VAR en niveaux pour les données cointégrées


8

J'ai lu un article qui exprime que les "travaux récents" montrent que nous pouvons utiliser un modèle VAR avec des données brutes I (1) mais il doit y avoir cointégration. Cela signifie qu'il n'y a aucune raison de différencier les données pour la modélisation VAR. Une référence papier à ce sujet?


2
Je ne pense pas que ce soit un travail récent. Elle doit être connue au moins depuis Engle & Granger "Co-intégration et correction d'erreurs: représentation, estimation et test" (1987). La régression de première étape de la procédure E & G fait exactement cela. Ou avez-vous autre chose en tête?
Richard Hardy

2
Pas récent. Le document de référence classique est: Sims, Stock et Watson. 1990. Inférence dans les modèles de séries chronologiques linéaires avec quelques racines unitaires ( princeton.edu/~mwatson/papers/Sims_Stock_Watson_Ecta_1990.pdf ) qui montrent exactement ce que vous mentionnez. Il s'agit d'une approche très courante en économie montréalaise, pour simplement estimer le VAR en niveaux. Pour une application, voir: Christiano, Eichenbaum et Evans. 2005. Rigidités nominales et effets dynamiques d'un choc sur la politique monétaire ( benoitmojon.com/pdf/… )
Plissken

2
Enfin, vous pouvez consulter ce document: Phillips. 1998. Réponse impulsionnelle et asymptotique de variance d'erreur de prévision dans les VAR non stationnaires ( sciencedirect.com/science/article/pii/S030440769700064X )
Plissken

@Plissken, pourquoi ne rassemblez-vous pas vos commentaires dans une réponse et ne la postez pas, alors le fil pourrait être terminé.
Richard Hardy

J'ai également posté sur ce sujet ici: stats.stackexchange.com/questions/191851/… . Comme le mentionne derFuchs, c'est quelque chose qui est connu depuis un certain temps, mais les manuels ne le mentionnent jamais. Des trucs très importants!
Jacob H

Réponses:


2

Ce n'est pas récent, mais de nombreux manuels, séries vidéo, etc. en économétrie ne le reconnaissent toujours pas.

Vous pouvez consulter les articles ci-dessous. La référence classique serait le papier Sims, Stock et Watson. Regarde également Lütkepohl, c'est une autorité en matière de SVARS.

Vous avez tort de dire qu '«il doit y avoir cointégration» pour utiliser VAR dans les niveaux. Vous pouvez également estimer VAR en niveaux de variables non stationnaires lorsqu'il n'y a pas de cointégration présente! Cependant, les articles Phillips, Durlauf et Ashley, Vergbugge plaident pour des SVAR en niveaux au lieu de VECM si la cointégration est présente (sous certaines conditions).

Sims, Californie, Stock, JH et Watson, MW (1990). Inférence dans les modèles de séries chronologiques linéaires avec quelques racines unitaires. Econometrica: Journal of the Econometric Society, 113-144.

Ashley, RA et Verbrugge, RJ (2009). Faire la différence ou ne pas faire la différence: étude Monte Carlo de l'inférence dans les modèles d'autorégression vectorielle. Journal international des techniques et stratégies d'analyse des données, 1 (3), 242-274.

Phillips, PC et Durlauf, SN (1986). Régression de séries chronologiques multiples avec processus intégrés. The Review of Economic Studies, 53 (4), 473-495.

Lütkepohl, H. (2011). Modèles autorégressifs vectoriels. Dans International Encyclopedia of Statistical Science (pp. 1645-1647). Springer Berlin Heidelberg.

Christiano, LJ, Eichenbaum, M. et Evans, C. (1994). Les effets des chocs de politique monétaire: quelques preuves des flux de fonds (n ° w4699). Bureau Nationale de la Recherche Economique.

Doan, TA (1992). RATS: Manuel de l'utilisateur. Estima.ote


2

Je veux développer le post derFuchs. De plus, je pense que trop souvent, lorsqu'une racine unitaire est présente, les gens font automatiquement la première différence entre leurs données. Ce n'est pas toujours nécessaire!

Prédiction

Nous avons toujours su que nous pouvons exécuter un VAR dans les niveaux lorsque les séries suivent une racine unitaire. Par exemple, supposons que les deux sériesx et ysuivre une racine unitaire. Si nous régressonsx sur y (c'est à dire yt=α+xt1+ϵ) et ils ne sont pas cointégrés, nous obtiendrons de faux résultats. Cependant, si nous incluons des retards deyalors les résultats ne seront plus faux. En effet, les retards dey garantira que les résidus seront stationnaires.

Si nous régressons x sur yet ils sont cointégrés, nous allons bien. Après tout, dans la méthode ECM traditionnelle en deux étapes, nous estimons cette régression dans la première étape.

Nous n'avons discuté que des modèles AR avec des décalages distribués. Cependant, les VAR ne sont qu'un système de modèles AR avec des décalages distribués, de sorte que l'intuition ci-dessus reste valable dans le contexte VAR.

La raison pour laquelle tout cela fonctionne est que les racines unitaires (sauf dans le cas de la régression parasite) ont peu d'impact sur les estimations des coefficients. Par exemple, sizsuit une racine unitaire et nous ajustons un AR (1), nous obtiendrons un coefficient d'environ 1; qui est la meilleure estimation de l'endroit où une marche aléatoire sera la prochaine période (c'est-à-dire où c'était la dernière période). Cependant, parce quezsuit une tendance stochastique, il n'aura pas tendance à revenir à sa moyenne. En gros, cela implique que la variance de nos estimations tendra vers l'infini car nous avons plus de données (c'est-à-dire pas de variance asymptotique). D'une manière générale, une racine unitaire est un problème pour estimer la variance (c.-à-d. Les erreurs standard) et moins pour les moyennes (c.-à-d. Les coefficients)

Inférence

Comme indiqué ci-dessus, la nature d'une marche aléatoire (c'est-à-dire un processus de racine unitaire) implique que la variance est explosive. Vous pouvez le voir vous-même. Estimer les intervalles de prédiction après l'ajustement d'un AR (1) à un processus racine unitaire.

En raison de ce fait, il est difficile d'effectuer des tests d'hypothèse. Abusons à nouveau de notre déclaration incorrecte, mais éclairante, d'en haut. Si un processus racine unitaire a une variance qui tend vers l'infini, vous ne pourrez jamais rejeter une hypothèse nulle.

La grande percée de Sims, Stock et Watson est qu'ils ont montré que dans certaines situations, il est possible d'effectuer une inférence lorsqu'un processus suit une racine unitaire.

Toda et Yamamoto (1995) sont un autre bon article, qui s'étend sur Sims, Stock et Watson. Ils montrent que la causalité de Granger est possible en présence d'une racine unitaire.

Enfin, gardez à l'esprit que les racines unitaires sont encore très délicates. Ils auront un impact bizarre sur votre VAR. Par exemple, une racine unitaire implique que la représentation MA de votre VAR n'existe pas, car la matrice des coefficients n'est pas inversible. Par conséquent, un IRF ne sera pas précis (bien que certaines personnes le fassent encore).

En utilisant notre site, vous reconnaissez avoir lu et compris notre politique liée aux cookies et notre politique de confidentialité.
Licensed under cc by-sa 3.0 with attribution required.