Kļūdu vektora korekcijas modelis (MCVE) 2021. gads
Kļūdu vektora korekcijas modelis (MCVE) ir VAR modeļa paplašinājums, kas nozīmē korekcijas termiņa pievienošanu novēlotajai kļūdai autoregresijā, lai veiktu novērtējumu, ņemot vērā divu mainīgo kointegrāciju.
Citiem vārdiem sakot, MCVE modelis iekļauj kointegrāciju, izmantojot kļūdu labošanas terminu kā jaunu neatkarīgu mainīgo VAR modelī.
Tādā veidā mēs varam veikt atkarīgā mainīgā aplēses, ņemot vērā tā atpalikušās vērtības, otra mainīgā novēlotās vērtības un atpalikušo kļūdu labošanas terminu (kointegrācijas efekts).
Ieteicamie raksti: kointegrācija, VAR modelis, autoregresīvs modelis.
Cointegration
Kointegrācija starp diviem nejaušiem mainīgajiem ir kopējas stohastiskās tendences klātbūtne. Citiem vārdiem sakot, mainīgajiem, neskatoties uz gadījuma raksturu, ir kopīga tendence. Piemēram, ņemot vērā noteiktu laika periodu, var gadīties, ka viens mainīgais palielinās, bet otrs arī. Tas pats pretējā gadījumā.
Kointegrācijas klātbūtne nenozīmē, ka mainīgie palielinās vai samazinās tajās pašās relatīvajās vienībās, bet drīzāk starp mainīgajiem pastāv neviendabīga izkliede.
Kļūdu labošanas termiņš
Kļūdu labošanas termins vai kointegrācijas koeficients mums norāda, vai kointegrācija notiek vizuāli un neprecīzi. Lai pieņemtu tik izšķirošu lēmumu, ieteicams izmantot statistiku, piemēram, EG-ADF kontrastu.
Matemātiski mēs definējam mainīgo Xt un Yt kā divi nejauši mainīgi lielumi, kas seko vidējās 0 un dispersijas 1 normālai normālai varbūtības sadalei.
Tad kointegrācijas klātbūtne to nozīmē
Tā ir integrēta 0 pakāpe.
Parametrs d ir kointegrācijas koeficients. Šis koeficients tiek iegūts, ņemot vērā to, ka jums ir jānovērš kopējās atšķirības tendences.
Izmantotās ekonometriskās metodes ir vispārinātu mazāko kvadrātu kombinācija ar Dikija-Fulera testu.
Citiem vārdiem sakot, ja redzam, ka atšķirība starp abām sērijām neseko nevienai skaidrai tendencei, mēs nosakām, ka kointegrācija starp abiem mainīgajiem ir 1. pakāpe un kļūdas labošanas termiņš ir 0. integrācijas pakāpe.
Shematiski
- Ja redzam tendenci starp abiem mainīgajiem => pārbaudiet atšķirību => atšķirība neseko pēc skaidras tendences => kļūdas labošanas termins ir 0 pakāpes integrācija => starp abiem mainīgajiem ir kointegrācija (1. pakāpes integrācija).
- Mēs neredzam tendenci starp abiem mainīgajiem => pārbaudīt atšķirību => atšķirība, ja ir skaidra tendence => kļūdas labošanas termins ir 1. pakāpes integrācija => starp abiem mainīgajiem nav kointegrācijas (0 pakāpes integrācija).
VAR formulas paraugs (p, q):
MCVE pamatā ir Vector Autoregressive (VAR) modelis:
Lai pārveidotu VAR modeli par MCVE modeli, mums:
- Pievienojiet kļūdas, kas atpalika par vienu periodu, labošanas terminu:
- Pievienojiet pieauguma zīmi atpalikušajiem neatkarīgajiem mainīgajiem, lai norādītu uz faktu, ka mēs izmantojam pirmo atšķirību.
2 mainīgo MCVE modeļa formula
Tad divu mainīgo X MCVEt un Yt (kad k = 2) ir:
Teorētiskais piemērs
Vai mēs varam noteikt, ka starp AlpineSki un NordicSki krājumu ienesīgumu pastāv kointegrācija? Vai absolūtās vērtības starpība starp AlpineSki un NordicSki (| A-N |) mums kaut ko pasaka?
