時間序列分析
– 總體經濟與財務金融之應用 –
時間序列中的
AR迴歸模型
陳旭昇
2013.12
1
時間序列漸近理論
2 AR
係數估計式的大樣本性質
3 Newey-West HAC
估計式
時間序列漸近理論
時間序列漸近理論
定義
(遍歷性
)如果一個定態時間序列的自我共變異數滿足以下充分條件
: γ(k) Ð→ 0 as k Ð→ ∞,我們稱該序列具有遍歷性
(ergodic)。
含混地說
,時間序列具遍歷性代表該序列為漸近獨立
(asymptotically indepent)。 亦即
,隨著
yt與
yt−k隨著距離越離越遠而趨近獨立。
時間序列漸近理論
時間序列漸近理論
在了解遍歷性的概念後
,我們有以下的重要定理
,以建構時間序列的大數 法則
: Ergodic定理
(Ergodic Theorem)。
定理
(Ergodic定理
)給定時間序列
yt為嚴格定態
,具遍歷性
,且
E(y2t) < ∞,
則
µ =ˆ 1T
T
∑t=1
yt
Ð→ E(yp t),
γˆ(k)Ð→ γ(k)p ρˆ(k)Ð→ ρ(k).p
時間序列漸近理論
時間序列漸近理論
我們介紹時間序列另一個重要概念
:平賭序列
(martingale)。 定義
(平賭序列
)如果時間序列
yt滿足
E(yt∣yt−1,yt−2, . . . ,y1) = yt−1,
則我們稱
yt為一平賭序列
(martingale)。
亦即
,給定到本期為止的資訊下
,對於下一期最佳的預期值就是本期值。
時間序列漸近理論
時間序列漸近理論
定義
(平賭差序列
)如果時間序列
εt滿足
E(εt∣εt−1,εt−2, . . . ,ε1) = 0,
則我們稱
εt為一平賭差序列
(martingale difference sequence),簡稱
MDS。
值得注意的是
,根據雙重期望值法則
(law of iterated expectation),對於
j ≥ 1,E(εt∣εt−j) = E[E(εt∣εt−1,εt−2, . . . ,ε1)
´¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¸¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¶
=0
∣εt−j] = 0
因此
,E(ε ) = E[E(ε∣ε )] = 0,
時間序列漸近理論
時間序列漸近理論
性質
(平賭差序列隱含無序列相關
)若
εt為
MDS,則
Cov(εt,εt−k) = 0.
由於
E(εt) = 0,Cov(εt,εt−k) = E(εtεt−k)
= E[E(εtεt−k∣εt−k)]
= E[εt−kE(εt∣εt−k)
´¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¸¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¶
=0
]
時間序列漸近理論
時間序列漸近理論
以下兩個性質連結平賭序列與平賭差序列。
性質
(平賭序列
vs.平賭差序列
)1
若
yt為平賭序列
,則
∆yt為平賭差序列。
2
若
εt為平賭差序列
,則
yt=∑t i=1
εi = ε1+ ε2+ ⋯ + εt
為平賭序列。
時間序列漸近理論
時間序列漸近理論
以上兩性質的證明如下。
令
Ωt ={yt,yt−1, . . . ,y1},1
E(∆yt∣Ωt−1) = E(yt− yt−1∣Ωt−1)
= E(yt∣Ωt−1) − yt−1
= yt−1− yt−1= 0
時間序列漸近理論
時間序列漸近理論
2
E(yt∣Ωt−1) = E(yt∣εt−1,εt−2, . . . ,ε1)
= E(εt+ εt−1+ ⋯ + ε1∣εt−1,εt−2, . . . ,ε1)
= E(εt∣εt−1,εt−2, . . . ,ε1)
+ E(εt−1+ εt−2+ ⋯ + ε1∣εt−1,εt−2, . . . ,ε1)
= 0+ E(εt−1+ εt−2+ ⋯ + ε1∣εt−1,εt−2, . . . ,ε1)
= εt−1+ εt−2+ ⋯ + ε1
= yt−1
時間序列漸近理論
時間序列漸近理論
最後我們介紹
MDS的中央極限定理
(MDS-CLT)。 定理
(MDS-CLT)給定
εt為嚴格定態
,具遍歷性之平賭差序列
,且
E(ε2t) < ∞,
則
√T ¯ε = 1
√T
T
∑
t=1
εtÐ→ N(0, σd 2),
其中
ε =¯ ∑Tt=1εt
T .
AR係數估計式的大樣本性質
AR 係數估計式的大樣本性質
考慮以下定態
AR(p)模型
,yt= c + ϕ1yt−1+ ⋯ + ϕpyt−p+ εt,
其中
E(y4t) < ∞,
且
εt∼i.i.d. (0, σ2)。 亦即干擾項
εt為均齊變異
(homoskedasticity),且不具序列相關。
AR係數估計式的大樣本性質
AR 係數估計式的大樣本性質
令
xt=
⎡⎢⎢⎢⎢
⎢⎢⎢⎢
⎢⎢⎣ 1 yt−1
yt−2
⋮ yt−p
⎤⎥⎥⎥
⎥⎥⎥⎥
⎥⎥⎥⎦
ϕ =
⎡⎢⎢⎢
⎢⎢⎢⎢
⎢⎢⎢⎣
c ϕ1
ϕ2
⋮ ϕp
⎤⎥⎥⎥
⎥⎥⎥⎥
⎥⎥⎥⎦
以及
ut = εt,則迴歸模型可再改寫成
yt= x′tϕ + ut.AR係數估計式的大樣本性質
AR 係數估計式的大樣本性質
因此
, ϕ, σ2與
Var( ˆϕ)的估計式分別為
ϕ =ˆ (1 T
T
∑t=1
xtxt′
)
−1
(1 T
T
∑t=1
xt yt) σˆ2= 1
T− p − 1
T
∑t=1(yt− ˆϕ yt−1− ˆϕ2yt−2...− ˆϕpyt−p)2 Var̂(ˆϕ) = ˆσ2(∑T
t=1
xtxt′)
−1
AR係數估計式的大樣本性質
AR 係數估計式的大樣本性質
要了解
ϕˆ的性質
,首先注意到
xtut為
MDS:E(xtut∣It−1) = xtE(ut∣It−1)
´¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¸¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¶0 = 0.
其中
E(ut∣It−1) = 0是由於
ut為
i.i.d.序列。
AR係數估計式的大樣本性質
AR 係數估計式的大樣本性質
而
xtut的變異數
-共變數矩陣為
E(xtututx′t) = E(u2txtx′t)
= EE(u2txtx′t∣It−1)
= E(xtx′tE(u2t∣It−1)
´¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¸¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¶
σ2
)
= E(xtx′tσ2)
= σ2E(xtx′t).
其中
E(u2t∣It−1) = E(u2t) = σ2也是由於
ut為
i.i.d.序列。
AR係數估計式的大樣本性質
AR 係數估計式的大樣本性質
因此
, AR係數估計式的大樣本性質如底下性質所示。
性質
(AR係數估計式的大樣本性質
)1
一致性
ϕˆÐ→ ϕp
2
漸近分配
ϕˆ∼ NA (ϕ,σ2Q−1 T ) ,
其中
Q = E[xtxt′].AR係數估計式的大樣本性質
AR 係數估計式的大樣本性質
Proof.
ϕ =ˆ (1
TΣxtx′t)−1(1
TΣxtyt)
=(1
TΣxtx′t)−1(1
TΣxt(x′tϕ + ut))
=(1
TΣxtx′t)−1[(1
TΣxtx′t) ϕ + 1
TΣxtut]
= ϕ +( 1
TΣxtxt′)−1[1
TΣxtut]
AR係數估計式的大樣本性質
AR 係數估計式的大樣本性質
1
ϕ − ϕ =ˆ (1
TΣxtx′t)−1
´¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¸¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¶p
Ð→E[xtxt′]−1
[1
TΣxtut]
´¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¸¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¶p
Ð→0
Ð→ 0p
亦即
,ϕˆÐ→ ϕp
AR係數估計式的大樣本性質
AR 係數估計式的大樣本性質
2
√T( ˆϕ − ϕ) =√ T( 1
TΣxtx′t)−1( 1
TΣxtut)
=(1
TΣxtx′t)−1
´¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¸¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¶
p
Ð→Q−1
[ 1
√T
Σxtut]
´¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¸¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¶
d
Ð→N (0,σ2Q) d
Ð→ N(0, Q−1σ2Q Q−1)= Nd (0, σ2Q−1)
因此
,ϕ − ϕˆ ∼ NA (0,σ2Q−1 T ),
AR係數估計式的大樣本性質
AR 係數估計式的大樣本性質
最後值得一提的是
,由於
AR迴歸式中
,嚴格外生性的假設並不符合
, E(ut∣⋯, xt+1,xt,xt−1) ≠ 0,因此
E( ˆϕ) ≠ ϕ,
亦即
ϕˆ並不是
ϕ的不偏估計式。
Newey-West HAC估計式
Newey-West HAC 估計式
在上一節假設
ut為
i.i.d.以及均齊變異
(homoskedasticity),因此
, E(xtututx′t) = E(u2t)E(xtxt′) = σ2E(xtx′t).且
Var( ˆϕ)的估計式為
Var̂( ˆϕ) = ˆσ2(∑T
t=1
xtxt′)
−1
.
然而
,一般的時間序列資料可能無法滿足此
i.i.d.假設。
Newey-West HAC估計式
Newey-West HAC 估計式
因此
,我們可以進一步考慮當
ut有序列相關且為非均齊變異
(heteroskedasticity)時
, Var( ˆϕ)的穩健估計式
(robust estimator)。
Newey and West(1987)
提出了一種考慮序列相關與非均齊變異的
估計式
,稱做 「非均齊變異
-序列相關一致估計式」
(簡稱
HAC估計 式
), (Heteroskedasticity Autocorrelation Consistent estimator, HAC),又稱
Newey-West HAC估計式
(Newey-West HACestimator),
或是
Newey-West估計式
(Newey-West estimator)。
Newey-West HAC估計式
Newey-West HAC 估計式
我們以一個簡單的
AR(1)模型來說明
Newey-West估計式。
yt= β0+ β1yt−1+ ut.
令
xt = yt−1,則
AR(1)迴歸模型可以改寫成
yt= β0+ β1xt+ ut.
已知
β1的估計式為
βˆ1= ∑
T
t=1(xt− ¯x)yt
∑Tt=1(xt− ¯x)2
1 ∑T (x − ¯x)u
Newey-West HAC估計式
Newey-West HAC 估計式
由於
x¯ Ð→ µp x,
且
1 T
∑T
t=1(xt− ¯x)2 Ð→ σp x2,
則
βˆ1− β1的大樣本近似可以寫成
βˆ1− β1≈
1
T∑Tt=1[xt− µx]ut
σx2 .
Newey-West HAC估計式
Newey-West HAC 估計式
令
vt =[xt− µx]ut,則上式可以改寫成
βˆ1− β1≈1
T∑Tt=1vt σx2 .
因此
,Var( ˆβ1) = Var (T1 ∑Tt=1vt
σx2 ) = Var(T1 ∑Tt=1vt) (σx2)2 .
Newey-West HAC估計式
Newey-West HAC 估計式
1
如果
vt為
i.i.d.,則
Var(1 T
∑T t=1
vt) = Var(vt)
T ,
且
Var( ˆβ1) = Var(vt) T(σx2)2 .
Newey-West HAC估計式
Newey-West HAC 估計式
2
當
vt為序列相關
, Var(1T
∑T t=1
vt)
= 1 T2[∑T
i=1
Var(vi) + 2(T − 1)Cov(vt,vt−1)
+ 2(T − 2)Cov(vt,vt−2) + ⋯ + 2Cov(vt,vt−T+1)],
= Var(vt) T fT,
Newey-West HAC估計式
Newey-West HAC 估計式
其中
fT = 1 + 2T−1∑
j=1
(T − j T ) ρj, ρj = √ Cov(vt,vt−j)
Var(vt)Var(vt−j) = Cov(vt,vt−j) Var(vt) .
Newey-West HAC估計式
Newey-West HAC 估計式
因此
,Var( ˆβ1) = (Var(vt) T(σx2)2 )
´¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¸¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¹¶
(A)
fT
(B)® .
(A)=
當序列相關不存在時
, ˆβ1的變異數估計式。
(B)=
為了考慮序列相關所多出來的項次。
Newey-West HAC估計式
Newey-West HAC 估計式
我們要如何估計
Var( ˆβ1)? Newey and West (1987)的建議為以下的估 計式
,ΣˆNW = ˆσ2ˆ
β1
fˆT,
其中
, ˆσ2ˆβ1
為傳統的
White非均齊變異變異數估計式
,而
fT的估計式為
fˆT = 1 + 2m−1∑
j=1
(m − j m ) ˆρj,
= 1 + 2
∑q j=1
(1 − j q + 1) ˆρj,
Newey-West HAC估計式
Newey-West HAC 估計式
其中
q = m − 1,ρˆj= ∑Tt= j+1vˆtvˆt−j
∑Tt=1vˆ2t ,
以及
vˆt=(xt− ¯x)ˆut.
Newey and West (1994)
建議以底下的公式選擇
q (取到整數
),q = 4( T 100)2/9.
Newey-West HAC估計式
Newey-West HAC 估計式
如果我們考慮
AR(p)模型
,令
xt =
⎡⎢⎢⎢
⎢⎢⎢⎢
⎢⎢⎢⎢
⎣ 1 yt−1 yt−2
⋮ yt−p
⎤⎥⎥⎥
⎥⎥⎥⎥
⎥⎥⎥⎥
⎦
ϕ =
⎡⎢⎢⎢
⎢⎢⎢⎢
⎢⎢⎢⎢
⎣ c ϕ1
ϕ2
⋮ ϕp
⎤⎥⎥⎥
⎥⎥⎥⎥
⎥⎥⎥⎥
⎦
且
ϕ =ˆ (1 T
∑T xt xt′)
−1
(1 T
∑T xt yt) ,
Newey-West HAC估計式
Newey-West HAC 估計式
則
Var( ˆϕ)的
Newey-West估計式為
(∑T
t=1
xtxt′
)
−1
[∑T
t=1
uˆ2txtx′t
+
q
∑
j=1
(1 − j q+ 1) ∑T
t= j+1
(xtuˆtuˆt− jx′t− j+ xt− juˆt− juˆtx′t)⎤⎥
⎥⎥⎥⎦
(∑T
t=1
xtxt
′)
−1
.