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+xt−1+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).