Vektör otoregresyon

Vektör otoregresyon (VAR), tek değişkenli AR modellerini genelleştiren, çoklu zaman serileri arasındaki gelişimi ve karşılıklı bağımlılığı veren ekonometrik bir modeldir. Bir VAR'daki tüm değişkenler, modeldeki değişkenin kendi gecikmeleri ve diğer tüm değişkenlerin gecikmelerine bağlı olarak değişkenin gelişimini açıklayarak her bir değişken için bir denklem ile simetrik olarak ele alır. Bu özellik sebebiyle Christopher Sims, ekonomik ilişkilerin tahmininde teoriden bağımsız bir metot olarak VAR modelleri kullanımını, böylelikle yapısal modellerin "inanılmaz tanımlama kısıtlamalarına" bir alternatif olarak destekler.

Belirtim

Tanım

Bir VAR modeli, k değişkenli kümenin (içsel değişkenler) aynı örnek periyodundaki (t = 1, ..., T) yalnız geçmiş gelişimlerinin lineer fonksiyonu olarak gelişimidir. Değişkenler, k × 1 vektör y_t de toplanır (i. eleman y_i,t değişken y_inin t anındaki gözlemi). Örneğin, i. değişken GDP ise y_i,t GDP'nin t deki değeridir.

(İndirgenmiş) bir p. mertebe VAR (VAR(p)):

$y_{t}=c+A_{1}y_{t-1}+A_{2}y_{t-2}+\cdots +A_{p}y_{t-p}+e_{t},$

(c: k × 1 sabit vektör(kesişim), A_i k × k matris (her i = 1, ..., p için) ve e_t:k × 1 hata vektörü aşağıdakileri sağlar:

1. $\mathrm {E} (e_{t})=0\,$ — her hata terimi 0 ortalamalıdır;
2. $\mathrm {E} (e_{t}e_{t}')=\Omega \,$ — hata terimlerinin eşzamanlı kovaryans matrisi Ω 'dır (k × k positive definite matris);
3. $\mathrm {E} (e_{t}e_{t-k}')=0\,$ for any non-zero k — zaman karşısında korelasyonsuzdur; özellikle, ferdi hata terimlerinde hiçbir seri korelasyon yoktur.

The l-periods back observation y_t−l is called the l-th lag of y. Bu yüzden, a p.-mertebe VAR'a bir p gecikmeli VAR da denir.

değişkenlerin integrasyon sırası

Kullanılan tüm değişkenlerin aynı integrasyon mertebesinde olmalıdır. Bu yüzden, aşağıdaki durumlar söz konusudur:

• Tüm değişkenler I(0) (stationary): biri standart durumdadır, yani, bir VAR düzey
• Tüm değişkenler, d>0 olmak üzere I(d) (non-stationary):
  • Değişkenler eşbütünleşik: hata düzeltme terimi, VAR'a katılmalıdır. Model, bir Vektör hata düzeltme modeli (VECM) olur ki, bu model kısıtlı bir VAR olarak görülebilir.
  • Değişkenler eşbütünleşik değildir: Değişkenler, d kere çıkarılmalı ve fark VAR'dır.

kısa matris gösterimi

Bir VAR(p)'ın kısa matris gösterimi:

$Y=BZ+U\,$

Matrislerin ayrıntıları ayrı sayfadadır.

Örnek

k değişkenli VAR(p) genel örneği için, lütfen bu sayfaya bakınız.

İki değişkenli bir VAR(1) matris gösterimi (daha kısa gösterim):

${\begin{bmatrix}y_{1,t}\\y_{2,t}\end{bmatrix}}={\begin{bmatrix}c_{1}\\c_{2}\end{bmatrix}}+{\begin{bmatrix}A_{1,1}&A_{1,2}\\A_{2,1}&A_{2,2}\end{bmatrix}}{\begin{bmatrix}y_{1,t-1}\\y_{2,t-1}\end{bmatrix}}+{\begin{bmatrix}e_{1,t}\\e_{2,t}\end{bmatrix}},$

veya, buna denk olan, aşağıdaki iki denklem sistemi:

$y_{1,t}=c_{1}+A_{1,1}y_{1,t-1}+A_{1,2}y_{2,t-1}+e_{1,t}\,$

$y_{2,t}=c_{2}+A_{2,1}y_{1,t-1}+A_{2,2}y_{2,t-1}+e_{2,t}.\,$

Modelde her bir değişken için bir denklem olduğuna dikkat et. Ayrıca, her bir değişkenin o anki (t zamanı) gözleminin, VAR'daki diğer her bir değişkenin gecikmelerinin yanı sıra kendi gecikmelerine bağlı olduğuna dikkat et.

VAR(p)nin VAR(1) olarak yazılması

p gecikmeli VAR, daima eşdeğer olarak, bağımlı değişkeni uygun biçimde tanımlanmasıyla, 1 gecikmeli VAR olarak yazılabilir. The transformation amounts to merely stacking the lags of the VAR(p) variable in the new VAR(1) dependent variable and appending identities to complete the number of equations.

For example, the VAR(2) model

$y_{t}=c+A_{1}y_{t-1}+A_{2}y_{t-2}+e_{t}$

can be recast as the VAR(1) model

${\begin{bmatrix}y_{t}\\y_{t-1}\end{bmatrix}}={\begin{bmatrix}c\\0\end{bmatrix}}+{\begin{bmatrix}A_{1}&A_{2}\\I&0\end{bmatrix}}{\begin{bmatrix}y_{t-1}\\y_{t-2}\end{bmatrix}}+{\begin{bmatrix}e_{t}\\0\end{bmatrix}},$

(I birim matris.

Eşedeğer VAR(1) formu, analitik çıkarımlarda daha uygundur ve daha kısa ifadelere yol açar.

Yapısal ve indirgenmiş form

Yapısal VAR

p gecikmeli yapısal vektör otoregresyon (SVAR şeklinde kısaltılır):

$B_{0}y_{t}=c_{0}+B_{1}y_{t-1}+B_{2}y_{t-2}+\cdots +B_{p}y_{t-p}+\epsilon _{t},$

where c₀ is a k × 1 vector of constants, B_i is a k × k matrix (for every i = 0, ..., p) and ε_t is a k × 1 vector of error terms. B₀ matrisininana köşegen terimleri (i. eşitlikteki i. değişkenin katsayıları) 1'e ölçeklenir.

Hata terimleri ε_t (yapısal şoklar) satisfy the conditions (1) - (3) in the definition above, with the particularity that all the elements off the main diagonal of the covariance matrix $\mathrm {E} (\epsilon _{t}\epsilon _{t}')=\Sigma$ are zero. That is, the structural shocks are uncorrelated.

Örneğin, iki değişkenli yapısal bir VAR(1):

${\begin{bmatrix}1&B_{0;1,2}\\B_{0;2,1}&1\end{bmatrix}}{\begin{bmatrix}y_{1,t}\\y_{2,t}\end{bmatrix}}={\begin{bmatrix}c_{0;1}\\c_{0;2}\end{bmatrix}}+{\begin{bmatrix}B_{1;1,1}&B_{1;1,2}\\B_{1;2,1}&B_{1;2,2}\end{bmatrix}}{\begin{bmatrix}y_{1,t-1}\\y_{2,t-1}\end{bmatrix}}+{\begin{bmatrix}\epsilon _{1,t}\\\epsilon _{2,t}\end{bmatrix}},$

(:$\Sigma =\mathrm {E} (\epsilon _{t}\epsilon _{t}')={\begin{bmatrix}\sigma _{1}^{2}&0\\0&\sigma _{2}^{2}\end{bmatrix}};$)

yani, yapısal şokların varyansları $\mathrm {var} (\epsilon _{i})=\sigma _{i}^{2}$ (i = 1, 2) ve kovaryans ise $\mathrm {cov} (\epsilon _{1},\epsilon _{2})=0$.

İlk eşitlik açıkça yazılıp,y_2,t sağ tarafa alınırsa:

$y_{1,t}=c_{0;1}-B_{0;1,2}y_{2,t}+B_{1;1,1}y_{1,t-1}+B_{1;1,2}y_{2,t-1}+\epsilon _{1,t}\,$

B_0;1,2≠0 ise y_2,t y_1,t üzerine eşzamanlı etkili olabilir. Bu, B₀ nin birim matris (diagonal dışı tüm elemanları 0 — olduğu durumdan farklıdır, başlangıçtaki tanımdaki durum), y_2,t y_1,t+1 ve takip eden gelecek değerleri doğrudan etkileyebileceği, y_1,t doğrudan etkileyemez.

parametre tanımlama problemi sebebiyle, ordinary least squares estimation of the structural VAR would yield inconsistent parameter estimates. Bu sorun, VAR'ı indirgenmiş formla yeniden yazarak aşılır.

Ekonomik bakış açısından, if the joint dynamics of a set of variables can be represented by a VAR model, then the structural form is a depiction of the underlying, "yapısal", ekonomik ilişkiler. Yapısal formun iki özelliği make it the preferred candidate to represent the underlying relations:

1. Hata terimleri koreleli değildir. Ekonomik değişkenlerin dinamiklerini tetikleyen yapısal, ekonomik şokların bağımsız olduğu varsayılır (bu varsayım dolayısıyla, istenen bir özellik olarak, hata terimleri arasında 0 korelasyonluluktur). Bu, VAR'daki ekonomik olarak ilişkisiz etkileri ayrıştırmaya yarar. Örneğin, petrol fiyatları şokunun (arz şoku örneği olarak) should be related to a shift in tüketicilerin tercihlerindeki giyim tarzındaki bir değişiklikle ilişkisi olması gerekliliği için hiçbir sebep yoktur(talep şoku örneği olarak); bu yüzden bu etkenlerin istatistiksel olarak bağımsız olduğu beklenebilir.

2. Değişkenler, diğer değişkenlere eşzamanlı etkili olabilir. Bu, özellikle düşük frekanslı veri kullanırken özellikle istenen bir özelliktir. Örneğin, dolaylı vergi oranı artışı kararı, kararın alındığı gün, vergi gelirlerini etkilemeyebilecektir ancak yılın ilgili çeyreğindeki veride bir etki olabilir.

İndirgenmiş form VAR

Yapısal VAR'ı B₀nin tersiyle önceden çarp:

$y_{t}=B_{0}^{-1}c_{0}+B_{0}^{-1}B_{1}y_{t-1}+B_{0}^{-1}B_{2}y_{t-2}+\cdots +B_{0}^{-1}B_{p}y_{t-p}+B_{0}^{-1}\epsilon _{t},$

and denoting

$B_{0}^{-1}c_{0}=c,\quad B_{0}^{-1}B_{i}=A_{i}{\text{ for }}i=1,\dots ,p{\text{ and }}B_{0}^{-1}\epsilon _{t}=e_{t}$

one obtains the pth order reduced VAR

$y_{t}=c+A_{1}y_{t-1}+A_{2}y_{t-2}+\cdots +A_{p}y_{t-p}+e_{t}$

İndirgenmiş formda, sağdaki tüm değişkenler t zamanında önceden belirlidir. As there are no time t endogenous variables on the right hand side, no variable has a direct contemporaneous effect on other variables in the model.

Ancak, indirgenmiş VAR'da hata terimleri are composites of the structural shocks e_t = B₀⁻¹ε_t. Thus, the occurrence of one structural shock ε_i,t can potentially lead to the occurrence of shocks in all error terms e_j,t, thus creating contemporaneous movement in all endogenous variables. Consequently, the covariance matrix of the reduced VAR

$\Omega =\mathrm {E} (e_{t}e_{t}')=\mathrm {E} (B_{0}^{-1}\epsilon _{t}\epsilon _{t}'(B_{0}^{-1})')=B_{0}^{-1}\Sigma (B_{0}^{-1})'\,$

can have non-zero off-diagonal elements, böylelikle allowing non-zero correlation between error terms.

Tahmin

Regresyon parametrelerinin tahmini

Kısa metris gösteriminden başlayarak (ayrıntılar: Bir VAR(p)nin genel matris gösterimi):

$Y=BZ+U\,$

• B için çok değişkenli Least Square (MLS) aşağıdakini verir:

${\hat {B}}=YZ^{'}(ZZ^{'})^{-1}$

Alternatif olarak şöyle yazılabilir:

${\mbox{Vec}}({\hat {B}})=((ZZ^{'})^{-1}Z\otimes I_{k})\ {\mbox{Vec}}(Y)$

($\otimes$: Kronecker product, Vec:Y matrisinin vektörizasyonu.

Bu tahminci consistent ve asymptotically efficient. Ayrıca, koşullu En Çok Olabilirlik Tahmincisi'ne (MLE) eşittir (Hamilton 1994, p 293).

• Söz konusu açıklayıcı değişkenler aynı olduğundan, çok değişkenli EKK, her bir eşitliğe ayrı ayrı uygulanan Ordinary EKK(OLS) tahmincisine eşittir, Zellner'in (1962) gösterdiği gibi.

Hataların kovaryans matrisinin tahmini

Standart durumda olduğu gibi, kovaryans matrisinin MLE tahmincisi OLS tahmincisinden farklıdır.

MLE tahmincisi: ${\hat {\Sigma }}={\frac {1}{T}}\sum _{t=1}^{T}{\hat {\epsilon }}_{t}{\hat {\epsilon }}_{t}^{'}$

OLS tahmincisi: (bir sabitli, k değişkenli ve p gecikmeli model için)${\hat {\Sigma }}={\frac {1}{T-kp-1}}\sum _{t=1}^{T}{\hat {\epsilon }}_{t}{\hat {\epsilon }}_{t}^{'}$

Bunun matris gösterimi:

${\hat {\Sigma }}={\frac {1}{T-kp-1}}(Y-{\hat {B}}Z)(Y-{\hat {B}}Z)^{'}.$

Tahminci'nin kovaryans matrisinin tahmini

Parametrelerin kovaryans matrisi, şöyle tahmin edilebilir:

${\widehat {\mbox{Cov}}}({\mbox{Vec}}({\hat {B}}))=({ZZ'})^{-1}\otimes {\hat {\Sigma }}.\,$

Yazılım

• R: there is a package vars which deals with VAR models.
• SAS: VARMAX
• STATA: "var"
• EViews: "VAR"
• Gretl: "var"
• RATS
• [ARFit]:
• [1] Time Series Analysis toolbox for Octave and Matlab: MVAR

Kaynakça

• Walter Enders, Applied Econometric Time Series, 2nd Edition, John Wiley & Sons 2003, ISBN 0-471-23065-0
• James D. Hamilton. Time Series Analysis. Princeton University Press. 1995.
• Helmut Lütkepohl. New Introduction to Multiple Time Series Analysis. Springer. 2005.
• Zellner (1962) An Efficient Method of Estimating Seemingly Unrelated Regressions and Tests for Aggregation Bias. Journal of the American Statistical Association, Vol. 57, No. 298 (Jun., 1962), pp. 348–368.
• Hacker, R. S. and Hatemi-J, A. (2008). "Optimal lag-length choice in stable and unstable VAR models under situations of homoscedasticity and ARCH9 Mayıs 2012 tarihinde Wayback Machine sitesinde arşivlendi.," Journal of Applied Statistics, vol. 35(6), pages 601-615.
• Hatemi-J A. (2004). "Multivariate tests for autocorrelation in the stable and unstable VAR models7 Haziran 2011 tarihinde Wayback Machine sitesinde arşivlendi.," Economic Modelling, Vol. 21(4), Pages 661-683.
• Hatemi-J A. & R. S. Hacker, (2009). "Can the LR test be helpful in choosing the optimal lag order in the VAR model when information criteria suggest different lag orders?9 Mayıs 2012 tarihinde Wayback Machine sitesinde arşivlendi.," Applied Economics, vol. 41(9), pages 1121-1125.