potenciales de la
combinación de tales
pronósticos. Para tomar un ejemplo simple, suponer que las varianzas de error de
pronóstico son del mismo tamaño y que cov (e1t e2t) = 0. Si se toma un promedio
COMBINING FORECASTS 110
simple configurando w1 = 0,5, (2,72) indica que la varianza de la previsión del
compuesto es 25% de las varianzas de cualquiera de pronóstico: var (TEC) = 0.25var
(e1t) = 0.25var (e2t).
Optimal Pesos
Aunque promedio simple puede trabajar para reducir la varianza del error de
predicción, es posible encontrar los pesos óptimos. Si usamos (2,72) y seleccionamos
el peso W1 a fin de minimizar
COMBINING FORECASTS 111
Virginiar(midot):
δVirginiar(midot Virgi ) - 2 (1 -w) ) +2(1-2w)cov(ee )
niare Virginiare
)=
2w
δw1 1 1t 1 2t 1 1t 2t
(2,75)
Por supuesto, sería posible forzarα0=0 yα1+α2+ · · · +αnorte=1. Debajo
Tescondiciones de correos, los de αi tendrían la interpretación directa de los pesos
óptimos para que w * podría ser igual a αi. Sin embargo, Granger y Ramanathan
y
recomiendan la inclusión de una intercepción para tener en cuenta cualquier sesgo y
o
COMBINING FORECASTS 112
dejar el de αi sin restricciones. Como
surveyed en Clemen (1989), no todos los investigadores están de acuerdo con la
Granger - Ramanathan
recomendación In y una cantidad sustancial de trabajo se ha llevado a cabo a fin de
obtener los pesos óptimos.
El re son dos diferencias importantes entre (2.74) y (2.75). En (2.75), uno o más
de los pesos estimados puede ser negativo. En tales circunstancias, la mayoría de los
investigadores estarían reestimar la regresión sin la previsión asociada con el
coeficiente más negativo. Además, en (2.75), el {vt} secuencia puede ser en serie
correlacionada. En tales circunstancias, Diebold (1988) recomienda el uso de los
valores retardados de términos medios yt y / o en movimiento para captar la
correlación en serie.
COMBINING FORECASTS
11
También es posible utilizar el SBC como un factor 1de ponderación. Ahora los
pesos están determinada por ajuste dentro de la muestra en lugar de los pronósticos
fuera de muestra. Deje SBCI ser el SBC del modelo i y dejar que sea el SBC * SBC
del modelo de mejor ajuste. Se puede formar fácilmente
αyo= Exp [(SBC * - SBCyo ) / 2] y luego construir los pesos
Σ
norte
SINCe exp (0) = 1, el modelo con el mejor ajuste tiene el peso 1 / Σαi. Desde αi
es decreciente en el valor de SBCI, los modelos con un mal ajuste tienen pesos más
pequeños que los modelos con valores grandes de la SBC.
example Con la
propagación
En la Sección 10, se examinaron siete diferentes modelos ARMA del diferencial de
tasas. Teniendo en cuenta que los datos termina en abril de 2012, si se va a utilizar
cada uno de los siete modelos para hacer un pronóstico de un solo paso visto bueno
para enero de 2013, usted debe encontrar
AR (7) AR (6) AR (2) AR (|| 1,2,7 ||) ARMA (1, 1) ARMA (2, 1) ARMA (2, || 1,7 ||)
Fyo2013:1 0,775 0,775 0,709 0,687 0,729 0,725 0,799
Los pesos son muy similares porque las varianzas de error de pronóstico son
iguales. Peso ing las previsiones individuales produce la previsión fc2013:1
compuesto = 0,741.
A continuación, utilice la propagación (st) para estimar una regresión en la forma
de (2.75). Si se omite
ºe interceptar y limitar los pesos a la unidad, debe obtener
st=0.55F1t-0.25F2t-2.37F3t+2.44F4t+0.84F5t-0.28F6t+1.17F7t (2,76)
although algunos investigadores incluiría los pesos negativos en (2.76), la
mayoría estaría de eliminar los que son negativos. Si reestimación sucesivamente el
modelo eliminando el pronóstico con el coeficiente más negativo, debe obtener
st=0.326F4t+0.170F5t+0.504F7t
COMBINING FORECASTS
11
Alabamal de los coeficientes son positivos y los residuos
2 no muestran ninguna
señal de correlación en serie. Como tal, es razonable utilizar los pesos 0,326, 0,170,
y 0,504 para ‖
las previsiones de la AR (‖1, 2, 7 ‖), ARMA (1, 1), y ARMA (2,‖1,7 ), Los
modelos,
COMBINING FORECASTS
11
3
respectivamente. El pronóstico del compuesto utilizando el método de regresión es
0,326 (0,687) +
0.170(0.729)+ 0.504(0.799) = 0.751.
Finalmente, Si utiliza los valores de la SBC como pesos, debe obtener
AR (7) AR (6) AR (2) AR (|| 1,2,7 ||) ARMA (1, 1) ARMA (2, 1) ARMA (2, || 1,7
||)
wyo 0.000 0.000 0,011 0,001 0,112 0,103 0,773
PREGUNTAS y ejercicios
1. En el ejemplo de lanzar una moneda de la sección 1, sus ganancias promedio de los
últimos cuatro lanzamientos(wt)
Californian estar indicados por
wt =1/4εt +1/4εt-1 +1/4εt-2 +1/4εt-3
a. Encuentre el valor esperado de sus ganancias. Encuentre el valor esperado teniendo en
cuenta queεt-3=
εt-2 =1.
b. Encuentra var(wt). Encuentra var(wt)en condicionalεt-3 =εt-2 =1.
c. Aletad cov(wt,wt-1 ), cov(wt,wt-2 )Y cov(wt,wt-5 ).
2. Considere la de segundo orden proceso autorregresivo yt =un0+un2 yt-2+εtRCEstmi|un2 |<1.
a. Encontrar:
i. mit-2 yt ii. mit-1 yt iii.mityt+2 iv. cov(yt,yt-1 )
v. cov(yt,yt-2 ) VI.las autocorrelaciones parcialesφ11unreφ22.
b. Encuentra la función de respuesta al impulso. y dadat-2 , Trazar los efectos de
unaεtchoque en el
{yt}secuencia.
c. Determinar la función de predicción: Etyt+s . El error de pronóstico correot(s)es la
diferencia entre
yt+sund Etyt+s . Deducir la correlogram de la{mit(s)}secuencia. {Sugerencia: Encuentre Etmit(s),
Virginiar[mit(s)]Y Et[mit(s)mit(s-j)]para j=0 a s}.
3. Suplente (2.10) en Yt =un0+un1 yt-1+εt. Demostrar que la ecuación resultante es una
identidad.
a. Encuentra la solución homogénea a yt =un0+un1 yt-1+εt.
b. Encontrar la solución particular teniendo en cuenta que|un1 |<1.
c. Mostrar cómo obtener (2.10) mediante la combinación de las soluciones homogéneas y
particulares.
4. La solución general a una ecuación de diferencia de orden n requiere constantes n
arbitrarias. Con- Sider la ecuación de segundo orden yt=un0+0.75yt-1-0.125yt-2+εt.
a. Encuentra las soluciones homogéneas y particulares. Discutir la forma de la
función de respuesta de impulso.
b. Encontrar los valores de las condiciones iniciales que aseguren la{yt}secuencia es
estacionaria.
c. Dada su respuesta a la parte (b), derivar la correlogram para el{yt}secuencia.
5. Considere la ecuación de diferencia estocástica de segundo orden: y t=1.5yt-1-0.5yt-
2+εt.
a. Encuentra las raíces características de la ecuación homogénea.
QUESTIONS AND EXERCISES 114
b. Demostrar que las raíces de 1-1.5L+0.5L2son los inversos de su respuesta en
la parte a.
c. condiciones iniciales dadas para Y0undy1 , Encontrar la solución para yten cuanto a
los valores actuales y pasados de la{εt}secuencia.
d. Encuentra la función de previsión para yT+s(Es decir, encontrar la solución para los
valores de yT+steniendo en cuenta los valores de yT undyT-1 ).
e. Encuentra Eyt, Eyt+1 , var(yt), var(yt+1 )Y cov(yt+1 ,yt).
QUESTIONS AND EXERCISES 115
CAPÍTUR 3
VOLATILIDAD MODELAJE
learning Objetivos
1. exae los llamados hechos estilizados relativos a las propiedades de los
datos de series de tiempo económicas.
2. Presee Los modelos básicos ARCH y GARCH.
3. Show cómo los modelos ARCH y GARCH se han utilizado para estimar
la volatilidad de la tasa de inflación.
4. Ilustran cómo los modelos GARCH pueden capturar la volatilidad de los
precios del petróleo, bienes
NOS. PIB, y el diferencial de tasas de interés.
5. Show cómo un modelo GARCH se puede utilizar para estimar el
riesgo en un sector particular de la economía.
6. Explicar cómo estimar una prima de riesgo variable en el tiempo
mediante el modelo ARCH-M.
7. explore las propiedades de la GARCH (1, 1) de modelo y de
pronósticos de modelos GARCH.
8. Derivar la función de máxima verosimilitud para un proceso GARCH.
9. Explain varias otras formas importantes de modelos GARCH
incluyendo IGARCH, TARCH asimétrica, y modelos EGARCH.
10. Ilustrar el proceso de estimación de un modelo GARCH utilizando el
Índice NYSE 100.
11. Mostrar cómo los modelos GARCH multivariante puede ser utilizado
para capturar transmisión de volatilidad.
12. Desarrollar funciones de respuesta de impulso de volatilidad e ilustrar la
técnica de estimación a partir de datos del tipo de cambio.
Hombrey series de tiempo económico no tienen una media constante, y la mayoría
de las fases de exposición de relativa tranquilidad seguido por períodos de alta
volatilidad. Gran parte de la actual investigación econométrica se refiere a la
ampliación de la metodología de Box - Jenkins para analizar estos tipos de variables
de series temporales.
1. ECONOMIC Tiempo de la
serie: los hechos
estilizados
Figuras 3.1 a 3.6 ilustran el comportamiento de algunas de las variables más
importantes encontradas en el análisis macroeconómico. inspección superficial tiene
QUESTIONS AND EXERCISES 124
sus peligros, y las pruebas for- mal es necesario para apoyar cualquier punto
primeras impresiones. Sin embargo, la representación visual fuerte
118
ECONOMIC TIME SERIES: THE STYLIZED FACTS 119
patrón es que estas series no son estacionarias; las medias de las muestras no parecen
ser cons- tante, y / o existe la fuerte aparición de heterocedasticidad. Podemos
caracterizar las principales características de las distintas series con estos hechos
estilizados:
1. HombreY de la serie contiene una tendencia clara.Real y el potencial
PIB de Estados Unidos, con- sumo, y la inversión (véase la figura 3.1)
exhiben una tendencia decididamente hacia arriba. Tenga en cuenta que el
consumo real es más suave que el PIB real y que inver- sión real es más
volátil que el PIB real.
2. The inestabilidad de muchas series no es constante en el tiempo.Real
inversión creció sin problemas a lo largo de la mayor parte de la década de
1960, pero se hizo muy variable en la década de 1970 y en 2007 con el
inicio de la crisis financiera. Tenga en cuenta que la volatilidad del PIB
real (véase la Figura 3.2) parece caer en 1984, muestra un pico ative neg
en 2007 y, a continuación, se estabiliza. Más dramático son los cambios
diarios
yon el registro de la Bolsa de Nueva York Estados Unidos 100 índice de
precios de acciones. En la Figura 3.3, se puede ver períodos en los que el
mercado de valores parece tranquilo junto períodos con grandes aumentos y
disminuciones en el mercado. Tales series son llamados condicionalmente
heteroscedásticos si el incondicional (o de largo plazo) varianza es
constante, pero hay períodos en los que la varianza es relativamente alta.
3. Choques de una serie puede mostrar un alto grado de
persistencia.Neither de la serie de tasa de interés se muestra en la figura 3.4
tiene una tendencia ascendente o descendente claro. Sin embargo, ambos
muestran un alto grado de persistencia. Tenga en cuenta que la tasa de las
letras del Tesoro a 3 meses experimentó dos oleadas ascendentes en la
década de 1970 y se mantuvo en los niveles altos durante varios años. Del
mismo modo, después de un fuerte descenso a finales de 1980, la tasa nunca
se mostrará de nuevo los niveles alcanzados a principios de 1980.
15000
12500
10000
Los mil millones de
dólares de 2005
7500
5000
2500
ECONOMIC TIME SERIES: THE STYLIZED FACTS 120
0
1950 1960 1970 1980 1990 2000 2010
PIB Potencial Consumo Inversión
20
15
10
PAGorcentaje
5
por año
-5
-10
-15
1950 1960 1970 1980 1990 2000 2010
12.5
10.0
7.5
5.0
Por cientocambio
2.5
de edad
0.0
-2.5
-5.0
-7.5
-10.0
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
dieciséis
14
12
10
Por ciento por
8
año
0
1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010
T-bill 5 años
2.00
1.75 Libra
currency Educación
1.50
físicar Dollar
1.25
UEro
1.00
0.50
2000 2002 2004 2006 2008 2010 2012
150
125
100
Educación físicar
75
dólares
barril
50
25
ECONOMIC TIME SERIES: THE STYLIZED FACTS 123
0
1987 1990 1993 1996 1999 2002 2005 2008 2011
F I G U R E 3.6WeeklY valores del precio al contado del petróleo (15 mayo 1987 hasta 1
noviembre 2013)
ARCH AND GARCH PROCESSES 123
ARCOProcesos H
En lugar de utilizar ad hoc opciones variables para xt y / o transformaciones de
datos, Engle (1982) muestra que es posible modelar simultáneamente la media y la
varianza de una serie. Como paso previo a la comprensión de la metodología de
Engle, tenga en cuenta que las previsiones con- dicional son muy superiores a las
previsiones incondicionales. Elaborar, supongamos que estimar el modelo ARMA
estacionario yt = a0 + a1yt-1 + εt y desea pronosticar yt + 1. La media condicional de
yt + 1 es
mityt+1=un0+un1 yt
Si utilizamos esta media condicional para pronosticar yt + 1, la varianza del error
de predicción es
ε2 =σ2 . Sin embargo, si se utilizan las previsiones
mit[(yt+1-un0-un1 yt)2 ] =mitt+1
incondicionales,
ºpronóstico incondicional e es siempre la media a largo plazo de la secuencia {yt}
igual a
un0 / (1 -un1 ). La varianza del error de predicción es incondicional
mi{[yt+1-un0 / (1-un1 )]2 } =mi[(εt+1+un1 εt+un2 εt-1+un3 εt-2· + · ·)2 ]
1 1
=σ2 / (1-un21)
SINCe 1 / (1 - a2)> 1, el pronóstico incondicional tiene una varianza mayor
1
que el pronóstico condicional. Por lo tanto, los pronósticos condicionales (ya que
tienen en cuenta larealizaciones actuales y anteriores conocidos de serie) son
claramente preferible.
Del mismo modo, si la varianza de εt {} no es constante, se puede estimar
cualquier tendencia de movimientos sostenidos de la varianza utilizando un modelo
ARMA. Por ejemplo, sea {t} denotar los residuos estimados a partir del modelo yt =
a0 + a1yt-1 + εt de manera que la varianza condi- cional de yt + 1 es
yt t
2
t+1 0 1 t
Virginiar(yt+1 | ) =mi[(y -un -sí)]
=mit(εt+1 )2
=evtmi(α0+α1 ε2
)1/2=0 (3.3)
t-1
SINCe Evtvt-yo =0, se deduce
también que
miεtεt-yo =0 yo≠0 (3.4)
The derivación de la varianza incondicional de εt también es sencillo. Cuadrado
εtund tener la expectativa incondicional para formar
miε2=mi[v2 (α +α1 ε2 )]
t t 0 t-1
=ev2 mi(α +αε2 )
t 0 1 t-1
UNt este punto, usted podría estar pensando que las propiedades de la secuencia
{εt} no se ven afectados por (3.2), ya que la media es cero, la varianza es constante,
y todos ANCES autocovari- son cero. Sin embargo, la influencia de (3.2) cae por
completo de la varianza condicional.
because EV2 t = 1, la varianza de εt condicionado a la historia pasada t-1 , �t- ,...es
mi[ε2ε , de ε 2 2
t-1 t-2 0 1
t| ,. . . ] = α +αεt-1 (3,6)
En (3.6), la varianza condicional de εt es dependiente del valor realizado de ε2. t-1
Si el valor dado cuenta det-1
yos grande, la varianza condicional en t va a ser grande
ε2 también.
En (3.6), la varianza condicional es un primer orden autorregresivo
Condicionalmente Het- proceso eroskedastic denotado por ARCH (1). A diferencia
de un auto regresión de costumbre, los coeficientes α0 y α1 tienen que ser
restringido. Con el fin de garantizar que la varianza condicional nunca es negativo,
es necesario asumir que tanto α0 y α1 son positivos. Después de todo, si α0 es
negativo, un suficientemente pequeño realización de εt-1 significará que (3.6) es
negativo. Del mismo modo, si α1 es negativo, una suficientemente grande
realización de εt-1 puede hacer que un valor negativo para la varianza condicional.
Además, para garantizar la estabilidad de la
proceso, es necesario restringir α1 tal que 0 ≤ α1 ≤ 1.
Las ecuaciones (3.3) - (3.6) ilustran las características esenciales de cualquier
proceso ARCH. En
unmodelo n ARCH, las expectativas condicionales e incondicionales de los términos
de error son iguales a cero. Por otra parte, la {εt} secuencia es en serie no
correlacionados, ya que, para todo s ≠ 0, Eεt εt-s = 0. El punto clave es que los
errores no son independientes, ya que son
relacionard a través de su segundo momento (recuérdese que la correlación es una
relación lineal).
La propia varianza condicional es un proceso autorregresivo que resulta en errores
condicionalmente heteroscedásticos. Cuando el valor realizado de εt-1 está lejos det-1
cero - de manera que α1ε2 es relativamente grande - la varianza de εt tenderá a ser
grande. Como se verá momentáneamente, la heteroscedasticidad condicional en εt
{} dará lugar a {yt} siendo heterocedástica sí. Por lo tanto, el modelo ARCH es
capaz de capturar períodos de tranquilidad y la volatilidad de la serie {yt}.
Los cuatro paneles de la Figura 3.7 representan dos modelos ARCH diferentes.
El panel (a), repre- resentir la {vt} secuencia, muestra 100 se desvía al azar en serie
no correlacionadas y normalmente distribuidos. De la inspección ocasional, la
secuencia {vt} parece fluctuar en torno a una media de cero y tienen una varianza
constante. Tenga en cuenta el aumento moderado de volatilidad entre los períodos 50
y 60. Teniendo en cuenta la condición ε0 inicial = 0, estas realizaciones de la
{vt} Secuencia se utiliza para construir los próximos 100
valores de la {εt} secuencia utilizando equation (3.2) y el
establecimiento de α0 = 1 y α1 = 0,8. Como se ilustra en Panel (B), el {εt}
secuencia también tiene una media de cero, pero la varianza parece expee un
aumento de la volatilidad alrededor de t = 50.
¿Cómo afecta la estructura de error de {yt} secuencia? Claramente, si el
parámetro autorregresivo A1 es cero, yt es nada más que εt. Por lo tanto, Panel (b) se
puede utilizar para representar la trayectoria temporal de la secuencia {yt} para el
ARCH AND GARCH PROCESSES 130
caso de a1 = 0. Los paneles (c) y (d) muestran el comporta- miento de la {yt} de
secuencia para los casos de a1 = 0,2 y 0,9, respectivamente. El punto esencial a
destacar es que la estructura de error ARCH y los parámetros de autocorrelación de
la
{yt}process interactúan entre sí. Paneles de comparación (C) y (D) ilustra que la
volatilidad de {yt} está aumentando en a1 y a1. La explicación es intuitivo.
Cualquier aliado unusu- grande (en valor absoluto) de choque en vt estará asociado
con un persistentemente gran variación en la secuencia {εt}; cuanto mayor es α1,
cuanto mayor sea la persistencia. Por otra parte, cuanto mayor es la a1 parámetro
autorregresivo, más persistente es cualquier cambio dado
ARCH AND GARCH PROCESSES 131
2
White-ruido del proceso
t
v ε tv =t 1 + 0.8εt-1
8 8
0 0
-8 -8
0 50 100 0 50 100
PAGAnel (a) PAGAnel (b)
0 0
-20 -20
0 20 40 60 80 100 0 20 40 60 80 100
PAGAnel (c) PAGAnel (d)
En (3.8), todos los choques de εt-1 a εt-q tienen un efecto directo sobre εt, de
manera que la varianza cional condi- actúa como un proceso autorregresivo de orden
q. Es un buen ejercicio para
demostrar que el pronóstico para ε2 t+1
Et que surge a partir de (3.1) es precisamente el
mismo que
a partir de (3.8).
RCEstmiσ
v
2
=1 y
q pag
ht=α0+ Σ αyo ε 2
t- + Σβyo ht-yo (3,9)
yo=1 yo yo=1
ARCH AND GARCH PROCESSES 135
�
2
= Σ̂ tε/T
2
t=1
RCEste T = número de
residuos.
STEP 2:calculatE y trazar las autocorrelaciones de muestra de los residuos al
cuadrado como
T Σ
(�̂2-�
2
) (�̂2 -�
2
)
t t-yo
ρyo=
t=yo+1
T
136
Σ
ARCH AND GARCH PROCESSES
(�t̂2-�)
2 2
t=1
STEP 3:recall
puede del Capítulopor
aproximar 2, en
1 /muestras grandes
√T.2 valores la desviación
individuales de ρiestándar
que son de ρi se
significativamente
ARCH AND GARCH PROCESSES 137
likelihood techniques
ultimo 2