Unità Didattica 10 - Autocorrelazione ed eteroschedasticità
by user
Comments
Transcript
Unità Didattica 10 - Autocorrelazione ed eteroschedasticità
Autocorrelazione dei residui • Come può originarsi? • Esempio: il modello ad aggiustamento parziale et et 1 t et 1et 1 2et 2 ... t Possibilità di Autocorrelazione (1) • Abbiamo già stabilito come visualizzare: • L’autocorrelazione può risultare da: et et 1 t • Oppure, in termini più generali, abbiamo: et 1et 1 2et 2 ... t • Il processo AR(1) è uno stimatore molto robusto dell’autocorrelazione (partendo dal campione) Possibilità di Autocorrelazione (2) • La maggior parte della correlazione trasmessa da errori precedenti è catturata dall’impatto di e t-1 • Eccezioni: – Correlazioni stagionali o trimestrali; – Correlazioni spaziali (hanno significati complessi) • Nella maggior parte dei casi, correzioni AR(1) sono sufficienti Autocorrelazione Positiva • Se è positivo abbiamo che gli errori tendono a mantenere lo stesso segno in osservazioni contigue • (Autocorrelazione genuina) shock esterni dispiegano effetti per molto tempo (ad esempio investimenti pubblicitari, promozioni, etc. • Visual Inspection: clustering effects (gruppi di errori con stesso segno). Autocorrelazione Negativa • Se è negativo abbiamo termini di errore che tendono a cambiare segno (da negativi diventano positivi) per osservazioni contigue. • Esiste un pattern ciclico nella distribuzione degli errori; • Problemi particolarmente rilevanti nel caso dei dati economici; VI PRESENTO UN SIGNORE CHE TROVEREMO PIU’ AVANTI. IL “CORRELOGRAMMA” e(t) = 0.9*e(t-1) + u(t) 1.0 0.8 0.6 0.4 0.2 0.0 5 10 15 20 e(t) = -0.9*e(t-1) + u(t) 1.0 0.5 0.0 -0.5 -1.0 5 10 15 20 Diagnosi • Abbiamo già stabilito che i coefficienti sono unbiased; • Possiamo utilizzare gli errori osservati per diagnosticare la presenza di autocorrelazione; • Test: – DW Studieremo la relazione tra residui e valori ritardati dei residui stessi Il test D-W N d ( et et 1 ) N 2 ( et et 1 ) 2 2 N 2 N 2 et 2 N 2 et 2 2 et 2 N N 2 2 2 et 1 2 2 et et 1 et21 N N 2 e t 2 N N 2 et2 2 N 2 e t 2 2 e t 1 2 N 2 et et 1 2 2rt ,t 1 2 N 2 et 2 N 2 et 1 2 • Dunque D-W è uguale a 2 meno due volte la correlazione fra et et et-1 • D-W è stato prefigurato per diagnosticare autocorrelazione del 1° ordine, ma è ora utilizzato come un test generale di specificazione del modello; • Regola decisionale: quando c’è autocorrelazione?? • La statistica D-W ha una distribuzione conosciuta (con bande di incertezza che dipendono dalla numerosità campionaria • La statistica Durbin-Watson è distribuita simmetricamente attorno al valore 2 • Valori superiori a 2 indicano autocorrelazione negativa; • Valori inferiori a 2 indicano autocorrelazione positiva; • Eviews vi calcola il valore (proveremo a farlo anche manualmente). Lagged Dependent Variables • The Durbin Watson Statistic is not a valid test statistic when the equation includes a lagged dependent variable as one of the explanatory variables. • Use instead the Durbin-h test statistic which is normally distributed: n d d h 1 2 2 1 n ˆ Yt 1 Dove: dh: statistica D-W n = numerosità campionaria 2ˆ Yt 1 varianza del beta stimato sulla variabile ritardata Trasformazioni GLS: come correggere l’autocorrelazione • Partiamo da un modello generico Y Xˆ e • Dove e t e t 1 t t IID N 0, 2 Cochrane-Orcutt Method ( sconosciuto): Step 1: Applicare OLS al modello originale e calcolare: T r ˆ e t e t 1 t 2 T 2 e t 1 t 2 Dove et sono i residui (autocorrelati) del modello originale Step 2: Ritardare il modello di un periodo e premoltiplicare per : Yt 1 0 1X1t 1 k X kt 1 e t 1 Step 3: sottrarre ora il modello originale per ottenere il modello “rho-differenced” : Yt Yt 1 0 1 1 X1t X1t 1 k X kt X kt 1 e t e t 1 Otteniamo: * Yt *ˆ Xt t dove: Yt* Yt Yt 1 and X*t X t X t 1 Step 4: procedere alla stima con OLS (nel modello trasformato gli errori non sono correlati serialmente) Nota tecnica •Il metodo C-O stima un primo (con gli errori OLS) •Successivamente stima con GLS e ottiene che utilizza per una nuova stima di …. Hildreth-Lu Method • Equivalent to the Cochrane-Orcutt method. • Use the rho-difference model, searching over a grid of different values for between 1 and +1 selecting the value which minimizes the sum of squared residuals for the transformed model. • Typical grid: = 0.95, 0.90, 0.85, … , 0.85, 0.90, 0.95 Il problema dell’eteroschedasticità • L’Eteroschedasticità costituisce una delle due possibili violazioni dell’assunzione E(ee’)=σ2In • Specificatamente è la violazione dell’assunzione di varianza costante degli errori • (Già visto) Se gli errori sono eteroschedastici, allora OLS produce ancora coefficienti unbiased, ma non BLUE • Gli standard errors associati ai coefficienti sono distorti (ad es. non possiamo fare t-tests). Diagnosi • Ci sono molti test • Tutti presuppongono che si determinino gli errori dell’equazione stimata e si controllino le varianze • Goldfeld-Quandt • White Heteroskedasticity: Tests • Goldfeld-Quandt test – Ordinare le T osservazioni della X che si suppone correlata con ei2. – Eliminare l’insieme centrale delle osservazioni centrali (1/5 è un numero ragionevole). – Stimare due regressioni separate con entrambi i sub-campioni. • Il rapporto fra le varianze in campioni diversi si distribuisce secondo una F GQ F[( N K ),( N 2 1 2 2 1 1 2 K 2 )] • N1-K1 sono i gradi di libertà per la prima regressione e N2-K2 quelli della seconda Tests di White Useful if Heteroskedasticity depends on more than one variable – Stimare con OLS Y Xˆ e – Ottenere gli errori al quadrato – Stimare l’equazione generale: e i X X u 2 * 2 – Sappiamo poi studiare la restrizione gamma=0 Rimedi: GLS ancora una volta • • • • • Si consideri il caso semplice bivariato Y=a+X+ con eteroschedastico si definisca Y/σ=a/σ+/σX+/σ Abbiamo: Var(/σ) = 1/σ2 Var() = σ2(1/σ2) = 1 Perciò: Y/σ=a/σ+/σX+/σ = Y*=a*+*X*+u Può essere stimato con OLS WLS: How Do We Choose the Weight? • Now our only remaining job is to figure out what F should be • Recall if there is a heteroskedasticity problem, then: h1 0 E (ee' ) 2 2 0 0 0 0 h2 0 0 0 h3 0 0 0 0 h4 Determining F • Thus: h1 0 0 h 2 0 0 0 0 0 0 h3 0 0 0 0 h4 and 1 1 h1 0 0 1 0 h2 0 0 0 0 0 1 h3 0 0 0 0 1 h4 Determining F • And since F’F= Ω-1 1 h1 0 F 0 0 0 0 1 0 h2 0 0 1 h3 0 0 0 1 h4 0