threshold unit root modelle und kointegration
Download
Skip this Video
Download Presentation
Threshold Unit-Root-Modelle und Kointegration

Loading in 2 Seconds...

play fullscreen
1 / 47

Threshold Unit-Root-Modelle und Kointegration - PowerPoint PPT Presentation


  • 182 Views
  • Uploaded on

Threshold Unit-Root-Modelle und Kointegration. Gliederung. 1.Ökonomische Motivation 2. Aufbau von TAR-Modellen 2.1 Einfaches TAR-Modell 2.2 Allgemeines TAR-Modell 2.3 Illustration 3. Stationaritäts-Konzept 4. Kointegrations-Konzept. 5. Unit Root Tests 5.1 Standard Unit-Root Tests

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Threshold Unit-Root-Modelle und Kointegration' - stevie


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
gliederung
Gliederung

1.Ökonomische Motivation

2. Aufbau von TAR-Modellen

2.1 Einfaches TAR-Modell

2.2 Allgemeines TAR-Modell

2.3 Illustration

3. Stationaritäts-Konzept

4. Kointegrations-Konzept

5. Unit Root Tests

5.1 Standard Unit-Root Tests

5.2.1 Dickey-Fuller Test

5.2.2 Augmented Dickey-Fuller Test

5.2.3 KPSS

5.3 Test auf Robustheit des ADF Tests

5.4. Unit-Root Tests in TAR-Modellen

5.4.1 Enders-Granger

5.4.2 Kapetanios

5.4.3. Weitere

6. Threshold Cointegration

6.2 Tests auf Kointegration

6.2.1 Engle-Granger Ansatz

6.2.2 Johansen-Ansatz

konomische motivation
Ökonomische Motivation
  • Motivation zur Untersuchung von Unit-Root-Prozessen und Kointegration:
  • Viele makroökonomische Daten weisen im Level langfristig Trendverhalten auf und scheinen in Beziehung zu einander zu stehen
  • Mit Hilfe von Unit-Root-Prozessen bzw. Kointegration Modellierung an sich instationärer Variablen möglich
  • z.B. Verhalten von Güterpreisen auf verschiedenen Märkten:
  • Grundlegendes Konzept in der VWL: Law of one Price
  • Gleiche Güter kosten auf unterschiedlichen Märkten gleich viel
  • zusätzlich: Berücksichtigung von Transaktionskosten
  • sofern Preisdifferenz zwischen Märkten > Transaktionskosten, so ist Arbitrage möglich
illustration
Illustration
  • Datenbeispiel: US-Dieselpreise (Spot)
illustration5
Illustration
  • Datenbeispiel: Spotpreis-Spread Diesel: NY vs. Gulf Coast

Hurricane Katrina

aufbau von tar modellen
Aufbau von TAR-Modellen
  • EQ-TAR

Wenn 1 < zt-1

zt

Wenn 2 > zt-1 > 1

Wenn 2 > zt-1

  • Prozess kehrt zum Gleichgewichtswert zurück, wenn Thresholds überschritten werden
aufbau von tar modellen7
Aufbau von TAR-Modellen
  • Band-TAR

Wenn zt-1 > 1

zt

Wenn 2 > zt-1 > 1

Wenn zt-1 < 2

Mit2 < 1

  • Prozess kehrt zum inneren Bereich [1, 2 ]zurück, wenn Thresholds überschritten werden
aufbau von tar modellen8
Aufbau von TAR-Modellen
  • Allgemeines Modell

Verallgemeinerung der Dynamik der Zeitreihe durch Achsenabschnitt ungleich Null und asymmetrische Thresholds:

Mit (u) < zt-d

zt

Mit (l)<zt-d< (u)

Mit (l) > zt-d

(i)(L) := Lag-Polynome

t(i) := Fehlerterme ~ (0, (i)) mit i=l,m,u

aufbau von tar modellen9
Aufbau von TAR-Modellen
  • Bedingungen für Stationarität
  • Notwendige und hinreichende Bedingungen an (i) und (i)(L), die Stationarität sicherstellen
  • sind noch nicht abschliessend untersucht.
  • Tjostheim: für symmetrische TAR ist hinreichende Bedingung für Stationarität, dass Wurzeln
  • der AR-Regression in den Außen-Regimen betragsmäßig < 1 sind
  • Chang und Tong: hinreichende Bedingung für allgemeines TAR-Modell (schwächere
  • hinreichende Bedingungen möglich)
  • Für Fall das gilt: (i)(L)=(i) und d=1 ist zt ein stationärer stochastischer Prozess, falls eine der
  • Bedingungen erfüllt ist:
  • (l)<1, (u)<1 und (l) (u)<1
  • (l)<1, (u)<1 und  (l)<1
  • (l)<1, (u)<1 und  (u)<1
  • (l) = (u)=1 und  (u)<0< (l)
  • (l) (u)=1, (l)<0 und  (u)+  (l) (u)>0
illustration10
Illustration
  • Datenbeispiel: Simulation eines BAND-TAR mit Unit Root

Modellparameter:

|i| = 8

 ~ N(0,1)

|i| = 0,7

unit root tests
Unit-Root Tests
  • Wiederholung des Stationaritätskonzepts 1
  • Eine schwach stationäre Zeitreihe hat:
    • konstanten Mittelwert  E[xt]=m mit m=const.
    • konstante Varianz  E[xt²] <  V t  T
    • zeit-unabhängige Kovarianz  Cov(xs,xt)=Cov(xs+r,xt+r) V t,r  T
  • Stationaritätsannahme grundlegend für Standard-Ökonometrietheorie
  • Sonst keine konsistente Schätzung möglich
unit root tests12
Unit-Root Tests
  • Integrierte Prozesse und Differenzenbildung

Bsp: Random Walk mit Drift

Iteratives Ersetzen ergibt:

  • d.h. asymptotisch ist yt ist die Summe einer unendlichen Anzahl von Zufallsvariablen mit Mittelwert=0. Sofern die Fehlerterme durch eine (0,)-Verteilung generiert werden, ist die Varianz von yt unendlich.
  • Random Walk ist ein nicht-stationärer Prozess ( auch wenn =0)

Berechnung der ersten Differenzen:

Ergibt einen stationären Prozess

unit root tests13
Unit-Root Tests
  • Wiederholung des Stationaritätskonzepts 2

Trendstationärer Prozess:

Wird stationär durch Eliminierung des Trends

Differenzenstationärer Prozess:

Ist Random Walk ohne Drift; als solcher nicht stationär; hat stochastischen Trend

Stationarität durch Differenzenbildung; „integriert vom Grade 1“ [I(1)]

AR-Prozess gegeben durch:

Stationär mit ||<1

Ein autoregressiver Prozess der Ordung p (AR(p), hat eine Einheitswurzel, wenn das Polynom in L, (1-1L-...- pLp) eine Wurzel =1 hat.

Einfachstes Beispiel: Random Walk

unit root tests14
Unit-Root Tests
  • Spurious Regression
  • Regression, in der eine starke Korrelationsbeziehung zwischen nicht kausal korrelierten Variablen suggeriert
  • Tritt auf wenn z.B. wenn 2 oder mehr nicht-stationäre (d.h. I(1)) Variablen auf einander regressiert werden
  • Wenn zu erklärende und erklärende Variablen I(1) sind, scheint die Anpassung sehr gut zu sein (hoher Wert der t-Statistik und großer R2 Wert), auch wenn die Variablen völlig unabhängig sind.
  • Verteilungen der Statistiken ( ,t , R²,..) anders als bei der klassischen Regression
  • T-Wert i.d.R. sehr groß, daher auch R² hoch
  • Residuen nicht stationär
  • Scheinbare Signifikanz, da falsche Verteilungsannahme
kointegration
Kointegration
  • Integrierte Prozesse
  • Instationäre Prozesse sind integriert, sofern sie durch Differenzenbildung in stationäre Prozesse überführt werden können
  • I(0) Prozesse haben endliche Varianz und Fehlerterme aber nur kurzfristig Auswirkung auf die Zeitreihe
  • I(1) Prozesse weisen für t  unendliche Varianz auf, Innovationen haben persistenten Einfluss auf Zeitreihe
  • Beziehungen zwischen I(1) und I(0)-Prozessen:
  • Wenn x1t I(0), dann ist jede Linearkombination 0+1x1t I(0)
  • Analog für I(1)
  • Sind x1t, x2t I(0), dann ist 1x1t +2x2t I(0)
  • Wenn x1t I(1), x2t I(0), dann ist 1x1t +2x2t I(1), d.h. Integration dominiert Stationarität
kointegration16
Kointegration
  • Kointegration
  • Eine Zeitreihe xt heisst kointegriert mit Kointegrationsvektor , wenn eine Linearkombination ‘xt stationär ist.
  • Dadurch wird bei instationären Prozessen Prognose möglich

Liegt Kointegration vor, können 2 Effekte unterschieden werden:

  • langfristige Beziehung zwischen beiden Variablen, d.h. Art wie sich beide Zeitreihen langfristig zueinander entwickeln
  • Kurzfristige Abweichungen der I(1)-Variablen von ihrem langfristigen Trend
  • Gemeinsamer Trend:
  • Wird durch Kointegrationsvektor beseitigt, so dass LKB I(0) ist
  • Zeitreihen können nur kointegriert sein, wenn sie einen gemeinsamen Trend besitzen
kointegration17
Kointegration
  • Interpretation
  • Kointegration liegt vor, wenn zwei Variablen langfristig eine gemeinsame Entwicklung aufweisen und sich nicht persistent von einander entfernen
  • Unterschiedliche Entwicklungen sind nur kurzfristig möglich
  • Ökonomisch:
  • Kointegrationsbeziehung als langfristiges Gleichgewicht
  • Abweichungen möglich, aber nicht dauerhaft ( Arbitrage)
kointegration18
Kointegration
  • Beispiel für kointegrierten bivariaten Prozess

(1)

Mit ut1, ut2 ~ unkorreliert WN

(2)

  • Kointegrationsbeziehung liegt vor da:
  • (1), (2) sind I(1), da erste Differenzen I(0)
  • Linearkombination von (1), (2) mit Kointegrationsvektor [1, -] ist I(0)
kointegration19
Kointegration
  • Fehlerkorrekturanalyse

 Darstellung des dynamischen Zusammenhangs zwischen kointegrierten Variablen

Beispiel: bivariater Fall mit Kointegrationsbeziehung z

Fehlerkorrekturterm zt

  •  erfasst langfristige Gleichgewichtsbeziehung
  •  erfasst Anpassungsprozess der gegenwärtigen Periode (z.B. durch Arbitrage) aufgrund einer Abweichung von der Vorperiode
  • jx, jy, erfassen Änderung von yt in Periode t aufgrund von zeitlich verzögerten Veränderungen von y bzw x ( bilden transitorische Dynamik ab)
kointegration20
Kointegration
  • Fehlerkorrekturanalyse2
  • Sei Zt-1>0, dann ist yt im Vergleich zu xt nach der Kointegrationsbeziehung zu hoch
  • Wenn 1 <0, dann wird diese Abweichung vom langfristigen Gleichgewicht durch negative Veränderung von y1 korrigiert
  • Korrektur stärker, je größer|  |  Maß für Anpassungsgeschwindigkeit an langfristiges Gleichgewicht
  • Falls Kointegration vorliegt, sind Im Fehlerkorrekturmodell nur stationäre Variablen enthalten  OLS-Verfahren anwendbar, Problem der Scheinregression vermieden
unit root tests21
Unit-Root Tests
  • Dickey-Fuller Test

Gegeben sei das folgende AR(1)-Modell:

Mit y0=0,  ist eine reelle Zahl und {et} ist iid (0,²)

Das Regressionsmodell kann umgeformt werden in:

Da man auf Einheitswurzel testet, kann man auch (-1)==0 setzen.

1. Schritt des DF-Tests

Es existieren drei Versionen des DF-Test:

Test auf Einheitswurzel

(1)

Test auf Einheitswurzel mit Drift

(2)

Test auf Einheitswurzel mit Drift um einen stochastischen Trend

(3)

In allen Fällen ist H0: Einheitswurzel existiert (=0)

unit root tests22
Unit-Root Tests
  • Dickey-Fuller Test

2. Schritt des DF-Tests: Test des geschätzten Parameters auf H0: =0 vs. H1: <0

Teststatistik:

(1)

(2)

  • Kritische Werte:
  • Normale t-Werte können nicht herangezogen werden
  • Bestimmung kritischer Werte durch Dickey und Fuller mittels numerischer Methoden
  • MacKinnon ermittelte kritische Wert umfangreicher und genauer, diese werden heute idR verwendet
unit root tests23
Unit-Root Tests
  • Dickey-Fuller Test

Problem: herkömmliche Inferenzansätze basierend auf OLS und üblichen Teststatistiken nicht gültig!

[...] Verzerrung des KQ-Schätzers wenn  gegen 1 [...]

Dickey-Fuller zeigten, dass wenn =1, dann:

Wobei v eine Zufallszahl mit endlicher Varianz ist;

In endlichen Stichproben gilt E[c]<1

  • Folgerungen:
  • Schätzer von  ist nach unten verzerrt, wenn =1
  • OLS-Schätzer von  konvergiert schneller zum wahren Wert, als bei Standard-Schätzern üblich
  • D.h. die Varianz von c unter H0 ist O(1/T²), nicht O(1/T)
  • OLS-Schätzer ist „super-konsistent“
unit root tests24
Unit-Root Tests
  • Dickey-Fuller Test

Schätzer  ist super-konsistent

statt T(1/2)

unit root tests25
Unit-Root Tests
  • Augmented Dickey-Fuller Test
  • Der einfache Dickey-Fuller Test nimmt an, dass die Fehlerterme des Regressionsmodells White Noise sind.
  • Der ‚Augmented Dickey-Fuller Test‘ korrigiert um Autokorrelation in den Residuen
  • Regressionsgleichung wird um Lags erweitert:

Der Fall des Random Walk wird erreicht, in dem man ==0 setzt

Teststatistiken:

unit root tests26
Unit-Root Tests
  • Augmented Dickey-Fuller Test
  • Ansätze zur Bestimmung der Lag-Länge:
  • Sequentielles Testen der t-Statistik des letzten Koeffizienten (beginnend bei großem Modell)
  • Anwendung von Informationskriterien (AIC, BIC)
  • P als Funktion der Anzahl der Beobachtungen (nach Schwert (1989))
    •  P=INT(12*(T/100)(1/4))
unit root tests27
Unit-Root Tests
  • KPSS-Test
  • Prüft H0: Endliche Varianz in Zeitreihe
  • Kann sowohl für Nullhypothese der Stationarität als auch der Trendstationarität benutzt werden
  • Basiert auf Abweichungen vom arithmetischen Mittel bzw. von einer OLS-Trendregression
  • H0: yt=c + at + t

Mit:

unit root tests28
Unit-Root Tests
  • Robustheit des ADF-Tests

Pippenger und Goering untersuchen, wie die Existenz von Thresholds die Power von Standard-Unit-Root Tests beeinflusst

Erkenntnis: Güte fällt deutlich

Vorgehen: Betrachten EQ-Modell

Relevante Parameter: c, 1, 2, u

Wenn 1 < zt-1

zt

Wenn 2 > zt-1

  •  Gibt die Anpassungsgeschwindigkeit des Prozess zum langfristigen Gleichgewicht an, bei kleinem  hohe Anpassungsgeschwindigkeit
  • Werden alle anderen Parameter konstant gehalten, treten bei fallendem  2 Effekte auf:
    • (a) Prozess verbringt weniger Zeit außerhalb der Grenzen (verringert Testqualität)
    • (b) durch höhere Anpassungsgeschwindigkeit stärkeres Umkehrsignal zum Gleichgewicht
  • C.p.: mit steigendem |i| nimmt verbrachte Zeit innerhalb der Grenzen zu  Power sinkt
  • Für gegebenes |i|: mit steigendem u steigt Häufigkeit der Umkehrungen im Prozess
unit root tests29
Unit-Root Tests
  • Robustheit des ADF-Tests2

Test-Ansatz: Generieren Zeitreihe mit EQ-Modell

Berechnung der DF-Statistik unter Variation der Parameter |i| und 

500xWiederholung jeder Parameterkombination

Ermittlung des Anteils abgelehnter Unit-Root-Hypothesen

  • Ergebnis:
  • Güte nimmt ab, wenn Anpassungsgeschwindigkeit hoch und/oder Grenzen weit auseinander liegen
  • Nimmt Anpassungsgeschwindigkeit ab, steigt Güte des Tests, abgesehen für weite Grenzen (dort ist Güte für alle  gering)
  • D.h. Umkehrsignal-Effekt scheint zu dominieren
unit root tests30
Unit-Root Tests
  • Enders-Granger-Ansatz

Modell:

It

  • Wenn –2 < (1, 2) < 0, {yt} ist trendstationär
  • Wenn yt-1 oberhalb des Trends ist , nimmt yt mit Rate 1 ab
  • Wenn 1=0, dann verhält sich {yt} wie Random Walk wenn yt>a0+a1t

Führen Monte-Carlo Untersuchung durch

Schätzung des Modells mit OLS, Berechnung t- und F-Statistiken

F-Test für H0: Unit Root vs. H1: stationärer 3-Regime TAR-Prozess

unit root tests31
Unit-Root Tests
  • Kapetanios

Mit 1=1-1, 2=2-1, Heaviside-Indikatoren sind orthogonal zu einander

H0: 1= 2=0

H1: 1<0, 2<0,

Modell in Matrixnotation:

unit root tests32
Unit-Root Tests
  • Kapetanios

Gemeinsame H0: Lineare Unit-Root vs. H1: nicht-lineare Threshold Stationarität

Anwendung des Wald-Tests:

OLS Schätzer von 

OLS Residuen

unit root tests33
Unit-Root Tests
  • Kapetanios

Zeigt, dass Wald-Statistik asymptotisch wie folgt verteilt ist:

Wobei W(s) eine Standard-Brownsche Bewegung mit s  [0,1] ist

unit root tests34
Unit-Root Tests
  • Kapetanios
  • Für unbekannte Thresholds besteht beim Testen das „Davies-Problem“, d.h. Grenzen unter H0 nicht identifiziert
  • Lösungsansatz:
  • Berechnung der Teststatistik für eine Anzahl von Parametern:
  • Übliche Teststatistiken:

I:= i-tes Element des Parameterraums

#:= Anzahl der Elemente im Parameterraum

unit root tests35
Unit-Root Tests
  • Kapetanios
  • Vergleich der vorgeschlagenen Test-Statistiken mit DF-Test in Monte-Carlo-Studie:
  • Wenn Threshold-Band eng, sind symmetrische Wald-Tests und DF effizienter als asymmetrische Wald-Tests
  • Güte des DF-Test sinkt mit steigenden Thresholds
  • Güteabnahme für W(exp) mit steigenden Thresholds am geringsten
  • W(.)-Tests dominieren DF generell bei großen Thresholds
  • Güte symmetrischer und asymmetrischer W-Tests vergleichbar
  • Bei asymmetrischem Prozess (1 2) nimmt Test-Güte generell ab, jedoch schwächer bei asymmetrischen Tests
unit root tests36
Unit-Root Tests
  • Berben, Dijk

Test auf Unit Root mit unbekannten Thresholds

F-Statistik:

Fehlervarianz unter H0

Mit:

Leiten asymptotische Verteilung von Fn für unbekannte Thresholds her:

unit root tests37
Unit-Root Tests
  • Seo
  • Threshold Parameter  = (1, 2), 1<= 2 unbekannt
  • Threshold Variable ist verzögerte Levelvariable ist nicht stationär unter H0
  • Berechnung der Wald-Statistik basierend auf DF-Regression:

Residualvarianz des geschätzten Modells

Residualvarianz des geschätzten H0-Modells

unit root tests38
Unit-Root Tests
  • Seo
  • Leitet asymptotische Verteilung der Teststatistik her:
  • nicht-standard und nicht-gewöhnlich
  • Abhängig von Störtermen: langfristige Varianz w², Bias , r(0),..., r(p)
  • Abhängigkeit von Datenstruktur sehr komplex, daher können keine kritischen Werte tabelliert werden
  • Residual Block-Based Bootstrap-Verfahren zur Bestimmung kritischer Werte
kointegrationstests
Kointegrationstests
  • Allgemein
  • Sind Koeffizienten der Kointegrationsbeziehung bekannt, genügt Einheitswurzeltest auf Linearkombination
  • Wird H0: Nichtstationarität verworfen, so deuten Daten auf Kointegration hin

Bei unbekanntem Kointegrationsvektor muss zunächst Kointegrationsbeziehung geschätzt werden

kointegrationstests40
Kointegrationstests
  • Engle-Granger-Verfahren
  • 0.Schritt: Sind betrachtete Zeitreihen vom gleichen Integrationsgrad?
  • Anwendung des Durbin-Watson-Tests bzw. DF bzw. ADF-Tests (zB für Level und Differenzen-Variablen
  • Wird H0: Einheitswurzel für Differenzen abgelehnt, aber nicht für Level, so liegt I(1) vor

1. Schritt: Schätzung der Kointegrationsbeziehung mit OLS

Linearkombination der betrachteten M Zeitreihen

  • Besondere Eigenschaften der OLS-Schätzung:
  • Normalisierung, d.h. Wahl des Regressanden spielt asymptotisch keine Rolle
  • Schätzwerte konvergieren nicht mit T(1/2) sondern mit T gegen wahren Wert (Superkonsistenz)
  •  Verwendung der Schätzwerte asymptotisch äquivalent zur Verwendung der wahren Werte
kointegrationstests41
Kointegrationstests
  • Engle-Granger-Verfahren

2. Schritt: DF-Test auf Stationarität der OLS-Residuen

H0: ut ~ I(1) vs. H1: ut ~ I(0)

Zeitreihen nicht kointegriert, bzw. es liegt Scheinregression vor

Ut hat keine Einheitswurzel, d.h. Restgrößenprozess der LKB stationär, Zeitreihen sind kointegriert, d.h. Abweichungen von langfristigen Zusammenhang der betrachteten Variablen haben Stationaritätseigenschaften

Da Residuen geschätzt werden, gelten nicht mehr die kritischen Werte des DF bzw. ADF-Tests. Korrekte kritische Werte wurden durch MacKinnon (1991) durch eine Response-Surface-Simulation ermittelt.

kointegrationstests42
Kointegrationstests
  • Johansen-Verfahren

Mit dem Engle-Granger Verfahren kann nur eine einzige Kointegrationsbeziehung ermittelt werden. Bei m betrachteten Zeitreihen sind jedoch bis zu m-1 Kointegrationsbeziehungen möglich.

 Testverfahren sollte aufzeigen, ob mehrere u. falls ja wieviele Kointegrationsbeziehungen vorliegen

Johansen-Verfahren: basierend auf ML-Techniken, erlaubt mehrere Kointegrationsbeziehungen, ist ohne Koeffizientennormierung durchführbar und kann Anzahl der Kointegrationsbeziehungen nachweisen

Aufbau:

1) OLS-Schätzung der Hilfsgleichungen

2) Kanonische Korrelationen (Berechnung von Eigenwerten und Eigenvektoren)

3) ML-Schätzung der Modellparameter

kointegrationstests43
Kointegrationstests
  • Johansen-Verfahren

Ausgangspunkt ist VAR-Modell für M I(1) Level-Variablen:

Mx1

Mx1

Mx1

MxM

Mx1

LHS ist I(0), RHS:  Vektor mit Konstanten,  I(0), daher muss (-I) I(0) sein

Sind Variablen nicht kointegriert, so muss =I gelten

Existieren r kointegrierende Beziehungen (Z ist rx1 Vektor), so kann dieser Term als I(0) Variable geschrieben werden:

Mit ‘ (rxM)-Matrix der Kointegrationskoeffizienten und  (Mxr)-Matrix, Produkt ergibt (MxM)-Matrix -I und ist I(0)

 Als Matrix der Fehlerkorrekturkoeffizienten interpretierbar:

kointegrationstests44
Kointegrationstests
  • Johansen-Verfahren
  • Verallgemeinerung des ECM
  • Hier VAR(1)-Modell, daher keine verzögerten Differenzen im ECM
  • Bei VAR(p)-Modell treten (p-1) Differenzenterme auf; (-I) ist dann die Summe aller p-Koeffizientenmatrizen
  • Rang von (-I) bestimmt durch Anzahl der kointegrierenden Beziehungen:
  • Für r=0 reduziert sich Modell auf VAR-Modell in Differenzen
  • Für r=M: stationäre Niveaudaten
  • ML-Schätzung der Matrix (-I) unter Annahme ~N(0,1)
  • Überprüfung der Hypothesen r=0,1,...,M-1 anhand dieser Schätzung mittels Likelihood-Ratio-Tests  Ermittlung der „stationärsten“ Kointegrationsbeziehung

Schätzproblem kann als kanonische Korrelationsanalyse des aktuellen yt und dem verzögerten yt dargestellt werden

Berechnung der Teststatistiken anhand von quadrierten kanonischen Korrelationskoefizienten (als Eigenwerte ermittelt)

Da Variablen I(1) sind, sind Testwerte der LR-Statistiken nicht ²-verteilt; Verteilung von Johansen tabelliert (abhängig ob Trend u./o. Konstante im System enthalten ist)

 Johansen-Test multivariate Version des ADF-Test

kointegrationstests45
Kointegrationstests
  • Johansen-Verfahren

Spurtest:

Mit r:= Rang von (-I)

h:= maximale Anzahl an Kointegrationsbeziehungen

Trace-Teststatistik:

Mit T:=Stichprobengröße

m:=Anzahl der Variablen

:= Eigenwerte

Eigenwerte werden sequentiell in absteigender Reihenfolge geordnet

Liegen h Kointegrationsbeziehungen vor, so ist h der letzte signifikante Test, der die H0 von m-h Einheitswurzeln zurückweisen kann, denn h+1 enthält bereits eine Einheitswurzel

Trace-Teststatistik wird für alle h=0,...,h=m-1 berechnet und sinkt mit steigendem h

kointegrationstests46
Kointegrationstests
  • Test-Performance

Balke und Fomby (1997) führen Monte-Carlo-Studie durch, um Güte von Kointegrationstests zu beurteilen

  • Güte gegen H1 steigt mit abnehmendem Threshold
  • Güte steigt mit Zahl der Beobachtungen
  • ADF-Test ist schwächer als Philipps-Perron-Test
  • Schätzung des Kointegrationsvektors verringert Testgüte
  • Johansen-Ansatz liefert bessere Güte als Engle-Granger-Verfahren mit ADF, aber schlechter als Engle-Granger mit Philipps-Perron
  • Lineare Standard-Methoden zur Untersuchung auf Kointegration sind im Allgemeinen auch auf für Threshold kointegrierte Prozesse geeignet
  • In den Monte-Carlo-Experimenten verursachte die Threshold-Struktur des Fehlerkorrekturterms in der Regel einen leichten Güteverlust im Vergleich zu linearen Modellen
literatur
Literatur
  • BALKE, Nathan S. AND T.B. FOMBY, „Thresholds Cointegration“, International Economic Review, 1997
  • CANER, Mehmet AND B.E. HANSEN, „Threshold Autoregression with a Unit Root“, Econometrica, 2001
  • DICKEY, A.D. AND W.A. FULLER, „Distribution of the Estimators for Autoregressive Time Series With a Unit Root“, Journal of the American Statistical Association, 1979
  • ENDERS, Walter AND C.W.J. GRANGER, „Unit-Root Tests and Asymmetric Adjustment With an Example using the Term Structure of Interest Rates“, Journal of Business and Economic Statistics, 1998
  • ENDERS, Walter AND P.L. SIKLOS, „Cointegration and Threshold Adjustment“, Journal of Business and Economic Statistics, 2001
  • ENGLE, Robert F. AND C.W.J. GRANGER, „Co-Integration and Error-Correction: Representation Estimation, and Testing“, Econometrica, 1987
  • JOHANSEN, Sören AND R. MOSCONI AND B. NIELSEN, „Cointegration analysis in the presence of structural breaks in the deterministic trend“, Econometrics Journal, 2000
  • KAPETANIOS, George AND Y. SHIN, „Unit Root Tests in the Three Regime SETAR-Models“, 2003
  • LO, Ming Chien AND E. ZIVOT, „Threshold Cointegration and nonlinear Adjustment to the LAW of One Price“, Macroeconomic Dynamics, 5, 2001
  • PIPPENGER, Michael K. AND G.E. GOERING, „A Note on the Empirical Power of Unit Root Tests under Threshold Processes“, Oxford Bulletin of Economics and Statistics, 1993
  • SEO, Myunghwan, „Unit Root Test in a Threshold Autoregression: Asymptotic Theory and Residual Based Block Bootstrap“, Discussion Paper No. EM/05/484, 2005
  • TRENKLER, Carsten AND N. WOLF, „Economic Integration Across Borders: The Polish Interwar Economy 1921 – 1937“, European Review of Economic History, 2005
ad