Modele VAR
Ekonometria
Modele wielorównaniowe
Jakub Mućk
Katedra Ekonomii Ilościowej
Modele VAR
Outline
1 Wprowadzenie do modeli wielorównaniowych
2 Modele równań współzależnych (SEM)
3 Problem identyfikowalności parametrów
4 Modele wektorowej autoregresji (VAR) Strukturalne modele VAR
Strukturalne modele VAR
Modele VAR
Wprowadzenie do modeli wielorównaniowych Motywacja
P Q
E1
E2
E3
Q to ilość dobra P to cena dobra
E1, E2oraz E3 to obserwowane wiel- kości.
Modele VAR
Wprowadzenie do modeli wielorównaniowych Motywacja
P Q
E1
E2
E3 Q to ilość dobra P to cena dobra
E1, E2oraz E3 to obserwowane wiel- kości.
Zależność wynikająca z obserwacji empirycznych:
Q = β0+ β1P + ε (1) Jakiego znaku jest β1?
Modele VAR
Wprowadzenie do modeli wielorównaniowych Motywacja
P Q
E1
E2
E3
S
Q to ilość dobra P to cena dobra
E1, E2oraz E3 to obserwowane wiel- kości.
Krzywa podaży (S)
QS= β0+ β1P + εs (1) gdzie εs to nieobserowalna determi- nanta podaży (unobservable supply shifter)
Modele VAR
Wprowadzenie do modeli wielorównaniowych Motywacja
P Q
E1
E2
E3
S
D1
D2
D3
Q to ilość dobra P to cena dobra
E1, E2oraz E3 to obserwowane wiel- kości.
Krzywa podaży (S)
QS= β0+ β1P + εs (1) gdzie εs to nieobserowalna determi- nanta podaży (unobservable supply shifter)
Krzywe popytu (Di) dla różnych war- tości Z
QD= α0+ α1P + α2Z + εd (2) gdzie Z to obserowalna determinanta popytu (observable demand shifter), a εd to nieobserowalna determinanta popytu (unobservable demand shi- fter).
Modele VAR
Wprowadzenie do modeli wielorównaniowych Motywacja
P Q
E1
E2
E3
D1
D2
D3
S1
S2
S3
Q to ilość dobra P to cena dobra
E1, E2oraz E3 to obserwowane wiel- kości.
Krzywe podaży (Si) dla różnych war- tości X:
QS= β0+ β1P + β2X + εs (1) gdzie X to obserowalna determinanta podaży (observable demand shifter), a εs to nieobserowalna determinanta podaży (unobservable supply shifter) Krzywe popytu (Di) dla różnych war- tości Z
QD= α0+ α1P + α2Z + εd (2) gdzie Z to obserowalna determinanta popytu (observable demand shifter), a εd to nieobserowalna determinanta popytu (unobservable demand shi- fter).
Modele VAR
Współprzyczynowość I
Przykład:(Keyensowski) model konsumpcji:
c = α + βy + ε (3)
y = c + i (4)
gdzie c to konsumpcja, yodpowiada zagregowanemu produktowi, i to inwe- stycje a ε to składnik losowy, t.j., ε ∼ N (0, σ2ε).
W powyższym systemie równań mamy dwie zmienne endogeniczne (c oraz y) i jedną zmienną egzaogeniczną (i).
Postać zredukowana (reduced form) to taka postać modelu, w której zmienne endogeniczne są determinowane jedynie przez zmienne egzogeniczne oraz zaburzenia losowe. W naszym przypadku:
y = c + i
y = α + βy + ε + i (1 − β)y = αi + ε
y = α
(1 − β)+ 1
(1 − β)i + 1 (1 − β)ε.
Modele VAR
Współprzyczynowość II
Ogólny zapis estymatora MNK dla krańcowej skłonności do konsumpcji (β) można wyprowadzić korzystając z tożsamości (3):
βˆOLS= β +
P(y − ¯y) ε P(y − ¯y)2
| {z }
=0 jezeli E(y|ε)=0
. (5)
Ale z formy zredukowanej naszego modelu wiemy, że y zależy od ε. W takim przypadkuβˆOLS6= β, a więc estymator MNK będzie niezgodny.
Modele VAR
Wprowadzenie do modeli wielorównaniowych
Modele wielorównaniowepozwalają na uwzględnienie skomplikowanych (współzależności) pomiędzy zmiennymi ekonomicznymi.
Modele wielorównaniowemogą w różnym stopniu bazować na teorii eko- nomii. Przykładowy podział:
Modele czysto teoretycznebazujące na teorii ekonomii. Np. model wzrostu Solowa, model endogenicznego wzrostu Romera, model konkurencji monopoli- stycznej.
Stosowane modele teoretyczne, np. stosowane modele równowagi ogólnej, modele RBC.
Modele hybrydowe. Np. Model NECMOD.
Stosowane modele empiryczne. Np. strukturalne modele VAR.
Modele czysto empiryczne. Np. Modele wektorowej autoregresji VAR.
Modele VAR
Klasyfikacje modeli ekonometrycznych (Vol 2)
1 Liczba równań:
modele jednorównaniowe modele wielorównaniowe
2 Postać funkcyjna:
modele liniowe modele nieliniowe
3 Charakter dynamiczny modeli:
modele statyczne modele dynamiczne
4 Walory poznawcze modelu:
modele przyczynowo-skutkowe modele symptomatyczne
5 Zakres analizy:
modele makroekonomiczne modele mikroekonomiczne
6 Powiązania między zmiennymi:
modele proste modele rekurencyjne
modele o równaniach współzależnych
Modele VAR
Klasyfikacje modeli ekonometrycznych (Vol 2)
1 Liczba równań:
modele jednorównaniowe modele wielorównaniowe
2 Postać funkcyjna:
modele liniowe modele nieliniowe
3 Charakter dynamiczny modeli:
modele statyczne modele dynamiczne
4 Walory poznawcze modelu:
modele przyczynowo-skutkowe modele symptomatyczne
5 Zakres analizy:
modele makroekonomiczne modele mikroekonomiczne
6 Powiązania między zmiennymi:
modele proste modele rekurencyjne
modele o równaniach współzależnych
Modele VAR
Klasyfikacje modeli ekonometrycznych (Vol 2)
1 Liczba równań:
modele jednorównaniowe modele wielorównaniowe
2 Postać funkcyjna:
modele liniowe modele nieliniowe
3 Charakter dynamiczny modeli:
modele statyczne modele dynamiczne
4 Walory poznawcze modelu:
modele przyczynowo-skutkowe modele symptomatyczne
5 Zakres analizy:
modele makroekonomiczne modele mikroekonomiczne
6 Powiązania między zmiennymi:
modele proste modele rekurencyjne
modele o równaniach współzależnych
Modele VAR
Klasyfikacje modeli ekonometrycznych (Vol 2)
1 Liczba równań:
modele jednorównaniowe modele wielorównaniowe
2 Postać funkcyjna:
modele liniowe modele nieliniowe
3 Charakter dynamiczny modeli:
modele statyczne modele dynamiczne
4 Walory poznawcze modelu:
modele przyczynowo-skutkowe modele symptomatyczne
5 Zakres analizy:
modele makroekonomiczne modele mikroekonomiczne
6 Powiązania między zmiennymi:
modele proste modele rekurencyjne
modele o równaniach współzależnych
Modele VAR
Klasyfikacje modeli ekonometrycznych (Vol 2)
1 Liczba równań:
modele jednorównaniowe modele wielorównaniowe
2 Postać funkcyjna:
modele liniowe modele nieliniowe
3 Charakter dynamiczny modeli:
modele statyczne modele dynamiczne
4 Walory poznawcze modelu:
modele przyczynowo-skutkowe modele symptomatyczne
5 Zakres analizy:
modele makroekonomiczne modele mikroekonomiczne
6 Powiązania między zmiennymi:
modele proste modele rekurencyjne
modele o równaniach współzależnych
Modele VAR
Klasyfikacje modeli ekonometrycznych (Vol 2)
1 Liczba równań:
modele jednorównaniowe modele wielorównaniowe
2 Postać funkcyjna:
modele liniowe modele nieliniowe
3 Charakter dynamiczny modeli:
modele statyczne modele dynamiczne
4 Walory poznawcze modelu:
modele przyczynowo-skutkowe modele symptomatyczne
5 Zakres analizy:
modele makroekonomiczne modele mikroekonomiczne
6 Powiązania między zmiennymi:
modele proste modele rekurencyjne
modele o równaniach współzależnych
Modele VAR
Outline
1 Wprowadzenie do modeli wielorównaniowych
2 Modele równań współzależnych (SEM)
3 Problem identyfikowalności parametrów
4 Modele wektorowej autoregresji (VAR) Strukturalne modele VAR
Strukturalne modele VAR
Modele VAR
Modele równań współzależnych (SEM) - postać strukturalna
Postać strukturalna (structural form) to postać modelu wynikająca z teorii ekonomii.
Dla układu M równań
γ11y1t+ . . . + γ1MyM t+ β11x1t+ . . . + β1KxKt = ε1t
γ21y2t+ . . . + γ2MyM t+ β21x2t+ . . . + β2KxKt = ε2t
.. . γM 1y1t+ . . . + γM MyM t+ βM 1xM t+ . . . + βM KxKt = εM t
M zmiennych endogenicznych: y1t, y2t, . . ., yM t. K zmiennych egzogenicznych: x1t, x2t, . . ., xKt.
M strukturalnych zaburzeń losowych: ε1t, ε2t, . . ., εM t. Przyjmując, że ε = [ε1t, ε2t, . . . , εM t]
E(ε) = 0 oraz E(εεT) = Σ,
gdzie Σ to macierz wariancji-kowariancji pomiędzy zaburzeniami struktural- nymi.
Modele VAR
Modele równań współzależnych (SEM) - postać strukturalna
Postać strukturalna (structural form):przy pomocy zapisu macierzowego dla każdej obserwacji (t):
[y1 y2 . . . yM]t
γ11 γ12 . . . γ1M
γ21 γ22 . . . γ2M
.. . γM 1 γM 2 . . . γM M
+
+ [x1 x2 . . . xK]t
β11 β12 . . . β1M
β21 β22 . . . β2M
.. .
βM 1 βM 2 . . . βM M
= [ε1 . . . ε2 εM]t
Modele VAR
Modele równań współzależnych (SEM) - postać strukturalna
Postać strukturalna (structural form) – zapis macierzowy:
YΓ + XB = ε, (6)
gdzie (przyjmując T jako liczbę obserwacji):
Y to macierz zmiennych endogenicznych o wymiarach T × M . X to macierz zmiennych egzogenicznych o wymiarach T × K.
ε to macierz struturalnych zaburzeń losowych o wymiarach T × M .
Γ macierz parametrów przy zmiennych endogenicznych o wymiarach M × M . B macierz parametrów przy zmiennych egzogenicznych o wymiarach K × M . Ponadto:
E(ε) = 0 oraz E(εεT) = Σ,
gdzie Σ to macierz wariancji-kowariancji pomiędzy zaburzeniami struktural- nymi.
Zatem na postać strukturalną składają się: Γ, B, ale i Σ.
Modele VAR
Modele równań współzależnych (SEM) - postać zredukowana
Postać zredukowana (reduced form):
Y = XΠ + ν, (7)
gdzie
Π = −BΓ−1 (8)
oraz ν to macierz zaburzeń formy zredukowanej:
ν = εΓ−1 (9)
oraz
E(ννT) = Γ−1T
ΣΓ−1= Ω. (10)
Modele VAR
Modele równań współzależnych (SEM) - postać zredukowana
Postać zredukowana (reduced form):
Y = XΠ + ν, (7)
gdzie
Π = −BΓ−1 (8)
oraz ν to macierz zaburzeń formy zredukowanej:
ν = εΓ−1 (9)
oraz
E(ννT) = Γ−1T
ΣΓ−1= Ω. (10)
Modele VAR
Outline
1 Wprowadzenie do modeli wielorównaniowych
2 Modele równań współzależnych (SEM)
3 Problem identyfikowalności parametrów
4 Modele wektorowej autoregresji (VAR) Strukturalne modele VAR
Strukturalne modele VAR
Modele VAR
Problem Identyfikacji parametrów – ilustracja
Obserwacje empiryczne: E1, E2oraz E3.
P Q
E1
E2
E3
S
Modele VAR
Problem Identyfikacji parametrów – ilustracja
Obserwacje empiryczne: E1, E2oraz E3.
P Q
E1
E2
E3
S
P Q
E1
E2
E3
S
D1
D2
D3
Modele VAR
Problem Identyfikacji parametrów – ilustracja
Obserwacje empiryczne: E1, E2oraz E3.
P Q
E1
E2
E3
S
P Q
E1
E2
E3
S
D1
D2
D3
P Q
E1
E2
E3
D1
D2
D3
S1
S2
S3
Modele VAR
Problem identyfikowalności parametrów I
Postać strukturalna (structural form):
YΓ + XB = ε (11)
Postać zredukowana (reduced form):
Y = XΠ + ν (12)
Π = −BΓ−1 (13)
Intuicyjnie, kluczowy jest przypadek, gdy jedna postać zredukowana odpo- wiada dokładnie jednej postaci strukturalnej.
W przypadku, gdy kilka postaci strukturalnych może prowadzić do tej samej postaci zredukowanej pojawia się problem braku identyfikowalności parame- trów.
Modele VAR
Przykład I
Przykład (qd– popyt; qs– podaż, p – cena; z – inna zmienna egzogeniczna):
qd = α0+ α1p + α2z + εd (14) qs = β0+ β1p + β2z + εs (15)
qd = qs (16)
Po drobnej manipulacji postać zredukowana oraz przy złożeniu, że α1 6= β1: q = α1αβ0−α0β1
1−β1 +α1αβ2−α2β1
1−β1 z +α1αεs−α2εd
1−β1 = π11+ π21z + νq, (17) p = βα0−α0
1−β1 +βα1−α2
1−β2z +αεs−εd
1−β1 = π12+ π22z + νp, (18) Postać zredukowana zawiera zaledwiecztery parametry (π11, π12, π21i π22), a postać strukturalna aższeść parametrów (α0, α1, α2, β0, β1 i β2). Oczy- wistym zatem jest fakt, żenie ma kompletnego rozwiązania dla wszystkich sześciu parametrów postaci strukturalnej w zależności od parametrów postaci zredukowanej.
Modele VAR
Przykład II I
Modyfikacja: w rówaniu popytowym zamienimy z na x
qd = α0+ α1p + α2x + εd (19) qs = β0+ β1p + β2z + εs (20)
qd = qs (21)
Postać strukturalna
[q p]
1 1
−α1 −β1
+ [1 x z]
" −α
0 −β0
−α2 0 0 −β2
#
= [εd εs] (22)
Postać zredukowana:
[q p] = [1 x z]
" (α
1β0− α0β1) /γ (β0− α0) /γ
−α2β1/γ −α2/γ α1β2/γ β2/γ
#
+ [ν1 ν2] (23)
gdzie γ = α1− β1
Modele VAR
Przykład II II
rozwiązaniem dla postaci strukturalnej jest zatem α0= π11− π12 π31
π32
, α1= ππ31
32, α2= π22 π21 π22 −ππ31
32
,
β0= π11− π12 π21 π22
, β1=ππ21
22, β2= π32 π31 π32−ππ21
22
.
Uwaga. Należy pokazać, że jest to rozwiązanie unikalne.
Modele VAR
Problem identyfikowalności parametrów a liczba parametrów
Postać strukturalna:
Γ jest nieosobliwą macierzą o wymariach M ×M =⇒ M2parametrów.
B jest wymiarów K × M =⇒ KM parametrów.
Σ jest macierzą symetryczną o wymariach M × M =⇒ 12M (M + 1) parametrów.
Zatem postać strukturalna posiadaM2+ KM +12M (M + 1).
Postać zredukowana
Π jest wymiarów K × M =⇒ KM parametrów.
Ω jest macierzą symetryczną o wymariach M × M =⇒ 12M (M + 1) parametrów.
Zatem postać zredukowana posiada KM +12M (M + 1).
Różnica w liczbie parametrów to M2. Dlatego, kluczowe jest wykrozy- stanie informacji z poza próby (non-sample information).
Modele VAR
Problem identyfikowalności parametrów a liczba parametrów
Postać strukturalna:
Γ jest nieosobliwą macierzą o wymariach M ×M =⇒ M2parametrów.
B jest wymiarów K × M =⇒ KM parametrów.
Σ jest macierzą symetryczną o wymariach M × M =⇒ 12M (M + 1) parametrów.
Zatem postać strukturalna posiadaM2+ KM +12M (M + 1).
Postać zredukowana
Π jest wymiarów K × M =⇒ KM parametrów.
Ω jest macierzą symetryczną o wymariach M × M =⇒ 12M (M + 1) parametrów.
Zatem postać zredukowana posiada KM +12M (M + 1).
Różnica w liczbie parametrów to M2. Dlatego, kluczowe jest wykrozy- stanie informacji z poza próby (non-sample information).
Modele VAR
Problem identyfikowalności parametrów a źródła restrykcji
Normalizacja (Normalization) – w każdym równaniu jeden współczyn- nik powinien mieć wartość 1. Zazwyczaj, jest to parametr przy zmiennej endogenicznej.
Wtedy liczba restrykcji redukuje się do M (M − 1) (z M2).
Tożsamości (Identities).
Wykluczenia (Exclusion) – zerowe restrykcje na macierze Γ i B.
Liniowe restrykcje (Linear restrictions).
Aczkolwieks liniowe restykcje mogą czasem prowadzić do błędnej postaci struk- turalnej. Przykładowym problem jest brak możliwości zidenyfikowania efektów korzyści skali przy identyfikacji postępu technologicznego dla zagregowanej funkcji produkcji.
Restrykcje na macierz wariancji kowariancji zaburzeń losowych Σ.
Współczesne badania makroekonomiczne wykorzystują modele wektorowej au- toregresji VAR w celu zidentyfikowania wpływu (strukturalnych) szoków ma- kroekonomicznych. Kluczowym założeniem jest tutaj sferyczność macierzy Σ.
Modele VAR
Problem identyfikowalności parametrów I
Rozważamy jedną zmienną endogeniczną yj (tj. j-te równanie).
Zmienne endogeniczne Zmienne egzogeniczne
Włączone Yj Xj
Mj zmiennych Kjzmiennych
Pominięte Y∗j X∗j
Mj∗zmiennych Kj∗zmiennych
Liczba równań (zmiennych endogenicznych): M = Mj+ Mj∗+ 1 Liczba zmiennych egzogenicznych: K = Kj+ Kj∗
Postać zredukowana:
yj Yj Y∗j
=
Xj X∗j
πj Π˜j Π¯j
πj∗ Π˜∗j Π¯∗j
+
vj Vj Vj∗
(24)
Modele VAR
Warunek konieczny (order condition) i wystarczający (rank condition)
Warunek konieczny (order condition) dla j tego równania
K∗j ≥ Mj. (25)
Liczba zmiennych egzogenicznych wyłączonych/pomiętych z równania j-tego nie może być mniejsza od liczby zmiennych endogenicznych w równaniu j- tym.
Warunek ten gwarantuje, że równanie π∗j= Π∗jγjposiada przynajmniej jedno rozwiązanie.
Warunek wystarczający (rank condition) dla j tego równania rank
πj∗, Π∗j
= rank Π∗j
= Mj (26)
Spełnienie tego warunku gwarantuje dokładnie jedno rozwiązanie.
Modele VAR
Warunek konieczny (order condition) i wystarczający (rank condition)
Warunek konieczny (order condition) dla j tego równania
K∗j ≥ Mj. (25)
Liczba zmiennych egzogenicznych wyłączonych/pomiętych z równania j-tego nie może być mniejsza od liczby zmiennych endogenicznych w równaniu j- tym.
Warunek ten gwarantuje, że równanie π∗j= Π∗jγjposiada przynajmniej jedno rozwiązanie.
Warunek wystarczający (rank condition) dla j tego równania rank
πj∗, Π∗j
= rank Π∗j
= Mj (26)
Spełnienie tego warunku gwarantuje dokładnie jedno rozwiązanie.
Modele VAR
Problem identyfikacji
Szczególne przypadki identyfikowalności dla j-tego równania:
1 Dokładnie identyfikowalne (exactly identified)jeżeli Mj= Kj∗.
2 Nadmiernie identyfikowalne (overidentified)jeżeli Mj> Kj∗.
3 Brak identyfikowalności (underidentified)będzie równoznaczny sy- tuacji, gdy Mj< Kj∗.
gdzie
Kj∗to liczba zmiennych egzogenicznych pominiętych z równania j-tego;
Mjto liczba zmiennych endogenicznych w równaniu j-tym.
Modele VAR
Problem identyfikowalności parametrów - praktyczna metoda
Praktycznym sprawdzeniem warunku koniecznego (order condition) i wy- starczającego rank condition jest metoda sprawdzająca rząd odpowiedniej podmacierzy.
[Krok #1] Zapisujemy w tabeli parametrypostaci strukturalnej, a więc:
y1 y2 . . . yM 1 x1 x2 . . . xk
Γ B
[Krok #2] Dla każdego j-tego równania rozważamy macierz pozbawioną:
j-tego wiersza;
kolumn, ze zmiennymi występującymi w j-tym równaniu.
Parametry j-tego równania będą identyfikowalne jeżeli macierz ta będzie miała pełny rząd (liczba wektorów niezależnych liniowo powinna odpowiadać liczbie wierszy).
Modele VAR
Praktyczna metoda – przykład I
qd = α0+ α1p + εd
qs = β0+ β1p + εs
qd = qs
qd qs 1 p
1 0 −α0 −α1
0 1 −β0 −β1
1 −1 0 0
Modele VAR
Praktyczna metoda – przykład I
qd = α0+ α1p + εd
qs = β0+ β1p + εs
qd = qs
qd qs 1 p
1 0 −α0 −α1
0 1 −β0 −β1
1 −1 0 0
równanie pierwsze: tylko wektor [1 − 1]T =⇒ niepełny rząd kolumnowy, a więc brak identyfikowalności.
Modele VAR
Praktyczna metoda – przykład I
qd = α0+ α1p + εd
qs = β0+ β1p + εs
qd = qs
qd qs 1 p
1 0 −α0 −α1
0 1 −β0 −β1
1 −1 0 0
równanie pierwsze: tylko wektor [1 − 1]T =⇒ niepełny rząd kolumnowy, a więc brak identyfikowalności.
równanie drugie: tylko wektor [1 1]T =⇒ niepełny rząd kolumnowy, a więc brak identyfikowalności.
Modele VAR
Praktyczna metoda – przykład II
qd = α0+ α1p +α2z+ εd
qs = β0+ β1p + εs
qd = qs
qd qs 1 p z
1 0 −α0 −α1 −α2
0 1 −β0 −β1 0
1 −1 0 0 0
Modele VAR
Praktyczna metoda – przykład II
qd = α0+ α1p +α2z+ εd
qs = β0+ β1p + εs
qd = qs
qd qs 1 p z
1 0 −α0 −α1 −α2
0 1 −β0 −β1 0
1 −1 0 0 0
równanie pierwsze: tylko wektor [1 − 1]T =⇒ niepełny rząd kolumnowy, a więc brak identyfikowalności.
Modele VAR
Praktyczna metoda – przykład II
qd = α0+ α1p +α2z+ εd
qs = β0+ β1p + εs
qd = qs
qd qs 1 p z
1 0 −α0 −α1 −α2
0 1 −β0 −β1 0
1 −1 0 0 0
równanie pierwsze: tylko wektor [1 − 1]T =⇒ niepełny rząd kolumnowy, a więc brak identyfikowalności.
równanie drugie: dwa wektory [1 1]T oraz [−α2 0]T. Co więcej,
rank
1 −α2
1 0
= 2
=⇒ parametry drugie równania identyfikowalne.
Modele VAR
Praktyczna metoda – przykład III
qd = α0+ α1p +α2z+ εd
qs = β0+ β1p +β2x+ εs
qd = qs
qd qs 1 p z x
1 0 −α0 −α1 −α2 0
0 1 −β0 −β1 0 −β2
1 −1 0 0 0 0
Modele VAR
Praktyczna metoda – przykład III
qd = α0+ α1p +α2z+ εd
qs = β0+ β1p +β2x+ εs
qd = qs
qd qs 1 p z x
1 0 −α0 −α1 −α2 0
0 1 −β0 −β1 0 −β2
1 −1 0 0 0 0
równanie pierwsze: dwa wektory wektor [1 − 1]T oraz [−β2 0]T. Ważniejsze, że
rank
1 −β2
−1 0
= 2
=⇒ parametry pierwszego równania identyfikowalne.
Modele VAR
Praktyczna metoda – przykład III
qd = α0+ α1p +α2z+ εd
qs = β0+ β1p +β2x+ εs
qd = qs
qd qs 1 p z x
1 0 −α0 −α1 −α2 0
0 1 −β0 −β1 0 −β2
1 −1 0 0 0 0
równanie pierwsze: dwa wektory wektor [1 − 1]T oraz [−β2 0]T. Ważniejsze, że
rank
1 −β2
−1 0
= 2
=⇒ parametry pierwszego równania identyfikowalne.
równanie drugie: dwa wektory [1 1]T oraz [−α2 0]T. Co więcej,
rank
1 −α2
1 0
= 2
=⇒ parametry drugie równania identyfikowalne.
Modele VAR
Outline
1 Wprowadzenie do modeli wielorównaniowych
2 Modele równań współzależnych (SEM)
3 Problem identyfikowalności parametrów
4 Modele wektorowej autoregresji (VAR) Strukturalne modele VAR
Strukturalne modele VAR
Modele VAR
Modele wektorowej autoregresji (VAR)
Modele wektorowej autoregresji VAR (Vector AutoRegression) to modele czysto empiryczne o ateoretycznym charakterze.
Wszystkie zmienne w modelu są endogeniczne (można jednak dodatkowo wprowa- dzić zmienne egzogeniczne).
Model VAR są odporne na krytykę Lucasa.
Model wektorowej autoregresji VAR pierwszego rzędu dla K zmiennych:
yt= A0+ A1yt−1+ εt, (27) gdzie
ytto wektor zmiennych endogenicznych w momencie t, A0 wektor wyrazów wolnych,
A1 macierz współczynników przy opóźnionych (o jeden okres) zmiennych en- dogenicznych.
ε to wektor składników losowych,
oraz ε ∼ N (0, Σ), gdzie Σ to macierz wariancji-kowariancji pomiędzy składnikami losowymi.
Alternatywny zapis:
y1t
y2t
.. . yKt
=
a01
a02
.. . a0K
+
a11 a21 . . . aK1
a12 a22 . . . aK2
.. .
..
. . .. ... a1K a2K . . . aKK
y1,t−1
y2,t−1
.. . yK,t−1
+
ε1t
ε2t
.. . εKt
.
(28)
Modele VAR
Modele wektorowej autoregresji (VAR)
Modele wektorowej autoregresji VAR (Vector AutoRegression) to modele czysto empiryczne o ateoretycznym charakterze.
Wszystkie zmienne w modelu są endogeniczne (można jednak dodatkowo wprowa- dzić zmienne egzogeniczne).
Model VAR są odporne na krytykę Lucasa.
Model wektorowej autoregresji VAR pierwszego rzędu dla K zmiennych:
yt= A0+ A1yt−1+ εt, (27) gdzie
ytto wektor zmiennych endogenicznych w momencie t, A0 wektor wyrazów wolnych,
A1 macierz współczynników przy opóźnionych (o jeden okres) zmiennych en- dogenicznych.
ε to wektor składników losowych,
oraz ε ∼ N (0, Σ), gdzie Σ to macierz wariancji-kowariancji pomiędzy składnikami losowymi.
Alternatywny zapis:
y1t
y2t
.. . yKt
=
a01
a02
.. . a0K
+
a11 a21 . . . aK1
a12 a22 . . . aK2
.. .
..
. . .. ... a1K a2K . . . aKK
y1,t−1
y2,t−1
.. . yK,t−1
+
ε1t
ε2t
.. . εKt
.
(28)
Modele VAR
Modele wektorowej autoregresji (VAR)
Model wektorowej autoregresji VAR P -tego rzędu dla K zmiennych:
yt= A0+
P
X
i=1
Aiyt−i+ εt, (29)
gdzie
ytto wektor zmiennych endogenicznych w momencie t, A0 wektor wyrazów wolnych,
A1, A2, . . . , AP macierze współczynników przy opóźnionych zmiennych endo- genicznych.
εtto wektor składników losowych,
Model wektorowej autoregresji VAR P -tego rzędu dla K zmiennych z zmiennymi egzogenicznymi:
yt= A0+
P
X
i=1
Aiyt−i+ FXt+ εt, (30) gdzie Xt to wektor zmiennych egzogenicznych w momencie t,a macierz F opisuje jednoczesny wpływ zmiennych egzogenicznych na zmienne endogeniczne.
Modele VAR
Modele wektorowej autoregresji (VAR)
Model wektorowej autoregresji VAR P -tego rzędu dla K zmiennych:
yt= A0+
P
X
i=1
Aiyt−i+ εt, (29)
gdzie
ytto wektor zmiennych endogenicznych w momencie t, A0 wektor wyrazów wolnych,
A1, A2, . . . , AP macierze współczynników przy opóźnionych zmiennych endo- genicznych.
εtto wektor składników losowych,
Model wektorowej autoregresji VAR P -tego rzędu dla K zmiennych z zmiennymi egzogenicznymi:
yt= A0+
P
X
i=1
Aiyt−i+ FXt+ εt, (30)
gdzie Xt to wektor zmiennych egzogenicznych w momencie t,a macierz F opisuje jednoczesny wpływ zmiennych egzogenicznych na zmienne endogeniczne.
Modele VAR
Modele wektorowej autoregresji (VAR)– stabilność oraz reprezentacja VMA I Stabilnośćprocesu (modelu) VAR oznacza, że wpływ zaburzeń losowych (εt) na zmienne egzogeniczne wygasa w czasie.
[Przykład] model VAR(1) bez wyrazu wolnego:
yt= A1yt−1+ εt, (31) iterując o jeden okres wstecz, tj. yt−1= A1yt−2+ εt−1:
yt= A21yt−2+ εt+ A1εt−1, (32) lub ogólniej
yt= y0+ εt+
t
X
i=1
Ai1εt−i, (33)
i przyjmując y0= 0 uzależnić zmienne endogeniczne wyłącznie od zaburzeń losowych. W ogólnym przypadku:
yt=
t
X
i=0
Ai1εt−i, (34)
Modele VAR
Modele wektorowej autoregresji (VAR)– stabilność oraz reprezentacja VMA II co jest zapisem procesu wektorowej średniej ruchomej o nieskończonym rzę- dzieVMA(∞), tj.
yt=
t
X
i=0
Ξiεt−i, (35)
gdzie Ξi= Ai1 opisuje wpływ zaburzeń losowych opóźnionych o i okresów.
Intuicyjnie, aby wpływ zaburzeń losowych wygasał w czasie musi być speł- niony warunek:
lim
t→∞A1t
= 0. (36)
Zatem moduł z największej wartości własnej musi być mniejszy od jedności.
Alternatywnie rozwiązania następującego wielomianu charkterystycznego:
I − A1z = 0, (37)
muszą leżeć poza kołem jednostkowym (być większe co do modułu od 1). Dla modelu VAR P -tego rzędu wielomian charakterystyczny:
I − A1z − A2z2− . . . − APzP = 0 (38)
Modele VAR
Modele wektorowej autoregresji (VAR)– IRF
Reprezentacja VMA(∞) jest kluczowa dla analizy zachowania zmiennych.
Wszystkie zmienne wektora ytsą endogeniczne i zależą od przeszłych warto- ści zaburzeń losowych:
yt=
t
X
i=0
Ξiεt−i, (39)
Uzasadniona jest zatem interpretacja w kategoriach dynamicznych mnożni- ków.
Wpływ zaburzenia i tego zaburzenia losowego na j-tą zmienną po s okresów można odczytać elementu znajdującego się w i-tym wierzu j-tej kolumny macierzy Ξs.
Funkcją reakcji na impuls (IRF)(dynamicznym możnikiem) będzie za- tem zbiór elementów macierzy Ξ0, Ξ1, . . . opisujących reakcję pewnego zabu- rzenia losowego na zmienną endogeniczną.
Modele VAR
Strukturalne modele VAR
Jak interpretować zaburzenia losowego? W postaci zredukowanej założono, że εt∼ N (0, Σ), a Σ nie jest diagonalna.
Zaburzenia strukturalne: ut:, gdzie ut ∼ N (0, I). Zależność pomiedzy szokami strukturalnymi a zaburzeniami losowymi w postaci zredukowanej możemy zapisać jako:
Aεt= But. (40)
Problem identyfikowalności. Macierze A i B mają po K2 elementów.
Tymczasem mamy K(K + 1)/2 układów równań (wymiar macierzy Σ). Ko- nieczne jest zatem przynajmniej 2K2− K(K + 1)/2 restrykcji.
Dekompozycja Choleskiego: Σ = PP0. Macierz P jest trójkątna dolna.
Zatem restrykcją na macierz B jest P, podczas gdy macierz A jest jednostkowa.
Analiza wykorzystująca dekompozycję Cholskiego jest wrażliwa na kolejność zmiennych w modelu VAR.
Modele VAR
Strukturalne modele VAR
Jak interpretować zaburzenia losowego? W postaci zredukowanej założono, że εt∼ N (0, Σ), a Σ nie jest diagonalna.
Zaburzenia strukturalne: ut:, gdzie ut ∼ N (0, I). Zależność pomiedzy szokami strukturalnymi a zaburzeniami losowymi w postaci zredukowanej możemy zapisać jako:
Aεt= But. (40)
Problem identyfikowalności. Macierze A i B mają po K2 elementów.
Tymczasem mamy K(K + 1)/2 układów równań (wymiar macierzy Σ). Ko- nieczne jest zatem przynajmniej 2K2− K(K + 1)/2 restrykcji.
Dekompozycja Choleskiego: Σ = PP0. Macierz P jest trójkątna dolna.
Zatem restrykcją na macierz B jest P, podczas gdy macierz A jest jednostkowa.
Analiza wykorzystująca dekompozycję Cholskiego jest wrażliwa na kolejność zmiennych w modelu VAR.
Modele VAR
Strukturalne modele VAR
Jak interpretować zaburzenia losowego? W postaci zredukowanej założono, że εt∼ N (0, Σ), a Σ nie jest diagonalna.
Zaburzenia strukturalne: ut:, gdzie ut ∼ N (0, I). Zależność pomiedzy szokami strukturalnymi a zaburzeniami losowymi w postaci zredukowanej możemy zapisać jako:
Aεt= But. (40)
Problem identyfikowalności. Macierze A i B mają po K2 elementów.
Tymczasem mamy K(K + 1)/2 układów równań (wymiar macierzy Σ). Ko- nieczne jest zatem przynajmniej 2K2− K(K + 1)/2 restrykcji.
Dekompozycja Choleskiego: Σ = PP0. Macierz P jest trójkątna dolna.
Zatem restrykcją na macierz B jest P, podczas gdy macierz A jest jednostkowa.
Analiza wykorzystująca dekompozycję Cholskiego jest wrażliwa na kolejność zmiennych w modelu VAR.
Modele VAR
Strukturalne modele VAR
Jak interpretować zaburzenia losowego? W postaci zredukowanej założono, że εt∼ N (0, Σ), a Σ nie jest diagonalna.
Zaburzenia strukturalne: ut:, gdzie ut ∼ N (0, I). Zależność pomiedzy szokami strukturalnymi a zaburzeniami losowymi w postaci zredukowanej możemy zapisać jako:
Aεt= But. (40)
Problem identyfikowalności. Macierze A i B mają po K2 elementów.
Tymczasem mamy K(K + 1)/2 układów równań (wymiar macierzy Σ). Ko- nieczne jest zatem przynajmniej 2K2− K(K + 1)/2 restrykcji.
Dekompozycja Choleskiego: Σ = PP0. Macierz P jest trójkątna dolna.
Zatem restrykcją na macierz B jest P, podczas gdy macierz A jest jednostkowa.
Analiza wykorzystująca dekompozycję Cholskiego jest wrażliwa na kolejność zmiennych w modelu VAR.
Modele VAR
Strukturalne modele VAR
Strukturalna funkcją reakcji na impuls (SIRF)będzie zatem funckją reakcji na impuls skorygowaną o schemat identyfikacji strukturalnych szoków:
yt=
t
X
i=0
Θiut−i, (41)
gdzie
Θi= ΞA1B. (42)
Alternatywne popularne schematy identyfikacji szoków strukturalnych:
Restrykcje długookresowe;
Restrykcji znakowe.
Modele VAR
Strukturalne modele VAR
Strukturalna funkcją reakcji na impuls (SIRF)będzie zatem funckją reakcji na impuls skorygowaną o schemat identyfikacji strukturalnych szoków:
yt=
t
X
i=0
Θiut−i, (41)
gdzie
Θi= ΞA1B. (42)
Alternatywne popularne schematy identyfikacji szoków strukturalnych:
Restrykcje długookresowe;
Restrykcji znakowe.