Sei sulla pagina 1di 105

Introduzione a regressioni

temporali e previsioni

Obiettivo: utilizzare valori noti di alcune variabili


(presenti e passati) per prevedere i valori di un’altra
variabile.

NB: E’ possibile ottenere previsioni attendibili, anche se i


coefficienti che stimiamo non hanno interpretazione causale

R. Miniaci: Econometria dei mercati finanziari 1


24 11

20 10

16 9

12 8

8 7

4 6

0 5

-4 4

-8 3
60 65 70 75 80 85 90 95 00 05

Tasso d'inflazione del CPI Tasso di disoccupazione

R. Miniaci: Econometria dei mercati finanziari 2


R. Miniaci: Econometria dei mercati finanziari 3
Un po’ di lessico:
 Primo ritardo: Yt 1

 Differenza prima: Yt  Yt  Yt 1

 Differenza prima del logaritmo:  ln Yt  ln Yt  ln Yt 1  ln Yt / Yt 1 


 Variazione %  100 ln Yt
CPIt: serie trimestrale.
CPI t  CPI t 1
Tasso d’inflazione su base annua: 4  100  400   ln CPI t
CPI t 1

CPI Inft  400   ln CPI t Inf t 1 Inf t


2003:04 184.8
2004:01 186.57 3.81
2004:02 188.6 4.34 3.81 0.54
2004:03 189.37 1.62 4.34 -2.73
2004:04 191.03 3.51 1.62 1.89

R. Miniaci: Econometria dei mercati finanziari 4


autocovarianza j  cov Yt , Yt  j 
cov Yt , Yt  j 
autoco rrelazione j   j  co rr Yt , Yt  j  
var Yt  var Yt  j 

 Y , Y 
cov
 Y 
T
 1
cov Yt , Yt  j    Yt  Y j 1,T
t t j
 Y 1,T  j ˆ j 
 Y  var
 Y 
t j
T  j  1 t  j 1 var t t j

1 T 1 T j
Y j 1,T  
T  j t  j 1
Yt , Y 1,T  j  
T  j t 1
Yt

R. Miniaci: Econometria dei mercati finanziari 5


Inflazione
Infl
16

14

12

10

8
Infl

-2
1960 1970 1980 1990 2000

R. Miniaci: Econometria dei mercati finanziari 6


Autocorrelazione dell'inflazione
ACF for Infl
1
+- 1.96/T^0.5

0.5

-0.5

-1
0 5 10 15 20
lag

PACF for Infl


1
+- 1.96/T^0.5

0.5

-0.5

-1
0 5 10 15 20
lag

Inflazione
R. Miniaci: Econometria dei mercati finanziari 7
d_Infl
6

2
d_Infl

-2

-4

-6
1960 1965 1970 1975 1980 1985 1990 1995 2000 2005

R. Miniaci: Econometria dei mercati finanziari 8


Autocorrelazione Inflazione
ACF for d_Infl

0.4
+- 1.96/T^0.5
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
0 5 10 15 20
lag

PACF for d_Infl

0.4
+- 1.96/T^0.5
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
0 5 10 15 20
lag

R. Miniaci: Econometria dei mercati finanziari 9


Quale sarà il tasso d’inflazione nel prossimo anno?

Modello autoregressivo del primo ordine AR(1)

Yt   0  1Y t 1  ut

Previsione: t |t 1  ˆ  ˆ Y
0 1 t 1

 Y  Yˆ
Errore di previsione: t t |t 1

Previsione ed errore di previsione (out of sample)

Predetti e residui OLS (in sample)

R. Miniaci: Econometria dei mercati finanziari 10


Precisione delle previsioni: Root mean squared forecast error


RMSFE  E Yt  Yˆt|t 1 


2

 
Combinazione di 2 fonti d’errore
1. u è ignota
2. le stime dei parametri sono affette da errore

Infatti
   
Yt  Yˆt|t 1  ut   ˆ0  0  ˆ1  1 Yt 1 
 

R. Miniaci: Econometria dei mercati finanziari 11


Quindi, se u è omoschedastico

  
E Yt  Yt|t 1    u2  var  ˆ0  0  ˆ1  1 Yt 1 

  
2
ˆ
   

Se la prima è predominante, allora RMSFE  var  ut 


stimata con lo std.err. della regressione.

Se inoltre assumiamo che u sia normale, allora possiamo


anche calcolare l’intervallo di confidenza

Yˆt|t 1  1.96 RMSFE

R. Miniaci: Econometria dei mercati finanziari 12


Inft   0  1Inft 1  ut
OLS, using observations 1957:4-2000:4 (T = 173)
Dependent variable: d_Infl
HAC standard errors, bandwidth 4 (Bartlett kernel)

coefficient std. error t-ratio p-value


--------------------------------------------------------
const -0.00377025 0.105590 -0.03571 0.9716
d_Infl_1 -0.245233 0.0625085 -3.923 0.0001 ***

Mean dependent var -0.004118 S.D. dependent var 1.689982


Sum squared resid 461.7325 S.E. of regression 1.643225
R-squared 0.060065 Adjusted R-squared 0.054568
F(1, 171) 15.39146 P-value(F) 0.000126
Log-likelihood -330.3929 Akaike criterion 664.7858
Schwarz criterion 671.0924 Hannan-Quinn 667.3443
rho -0.087863 Durbin's h -2.012191

R. Miniaci: Econometria dei mercati finanziari 13


Actual and fitted d_Infl
6
fitted
actual

2
d_Infl

-2

-4

-6
1960 1965 1970 1975 1980 1985 1990 1995 2000

R. Miniaci: Econometria dei mercati finanziari 14


Regression residuals (= observed - fitted d_Infl)
6

0
residual

-2

-4

-6

-8
1960 1965 1970 1975 1980 1985 1990 1995 2000

R. Miniaci: Econometria dei mercati finanziari 15


Yˆ  ˆ  ˆ Y
Previsione un periodo avanti: t |t 1 0 1 t 1

Previsione due periodi avanti:Yˆ  ˆ  ˆ Yˆ t 1|t 1 0 1 t |t 1

Yˆ  ˆ  ˆ Yˆ

Previsione tre periodi avanti: t  2|t 1 0 1 t 1|t 1

Ricordate che qui la variabile dipendente è Inf t  Inft  Inft 1


6
95 percent interval
d_Infl
forecast
4

-2

-4

-6
1980 1985 1990 1995 2000 2005

R. Miniaci: Econometria dei mercati finanziari 16


16
Infl
forecast
14

12

10

-2
1960 1965 1970 1975 1980 1985 1990 1995 2000 2005


Inf t  Inf t  Inf t 1  Inft 1  Inft 1  Inf t  Inf  Inf  
 Inf t 1|t
t 1|t t

R. Miniaci: Econometria dei mercati finanziari 17


Modello autoregressivo di ordine p

Yt   0  1Y t 1     pY t  p  ut

E ut | Yt 1 ,, Yt  p ,  0

Proprietà della previsione e del termine d’errore in AR(p)


Stiamo usando l’assunzione E ut | Yt 1 ,, Yt  p ,  0 , quindi

1. Yt|t 1  E Yt | Yt 1 ,, Yt  p  è il previsore con il minor RMSFE


possibile tra quelli basati sul passato fino a t-p di Y.

2. gli errori u sono serialmente incorrelati

R. Miniaci: Econometria dei mercati finanziari 18


Consideriamo il modello AR(1):

Yt   0  1Yt 1  ut E ut | Yt 1 , Yt  2 ,  0

Allora

Yt 1   0  1Yt  2  ut 1  ut 1  Yt 1   0  1Yt 2

Quindi

E ut | ut 1 , Yt 1 , Yt  2 ,  E ut | Yt 1 , Yt  2 ,  0


 E ut ut 1 | Yt 1 , Yt  2 ,  0

R. Miniaci: Econometria dei mercati finanziari 19


Inf t   0  1Inft 1   2 Inf t  2  3 Inft 3   4 Inf t  4  ut
OLS, using observations 1958:3-2000:4 (T = 170)
Dependent variable: d_Infl
HAC standard errors, bandwidth 4 (Bartlett kernel)

coefficient std. error t-ratio p-value


----------------------------------------------------------
const 0.00109984 0.112588 0.009769 0.9922
d_Infl_1 -0.238431 0.0839153 -2.841 0.0051 ***
d_Infl_2 -0.310365 0.0762453 -4.071 7.26e-05 ***
d_Infl_3 0.182421 0.0807272 2.260 0.0251 **
d_Infl_4 -0.0361817 0.0970028 -0.3730 0.7096

Mean dependent var 0.000938 S.D. dependent var 1.679536


Sum squared resid 375.7454 S.E. of regression 1.509054
R-squared 0.211814 Adjusted R-squared 0.192707
F(4, 165) 12.15946 P-value(F) 1.10e-08
Log-likelihood -308.6342 Akaike criterion 627.2684
Schwarz criterion 642.9474 Hannan-Quinn 633.6307
rho -0.012256 Durbin-Watson 2.007886

R. Miniaci: Econometria dei mercati finanziari 20


Modello autoregressivo misto
Autoregressive Distributed Lag ADL(p,q)

Yt   0  1Y t 1     pY t  p  1 X t 1     q X t  q  ut

E ut | Yt 1 ,, Yt  p ,, X t 1 ,, X t q ,  0

R. Miniaci: Econometria dei mercati finanziari 21


16
Infl
LHUR
14

12

10

-2
1960 1965 1970 1975 1980 1985 1990 1995 2000

Inf t   0  1Inf t 1   2 Inf t  2  3 Inft 3   4 Inft  4


1 Dist 1  ut
R. Miniaci: Econometria dei mercati finanziari 22
OLS, using observations 1958:3-2000:4 (T = 170)
Dependent variable: d_Infl
HAC standard errors, bandwidth 4 (Bartlett kernel)

coefficient std. error t-ratio p-value


--------------------------------------------------------
const 1.46921 0.523536 2.806 0.0056 ***
LHUR_1 -0.245585 0.0960749 -2.556 0.0115 **
d_Infl_1 -0.301438 0.0871044 -3.461 0.0007 ***
d_Infl_2 -0.394605 0.0966296 -4.084 6.91e-05 ***
d_Infl_3 0.0954921 0.0798115 1.196 0.2332
d_Infl_4 -0.0933518 0.0914903 -1.020 0.3091

Mean dependent var 0.000938 S.D. dependent var 1.679536


Sum squared resid 358.0694 S.E. of regression 1.477616
R-squared 0.248892 Adjusted R-squared 0.225993
F(5, 164) 9.375301 P-value(F) 7.10e-08
Log-likelihood -304.5385 Akaike criterion 621.0769
Schwarz criterion 639.8917 Hannan-Quinn 628.7118
rho 0.006023 Durbin-Watson 1.971087

R. Miniaci: Econometria dei mercati finanziari 23


Affinché abbia senso sfruttare il passato per predire il futuro è
necessario che valga l’assunzione di stazionarietà, cioè che il
futuro sia come il passato (in senso probabilistico!!):

Y è stazionaria se la sua distribuzione di probabilità non


varia nel tempo, cioè se la distribuzione congiunta di
Ys 1 ,, Ys T  non dipende da s.

Due serie X e Y sono dette stazionarie se la distribuzione


congiunta  X s 1,Ys1 ,, X s T , Ys T  non dipende da s.

R. Miniaci: Econometria dei mercati finanziari 24


Regressioni temporali con predittori multipli:
Yt   0  1Yt 1     p Yt  p 
11 X 1t 1    1q X 1t  q 
1

 21 X 2t 1     2 q X 2t  q  
 k1 X kt 1     kq X kt  q  ut
Dove
1. E ut | Yt 1 , Yt 2 , , X1t 1 , X1t 2 , , X kt 1 , X kt 2 ,  0
2.
a. Yt , X1t , , X kt  hanno distribuzione stazionaria
b. Yt , X1t , , X kt  e Yt  j , X 1t  j , , X kt  j  diventano
indipendenti al crescere di j (dipendenza debole)
3. Yt , X1t , , X kt  hanno momenti quarti finiti e diversi da 0
4. non c’è perfetta collinearità
R. Miniaci: Econometria dei mercati finanziari 25
Inf t   0  1 Inft 1   2 Inf t  2  3 Inf t 3   4 Inft  4
1 Dist 1   2 Dist  2   3 Dist 3   4 Dist  4  ut

H 0 : 1   2   3   4  0

Coefficient Errore rapporto p-value


e Std. t
Const 1,30498 0,35576 3,6682 0,00033 ***
LHUR_1 -2,63811 0,423892 -6,2235 <0,00001 ***
LHUR_2 3,0451 0,798013 3,8159 0,00019 ***
LHUR_3 -0,374964 0,9941 -0,3772 0,70653
LHUR_4 -0,250373 0,535734 -0,4673 0,64088
d_Inf_1 -0,420066 0,0934054 -4,4972 0,00001 ***
d_Inf_2 -0,366493 0,100011 -3,6645 0,00034 ***
d_Inf_3 0,0564695 0,102147 0,5528 0,58114
d_Inf_4 -0,0365733 0,0976444 -0,3746 0,70848
Statistica test: F robusta(4, 162) = 11,6122, con p-value = 2,58027e-008

R. Miniaci: Econometria dei mercati finanziari 26


Test di causalità di Granger

La statistica per il test di causalità di Granger è la statistica F


per la verifica d’ipotesi che i coefficienti su tutti i valori di
una delle variabili siano pari a zero.
Questa ipotesi nulla implica che i regressori non hanno potere
predittivo per Yt rispetto a quello già posseduto dagli altri
regressori.

Causalità nel senso di Granger


 ~ “prevedibilità nel senso di Granger”
 Concetto differente dalla causalità vista fino ad ora

R. Miniaci: Econometria dei mercati finanziari 27


ACF dei residui

0,2 +- 1,96/T^0,5
0,15
0,1
0,05
0
-0,05
-0,1
-0,15
-0,2
0 5 10 15 20
Ritardo

PACF dei residui

0,2 +- 1,96/T^0,5
0,15
0,1
0,05
0
-0,05
-0,1
-0,15
-0,2
0 5 10 15 20
Ritardo

R. Miniaci: Econometria dei mercati finanziari 28


0,35
Statistica test per la normalità: uhat5
N(1,7449e-017 1,3969)
Chi-quadro(2) = 2,776 p-value = 0,24954

0,3

0,25

0,2
Densità

0,15

0,1

0,05

0
-4 -3 -2 -1 0 1 2 3 4
uhat5

R. Miniaci: Econometria dei mercati finanziari 29


Quanti ritardi introdurre nella regressione?

Determinazione dell’ordine di un’autoregressione


1. A ritroso: parto da un ordine alto, e verifico se l’ultimo
ritardo è significativo, se no riduco l’ordine e ristimo …
Problema: si tende ad avere modelli con ritardi eccessivi
2. Bayes Information Criterion o Schwarz Criterion:
l’ordine p viene determinato minimizzando il “criterio
d’informazione”
SSR  p  ln T
BIC  p   ln   p  1
T T
Perché?
Primo termine: decresce all’aumentare di p (ricordate:
stiamo stimando con OLS)
Secondo termine: cresce al variare di p.

R. Miniaci: Econometria dei mercati finanziari 30


3. Akaike Information Criterion. Simile al BIC:

SSR  p  2
AIC  p   ln   p  1
T T

Determinazione dell’ordine nelle regressioni con predittori


multipli
1. A ritroso
2. BIC(p+q1+q2+…+qk)
3. AIC(p+q1+q2+…+qk)

NB: quando si usano BIC e AIC bisognerebbe fare


riferimento allo stesso T
NB: a parità di numero di parametri sono possibili differenti
specificazioni!

R. Miniaci: Econometria dei mercati finanziari 31


OLS, usando le osservazioni 1962:2-2004:4 (T = 171)

Coefficiente Errore Std. rapporto t p-value


Const 1,30498 0,35576 3,6682 0,00033 ***
LHUR_1 -2,63811 0,423892 -6,2235 <0,00001 ***
LHUR_2 3,0451 0,798013 3,8159 0,00019 ***
LHUR_3 -0,374964 0,9941 -0,3772 0,70653
LHUR_4 -0,250373 0,535734 -0,4673 0,64088
d_Inf_1 -0,420066 0,0934054 -4,4972 0,00001 ***
d_Inf_2 -0,366493 0,100011 -3,6645 0,00034 ***
d_Inf_3 0,0564695 0,102147 0,5528 0,58114
d_Inf_4 -0,0365733 0,0976444 -0,3746 0,70848

Media var. dipendente 0,011415 SQM var. dipendente 1,711366


Somma quadr. residui 316,1060 E.S. della regressione 1,396879
R-quadro 0,365110 R-quadro corretto 0,333758
F(8, 162) 9,876889 P-value(F) 3,84e-11
Log-verosimiglianza -295,1709 Criterio di Akaike 608,3418
Criterio di Schwarz 636,6168 Hannan-Quinn 619,8146
Rho 0,011387 Durbin-Watson 1,972455

R. Miniaci: Econometria dei mercati finanziari 32


OLS, usando le osservazioni 1962:2-2004:4 (T = 171)

Coefficiente Errore Std. rapporto t p-value


Const 1,19352 0,386669 3,0867 0,00237 ***
LHUR_1 -2,2394 0,356785 -6,2766 <0,00001 ***
LHUR_2 2,03956 0,349088 5,8425 <0,00001 ***
d_Inf_1 -0,468118 0,0778257 -6,0150 <0,00001 ***
d_Inf_2 -0,425507 0,076963 -5,5287 <0,00001 ***

Media var. dipendente 0,011415 SQM var. dipendente 1,711366


Somma quadr. residui 323,5023 E.S. della regressione 1,395998
R-quadro 0,350255 R-quadro corretto 0,334599
F(4, 166) 15,51436 P-value(F) 8,39e-11
Log-verosimiglianza -297,1484 Criterio di Akaike 604,2968
Criterio di Schwarz 620,0051 Hannan-Quinn 610,6706
rho 0,062478 Durbin-Watson 1,869757

R. Miniaci: Econometria dei mercati finanziari 33


Cosa succede se salta l’assunzione di stazionarietà?

 Sia Y che le X possono violare l’assunzione di


stazionarietà
 Allora i risultati sulla distribuzione dello stimatore OLS
non sono più validi, e di conseguenza tutta l’inferenza
 La cura dipende dalla malattia, cioè dal motivo per cui
non è valida l’assunzione di stazionarietà

o Trend deterministici e stocastici (radici unitarie)


o Break strutturali

R. Miniaci: Econometria dei mercati finanziari 34


La presenza di trend

Trend: movimento persistente di lungo periodo di una


variabile nel corso del tempo. Una variabile temporale fluttua
attorno al suo trend (non necessariamente lineare)
16
Inf (dati originali)
Inf (filtrata)

14

12

10

-2
1965 1970 1975 1980 1985 1990 1995 2000 2005

R. Miniaci: Econometria dei mercati finanziari 35


Trend deterministico: funzione non aleatoria del tempo.

Magari funzionano, ma che senso hanno dal punto di vista


economico?

Il più semplice modello di trend stocastico: la passeggiata


aleatoria (random walk)
Yt  Yt 1  ut ut  i.i.d .

o più genericamente E ut | Yt 1 , Yt  2 ,  0 : il valore di domani di


Y è pari a quello di oggi più un cambiamento imprevedibile.

Random walk with drift


Yt   0  Yt 1  ut ut  i.i.d .

R. Miniaci: Econometria dei mercati finanziari 36


Un random walk è non stazionario: la varianza di Y cresce nel
corso del tempo:
Yt  Yt 1  ut
Var Yt   Var Yt 1   Var  ut 
Var Yt 1   Var Yt   Var  ut 1   Var Yt 1   Var  ut    Var  ut 
Lavorando backward: Var  Yt   t u . Inoltre 
2
ˆ1 
p
1

Un random walk è un caso particolare del modello AR(1): se


1  1 il processo è non stazionario, se 1  1 il processo è
stazionario

R. Miniaci: Econometria dei mercati finanziari 37


Problemi causati dai trend stocastici:

1. la distribuzione dello stimatore OLS non è normale


2. lo stimatore del coefficiente autoregressivo in AR(1) è
distorto verso le zero (quando dovrebbe invece essere 1)
3. le statistiche t sui regressori con radice unitaria non
hanno distribuzione asintotica normale
4. se due serie hanno entrambe una radice unitaria è molto
probabile che sembreranno correlate anche se
indipendenti: regressione spuria

R. Miniaci: Econometria dei mercati finanziari 38


16 600000
GDP_JP (destra)
Inf (sinistra)

14

500000

12

10 400000

300000

4 200000

100000

-2 0
1965 1970 1975 1980 1985 1990 1995 2000 2005

R. Miniaci: Econometria dei mercati finanziari 39


Come facciamo a verificare se ci sono radici unitarie?

1. Informalmente: guardare ai coefficienti del AR (però se


siamo prossimi alla radice unitaria …)
2. test di Dickey-Fuller per AR(1):
il sistema d’ipotesi è
H 0 : 1  1 H1 : 1  1 in Yt   0  1Yt 1  ut
Definiamo   1  1 e riscriviamo il sistema come
H 0 :   0 H1 :   0 in Yt   0   Yt 1  ut
La statistica t (omoschedastica) per la verifica di =0 è la
statistica Dickey Fuller

R. Miniaci: Econometria dei mercati finanziari 40


3. test di Dickey-Fuller per AR(p) (Augmented DF). La
regressione ausiliaria diventa
Yt   0   Yt 1   1Yt 1   2 Yt  2     p Yt  p  ut
4. ADF con alternativa di stazionarietà attorno ad un trend
lineare: la regressione ausiliaria diventa
Yt   0   t   Yt 1   1Yt 1   2 Yt 2     p Yt  p  ut

NB: con l’ADF si usa la statistica t, ma i valori critici non


sono quelli della normale e vanno calcolati ad hoc

Rimedi?

R. Miniaci: Econometria dei mercati finanziari 41


OLS, usando le osservazioni 1962:1-2004:4 (T = 172)
Variabile dipendente: GDP_JP

Errori standard HAC, larghezza di banda 4 (Kernel di Bartlett)

Coefficiente Errore Std. rapporto t p-value


const 3392,21 591,467 5,7353 <0,00001 ***
GDP_JP_1 0,997964 0,0022627 441,0492 <0,00001 ***

Media var. dipendente 286364,9 SQM var. dipendente 182658,1


Somma quadr. residui 2,02e+09 E.S. della regressione 3444,619
R-quadro 0,999646 R-quadro corretto 0,999644
F(1, 170) 194524,4 P-value(F) 6,0e-262
Log-verosimiglianza -1643,917 Criterio di Akaike 3291,835
Criterio di Schwarz 3298,130 Hannan-Quinn 3294,389
Rho 0,335201 Valore h di Durbin 4,385241

R. Miniaci: Econometria dei mercati finanziari 42


Test Dickey-Fuller per GDP_JP
Ampiezza campionaria 172
Ipotesi nulla di radice unitaria: a = 1

Test con costante


Modello: (1-L)y = b0 + (a-1)*y(-1) + e
Coefficiente di autocorrelazione del prim'ordine per e: 0,335
Valore stimato di (a - 1): -0,00203579
Statistica test: tau_c(1) = -1,41428
p-value 0,5743

Regressione Dickey-Fuller
OLS, usando le osservazioni 1962:1-2004:4 (T = 172)
Variabile dipendente: d_GDP_JP

coefficiente errore std. rapporto t p-value


----------------------------------------------------------------
const 3392,21 485,361 6,989 6,02e-011
GDP_JP_1 -0,00203579 0,00143945 -1,414 0,5743

R. Miniaci: Econometria dei mercati finanziari 43


Test Dickey-Fuller per GDP_JP
Ampiezza campionaria 172
Ipotesi nulla di radice unitaria: a = 1

Con costante e trend


Modello: (1-L)y = b0 + b1*t + (a-1)*y(-1) + e
Coefficiente di autocorrelazione del prim'ordine per e: 0,316
Valore stimato di (a - 1): 0,0101522
Statistica test: tau_ct(1) = 1,31074
p-value 1

Regressione Dickey-Fuller
OLS, usando le osservazioni 1962:1-2004:4 (T = 172)
Variabile dipendente: d_GDP_JP

coefficiente errore std. rapporto t p-value


--------------------------------------------------------------
const 4790,24 997,866 4,800 3,47e-06
GDP_JP_1 0,0101522 0,00774537 1,311 1,0000
time -45,5768 28,4638 -1,601 0,1112

R. Miniaci: Econometria dei mercati finanziari 44


Test Dickey-Fuller aumentato per GDP_JP
inclusi 2 ritardi di (1-L)GDP_JP
Ampiezza campionaria 172
Ipotesi nulla di radice unitaria: a = 1

Test con costante


Modello: (1-L)y = b0 + (a-1)*y(-1) + ... + e
Coefficiente di autocorrelazione del prim'ordine per e: -0,109
differenze ritardate: F(2, 168) = 22,064 [0,0000]
Valore stimato di (a - 1): -0,00131658
Statistica test: tau_c(1) = -1,01774
p-value asintotico 0,7492

Regressione aumentata Dickey-Fuller


OLS, usando le osservazioni 1962:1-2004:4 (T = 172)
Variabile dipendente: d_GDP_JP

coefficiente errore std. rapporto t p-value


----------------------------------------------------------------
const 1624,17 511,022 3,178 0,0018
GDP_JP_1 -0,00131658 0,00129363 -1,018 0,7492
d_GDP_JP_1 0,226913 0,0728426 3,115 0,0022
d_GDP_JP_2 0,326091 0,0729133 4,472 1,42e-05

R. Miniaci: Econometria dei mercati finanziari 45


Test Dickey-Fuller aumentato per GDP_JP
inclusi 2 ritardi di (1-L)GDP_JP
Ipotesi nulla di radice unitaria: a = 1

Con costante e trend


Modello: (1-L)y = b0 + b1*t + (a-1)*y(-1) + ... + e
Coefficiente di autocorrelazione del prim'ordine per e: -0,108
differenze ritardate: F(2, 167) = 20,361 [0,0000]
Valore stimato di (a - 1): -0,000761855
Statistica test: tau_ct(1) = -0,105904
p-value asintotico 0,9948

Regressione aumentata Dickey-Fuller


OLS, usando le osservazioni 1962:1-2004:4 (T = 172)
Variabile dipendente: d_GDP_JP

coefficiente errore std. rapporto t p-value


---------------------------------------------------------------
const 1693,70 1024,34 1,653 0,1001
GDP_JP_1 -0,000761855 0,00719385 -0,1059 0,9948
d_GDP_JP_1 0,226077 0,0738333 3,062 0,0026
d_GDP_JP_2 0,325169 0,0740697 4,390 2,00e-05
time -2,08309 26,5712 -0,07840 0,9376

R. Miniaci: Econometria dei mercati finanziari 46


Le rotture strutturali

Cosa sono? Che problemi generano?

Come verificarne la presenza?


1. La data di rottura è nota: Chow's Breakpoint Test:
Yt   0  1Yt 1  1 X t 1   1 Dt   2  Dt  Yt 1    3  Dt  X t 1   ut
1 se t  
Dt  
0 se t  

Se non c’è break, allora tutti i i=0  test F

R. Miniaci: Econometria dei mercati finanziari 47


Sotto l’assunzione di omoschedasticità lo stesso test si può
fare seguendo un processo a più stadi:
a. regressione su tutto il periodo (T)
b. sui sottoperiodi (T1 e T2) e confronto dei residui:

 
uˆT uˆT  uˆT uˆT  uˆT uˆT  / k
F
1 1 2 2 

 
uˆT1 uˆT1  uˆT2 uˆT2 / T  2k 

Se i.i.N: distribuzione F, altrimenti 2 (m-1)k dove m è il


numero di sottoperiodi

R. Miniaci: Econometria dei mercati finanziari 48


2. La data di rottura è ignota: supponete di sapere che la
data di rottura è compresa nell’intervallo  0    1 , allora
ripetete il test di Chow per i periodi compresi
nell’intervallo e prendete la più grande delle statistiche F
che ottenete.

La sua distribuzione asintotica non è standard, dipende


dal numero di vincoli, ma anche da  0 / T ,1 / T , che deve
essere attorno a 15%,85%.

Se c’è una rottura, la F più grande lo segnalerà ed


individuerà anche il punto di rottura

R. Miniaci: Econometria dei mercati finanziari 49


Gli effetti causali dinamici

Qual è l’effetto di una gelata in Florida sull’andamento


dei prezzi del succo d’arancia nel corso del tempo?

 Modello a ritardi distribuiti (DL)


 OLS ed esogeneità
 ADL e GLS

R. Miniaci: Econometria dei mercati finanziari 50


Producer Price for Frozen OJ Variazione % PPIOJ
180 60

160 50

140 40
30
120
20
100
10
80
0
60 -10
40 -20
20 -30
1948 1961 1974 1987 2000 1948 1961 1974 1987 2000

Freezing Degree Days


40

35

30

25

20

15

10

0
1948 1961 1974 1987 2000

R. Miniaci: Econometria dei mercati finanziari 51


Regressione statica: nessun effetto residuo nei mesi successivi
Statico: OLS, usando le osservazioni 1950:01-2000:12 (T = 612)
Variabile dipendente: DeltaPricePer
Errori standard HAC, larghezza di banda 6 (Kernel di Bartlett)

coefficiente errore std. rapporto t p-value


------------------------------------------------------------
const -0,0519565 0,215801 -0,2408 0,8098
FDD 0,543708 0,164704 3,301 0,0010 ***

Media var. dipendente 0,282086 SQM var. dipendente 5,231960


Somma quadr. residui 14727,66 E.S. della regressione 4,913624
R-quadro 0,119430 R-quadro corretto 0,117987
F(1, 610) 10,89743 P-value(F) 0,001019
Log-verosimiglianza -1841,700 Criterio di Akaike 3687,400
Criterio di Schwarz 3696,233 Hannan-Quinn 3690,836
rho 0,099843 Durbin-Watson 1,791657
Note: SQM = scarto quadratico medio; E.S. = errore standard

R. Miniaci: Econometria dei mercati finanziari 52


Modello a ritardi distribuiti
DL6: OLS, usando le osservazioni 1950:01-2000:12 (T = 612)
Variabile dipendente: DeltaPricePer
Errori standard HAC, larghezza di banda 6 (Kernel di Bartlett)

coefficiente errore std. rapporto t p-value


------------------------------------------------------------
const -0,283618 0,230778 -1,229 0,2196
FDD 0,546017 0,166628 3,277 0,0011 ***
FDD_1 0,141729 0,0909785 1,558 0,1198
FDD_2 0,0554590 0,0574090 0,9660 0,3344
FDD_3 0,0672280 0,0457824 1,468 0,1425
FDD_4 0,0301287 0,0294052 1,025 0,3060
FDD_5 0,0439129 0,0298233 1,472 0,1414
FDD_6 0,0362994 0,0465295 0,7801 0,4356

Media var. dipendente 0,282086 SQM var. dipendente 5,231960


Somma quadr. residui 14517,36 E.S. della regressione 4,902587
R-quadro 0,132005 R-quadro corretto 0,121945
F(7, 604) 3,047962 P-value(F) 0,003691
Log-verosimiglianza -1837,299 Criterio di Akaike 3690,598
Criterio di Schwarz 3725,932 Hannan-Quinn 3704,340
rho 0,093302 Durbin-Watson 1,804263

R. Miniaci: Econometria dei mercati finanziari 53


Yt   0  1 X t   2 X t 1     r 1 X t  r  u t

Effetto causale dinamico: effetto di un cambiamento di Xt su


Yt, Yt+1, Yt+2, …, quindi la sequenza 1 ,  2 , ,  r 1
 Se le serie sono congiuntamente stazionarie, l’effetto
causale dinamico non dovrebbe variare all’interno del
campione
 Affinché si possa parlare di effetti causali è necessario che
le variabili esplicative siano incorrelate con l’errore, cioè
le X devono essere esogene:
1. Esogeneità (del passato e del presente):
E ut | X t , X t 1 , X t  2 ,  0
2. Esogeneità in senso stretto (del passato, presente e
futuro)
E ut |  , X t  2 , X t 1 , X t , X t 1 , X t  2 ,  0
R. Miniaci: Econometria dei mercati finanziari 54
NB 1: si va oltre alle assunzioni OLS che richiedono “solo”
l’incorrelazione con in ritardi inclusi nella regressione.
NB 2: se c’è esogeneità stretta ci sono stimatori più efficienti
degli OLS per i DL per gli effetti causali dinamici
NB 3: esogeneità in senso stretto implica esogenità, ma non
viceversa

FDD è esogena o strettamente esogena rispetto a


%ChgPPIOJ?

R. Miniaci: Econometria dei mercati finanziari 55


Regressioni temporali a ritardi distribuiti:
Yt   0  1 X t   2 X t 1     r 1 X t  r  ut
Dove
1. E ut | X t , X t 1 , X t 2 ,  0
2. Yt , X t  hanno distribuzione stazionaria e Yt , X t  e
Yt  j , X t  j  diventano indipendenti al crescere di j.
3. Yt , X t  hanno otto momenti finiti e diversi da 0
4. non c’è perfetta collinearità

Gli errori possono essere autocorrelati (perché i fattori


omessi lo sono): dobbiamo “aggiustare” la stima della
matrice di covarianza  stimatore HAC di Newey & West

R. Miniaci: Econometria dei mercati finanziari 56


Moltiplicatore dinamico di h periodi: effetto di una
variazione unitaria di X su Y dopo h periodi:  h1

Moltiplicatore d’impatto: il moltiplicatore dopo zero


periodi: 1

Moltiplicatori dinamici cumulati: è l’effetto cumulato


della variazione unitaria in X su Y negli h periodi
successivi: 1  2     h1 .

Quando si considerano tutti i ritardi si parla di


moltiplicatore dinamico cumulato di lungo periodo.

R. Miniaci: Econometria dei mercati finanziari 57


DL6: OLS, usando le osservazioni 1950:01-2000:12 (T = 612)

Variabile dipendente: DeltaPricePer


Errori standard HAC, larghezza di banda 6 (Kernel di Bartlett)

coefficiente errore std. rapporto t p-value


------------------------------------------------------------
const -0,283618 0,230778 -1,229 0,2196
FDD 0,546017 0,166628 3,277 0,0011 ***
FDD_1 0,141729 0,0909785 1,558 0,1198
FDD_2 0,0554590 0,0574090 0,9660 0,3344
FDD_3 0,0672280 0,0457824 1,468 0,1425
FDD_4 0,0301287 0,0294052 1,025 0,3060
FDD_5 0,0439129 0,0298233 1,472 0,1414
FDD_6 0,0362994 0,0465295 0,7801 0,4356

Effetto d’impatto: la gelata del mese corrente fa aumentare i prezzi


del 0,54%

Moltiplicatore dinamico cumulato su 3 periodi: la gelata di 3 mesi fa


aumentare i prezzi di (0,54+0,14+0,05+0,07)%=0,8%

Variabili: FDD FDD_1 FDD_2 FDD_3


Somma dei coefficienti = 0,810433
Errore Standard = 0,202503
t(604) = 4,00208 con p-value = 7,05923e-005

R. Miniaci: Econometria dei mercati finanziari 58


Rappresentazioni equivalenti

Yt   0  1 X t   2 X t 1     r 1 X t  r  ut

Yt   0  1X t   2 X t 1     r X t  r 1   r 1 X t  r  ut
 0   0 , 1  1 ,  2   1   2  ,  3   1   2   3  , 
DLS6m:OLS, usando le osservazioni 1950:06-2000:12 (T = 607)
Variabile dipendente: DeltaPricePer
Errori standard HAC, larghezza di banda 6 (Kernel di Bartlett)
Coefficiente Errore Std. rapporto t p-value
const -0,328274 0,228445 -1,4370 0,15124
dFDD 0,548233 0,166606 3,2906 0,00106 ***
dFDD_1 0,69205 0,16008 4,3232 0,00002 ***
dFDD_2 0,749536 0,186785 4,0128 0,00007 ***
dFDD_3 0,818797 0,202388 4,0457 0,00006 ***
dFDD_4 0,850953 0,206986 4,1112 0,00004 ***
dFDD_5 0,896953 0,213569 4,1998 0,00003 ***
FDD_6 0,935468 0,225596 4,1467 0,00004 ***

R. Miniaci: Econometria dei mercati finanziari 59


Distribuzione stimatore OLS con errori auto correlati

Consideriamo il modello statico


Yt   0  1 X t  ut

Sappiamo già che


1 T
T
  X t  X  ut
ˆ1  1  t T1
1
  Xt  X 
2

T t 1
Sotto le ipotesi standard per la validità del modello
T
1
  X e   X  X  
2
X p   , quindi per grandi campioni
t
p 2
X
T t 1

R. Miniaci: Econometria dei mercati finanziari 60


1 T 1 T

T t 1
 X t   X  ut 
T t 1
vt
v
ˆ1  1    vt   X t   X  ut
 2
X  2
X  2
X

Allora
 
Var ˆ1  Var  v  /  X2 
2

 Se vt  iid  Var  v   Var  vt  / T e abbiamo gli stessi


risultati ottenuti per dati sezionali
 Se vt è serialmente correlato:

Var  v   Var  v1    vT  / T 2
  12     T2    1,2     1,T    2,1     2,T    / T 2

 T  t2  2 T  1  t ,t 1  2 T  2   t ,t 2    2 t ,t T 1  / T 2

R. Miniaci: Econometria dei mercati finanziari 61


Var  v   T  t2  2 T  1  t ,t 1  2 T  2   t ,t  2    2 t ,t T 1  / T 2
 v2 T 1
T  j
 fT fT  1  2  j  j  corr  vt , vt  j 
T j 1  T 

Quindi
Var  v  1  v2
 
Var ˆ1   fT
  T  2 
2 2 2
X X

cioè la varianza in assenza di autocorrelazione moltiplicata


per fT.

R. Miniaci: Econometria dei mercati finanziari 62


Gli errori standard HAC
Var  v  1  v2
 
Var ˆ1   f
  T  
2 2 2 2 T
X X


 
Var ˆ1   2ˆ  ˆ 2ˆ fˆT
1 1

T 1
T  j 
Problema: stimare fT  1  2  j
j 1  T 
 Rimpiazzare i  j con ˆ j per tutti i ritardi possibili:
troppi
ˆf  1  2  m  j  ˆ
m 1

 Usare T 
con m=0.75T1/3  HAC di

j 1 
 j
m 
Newey & West
 Altri troncamenti ed altri pesi

R. Miniaci: Econometria dei mercati finanziari 63


Stima degli effetti causali dinamici con regressori
strettamente esogeni

1. stima di un ADL, e calcolo degli effetti: più efficiente


del DL, perché può avere meno parametri

2. utilizzo dei GLS per il modello DL: più efficiente degli


OLS perché sfrutta anche l’informazione
sull’autocovarianza

R. Miniaci: Econometria dei mercati finanziari 64


Un modello DL con errori AR(1)
Yt   0  1 X t   2 X t 1  ut
ut  1ut 1  ut
corr  ut , ut  j   0
Ricordate: le stime OLS della matrice di covarianza sono
“sbagliate”, bisogna ricorrere ad una stima HAC
L’equazione di regressione può essere riscritta come un ADL
(vincolato) con errori incorrelati:

Yt  1Yt 1    0  1 X t   2 X t 1  ut   1   0  1 X t 1   2 X t  2  ut 1 
Yt   0  1Yt 1   0 X t  1 X t 1   2 X t  2  ut
 0 11  1  2 11 1 2

R. Miniaci: Econometria dei mercati finanziari 65


Oppure come un DL nelle quasi differenze:
Yt  Yt  1Yt 1 , X t  X t  1 X t 1
Y     X   X  u
t 0 1 t 2 t 1 t

L’ADL vincolato e il DL nelle quasi differenze sono


equivalenti. Qual è l’assunzione sulla media condizionata
necessaria per avere stime OLS consistenti?

E ut | X t , X t 1 ,  0  E ut | X t , X t 1 ,  0


E ut | X t , X t 1 ,  0  E ut  1ut 1 | X t , X t 1 ,  0
E ut  1ut 1 | X t , X t 1 ,  0  E ut 1 | X t , X t 1 ,  0
Si richiede quindi stretta esogeneità

R. Miniaci: Econometria dei mercati finanziari 66


Stima OLS dell’ADL:

 se la specificazione è corretta, a questo punto non è


necessario usare la matrice HAC
 le stime dei parametri dell’ADL non sono le stime dei
moltiplicatori dinamici, ma questi possono essere
ottenuti per sostituzioni ripetute (provate)

La stima GLS del modello nelle quasi differenze:

Infeasible GLS: assumiamo di conoscere 1 e che


l’assunzione di stretta esogeneità sia valida. Allora tutto può
essere fatto con OLS

R. Miniaci: Econometria dei mercati finanziari 67


Feasible GLS: 1 non è noto, abbiamo bisogno di una sua
stima preliminare per poter calcolare le quasi-differenze. È
un processo di stima a più stadi (Cochrane-Orcutt):
1. stima OLS di
Yt   0  1 X t   2 X t 1  ut
2. stima OLS del AR(1)
uˆt  1uˆt 1  vt
3. stima OLS del DL nelle quasi differenze stimate:
Yˆ  Y  ˆ Y , Xˆ  X  ˆ X
t t 1 t 1 t t 1 t 1

Yt   0  1 X t   2 X t 1  vt

ˆ 
ˆ ˆ
4. con queste stime si ottiene una nuova stima degli errori
e si riparte da 2. …

R. Miniaci: Econometria dei mercati finanziari 68


Generalizzazione:
Yt   0  1 X t   2 X t 1     r 1 X t  r  ut
ut  1ut 1  2ut 2     p ut  p  ut
corr  ut , ut  j   0
Per la consistenza di OLS e GLS è necessario
E ut | X t  p , X t  p 1 , , X t , X t 1 ,  0

Le stime dei moltiplicatori si possono ottenere a partire


dall’ADL
Yt   0  1Yt 1   pYt  p   0 X t  1 X t 1     q X t  q  ut
q  pr

R. Miniaci: Econometria dei mercati finanziari 69


Riprendendo il modello di regressione multipla, per
arrivare ai GLS

Yi = 0 + 1X1i + 2X2i + … + kXki + ui, i = 1,…,n


è riscrivibile in maniera compatta come:
Y  X  u
n1 n k 1  k 11 n1

dove
 Y1  1 X 11  X k1   0   u1 
Y     , X      ,      u    
Yn  1 X 1n  X kn    k  un 
e
X i  1, X 1i ,, X ki  Yi  X i  ui
R. Miniaci: Econometria dei mercati finanziari 70
Teorema di Gauss – Markov

Se
(i) E u | X   0
(ii) E  uu  | X    2
u In , e

(iii) X è a rango pieno,

allora    X X  X Y è BLUE (Best Linear Unbiased Estimator)


1
ˆ 

La richiesta E uu | X    u I n non è soddisfatta nel caso in cui gli


2

errori siano tra loro correlati, tipicamente il caso quando


abbiamo autocorrelazione.

R. Miniaci: Econometria dei mercati finanziari 71


Ipotesi del GLS

1. E u | X   0
2. E uu | X     X 
a. Gli errori sono indipendenti, ma eteroschedastici:
  X   diag    h  X i  
b. Gli errori sono omoschedastici, ma correlati. Per
esempio, se c’è solo autocorrelazione di ordine 1:
 u2 se i j

  X   ij    1 se i  j 1
0 se i  j 1

3. X e u soddisfano “le opportune” condizioni sui
momenti (che dipendono anche dal fatto, per esempio, che 1 sia noto o no)
4. X è a rango colonna pieno
R. Miniaci: Econometria dei mercati finanziari 72
Supponiamo che (X)= sia nota.

 Sia F la “radice quadrata” di -1, cioè tale per cui FF=-1.


Una proprietà di F è che FF=In.
 Pre-moltiplichiamo il modello per F:
FY  FX   Fu  Y  X   u
Si noti che
1. E u | X   E  Fu | X   FE u | X   0
  | X   E  Fu  Fu  | X   E  Fuu F | X 
E uu
 
2.  FE uu | X  F   F F   I n
Quindi il modello trasformato rispetta le condizioni di
Gauss – Markov, possiamo applicare OLS al modello
trasformato:

R. Miniaci: Econometria dei mercati finanziari 73


1


 X X  X Y    FX   FX    FX   FY 
1
ˆ GLS

 
  X F FX  X F FY   X X  X Y
1 1

Se le condizioni sono soddisfatte, lo stimatore GLS è BLUE

NB:
1. Devo conoscere la forma corretta di 
2. E(u|X)=0, poiché u e X contengono tutte le osservazioni
(in serie storiche, i tempi t) richiede stretta esogeneità.
3. Devo stimare :
 
1
ˆ FeasibleGLS  X 
ˆX ˆY
X 

R. Miniaci: Econometria dei mercati finanziari 74


Riprendendo il succo d’arancia:
DL6: OLS, usando le osservazioni 1950:01-2000:12 (T = 612)
Variabile dipendente: DeltaPricePer
Errori standard HAC, larghezza di banda 6 (Kernel di Bartlett)

coefficiente errore std. rapporto t p-value


------------------------------------------------------------
const -0,283618 0,230778 -1,229 0,2196
FDD 0,546017 0,166628 3,277 0,0011 ***
FDD_1 0,141729 0,0909785 1,558 0,1198
FDD_2 0,0554590 0,0574090 0,9660 0,3344
FDD_3 0,0672280 0,0457824 1,468 0,1425
FDD_4 0,0301287 0,0294052 1,025 0,3060
FDD_5 0,0439129 0,0298233 1,472 0,1414
FDD_6 0,0362994 0,0465295 0,7801 0,4356

Media var. dipendente 0,282086 SQM var. dipendente 5,231960


Somma quadr. residui 14517,36 E.S. della regressione 4,902587
R-quadro 0,132005 R-quadro corretto 0,121945
F(7, 604) 3,047962 P-value(F) 0,003691
Log-verosimiglianza -1837,299 Criterio di Akaike 3690,598
Criterio di Schwarz 3725,932 Hannan-Quinn 3704,340
rho 0,093302 Durbin-Watson 1,804263

R. Miniaci: Econometria dei mercati finanziari 75


ACF dei residui

+- 1,96/T^0,5
0,1

0,05

-0,05

-0,1

0 5 10 15 20 25
Ritardo

PACF dei residui

+- 1,96/T^0,5
0,1

0,05

-0,05

-0,1

0 5 10 15 20 25
Ritardo

R. Miniaci: Econometria dei mercati finanziari 76


DL6corc:
CORC - Cochrane-Orcutt, usando le osservazioni 1950:02-2000:12 (T = 611)
Variabile dipendente: DeltaPricePer

coefficiente errore std. rapporto t p-value


--------------------------------------------------------------
const -0,306992 0,242083 -1,268 0,2052
FDD 0,544775 0,0593046 9,186 6,49e-019 ***
FDD_1 0,142737 0,0594116 2,403 0,0166 **
FDD_2 0,0565770 0,0593791 0,9528 0,3411
FDD_3 0,0682881 0,0593799 1,150 0,2506
FDD_4 0,0312151 0,0593791 0,5257 0,5993
FDD_5 0,0449658 0,0594116 0,7569 0,4494
FDD_6 0,0363279 0,0593046 0,6126 0,5404

Statistiche basate sui dati rho-differenziati:

Media var. dipendente 0,264177 SQM var. dipendente 5,217439


Somma quadr. residui 14258,28 E.S. della regressione 4,862671
R-quadro 0,141338 R-quadro corretto 0,131370
F(7, 603) 12,68726 P-value(F) 3,08e-15
rho -0,018533 Durbin-Watson 2,012461
Note: SQM = scarto quadratico medio; E.S. = errore standard

R. Miniaci: Econometria dei mercati finanziari 77


ACF dei residui

+- 1,96/T^0,5
0,1

0,05

-0,05

-0,1

0 5 10 15 20 25
Ritardo

PACF dei residui

+- 1,96/T^0,5
0,1

0,05

-0,05

-0,1

0 5 10 15 20 25
Ritardo

R. Miniaci: Econometria dei mercati finanziari 78


R. Miniaci: Econometria dei mercati finanziari 79
R. Miniaci: Econometria dei mercati finanziari 80
Autoregressioni vettoriale (VAR)

Yt  10  11Y t 1    1 pY t  p   11 X t 1     1 p X t  p  u1t


X t   20   21Y t 1     2 pY t  p   21 X t 1     2 p X t  p  u2t

Ipotesi: stesse dell’ADL, applicate equazione per equazione


Stima: come ADL, equazione per equazione

NB: l’insieme delle equazioni formano un sistema Seemingly


Unrelated Regression Equations (SURE)
 u11   u21 
     i2 IT se i  j
u1     , u2     , E ui u j | Yt 1 , , X t 1 ,  
  ij IT se i  j
u  u  
 1T   2T 

R. Miniaci: Econometria dei mercati finanziari 81


Inferenza nel VAR: nulla di nuovo, con in più la possibilità di
verificare ipotesi su vincoli che coinvolgono parametri di più
equazioni (esempio: H 0 : 1 p   1 p   2 p   2 p  0 )

Determinazione dell’ordine del VAR


 Necessità di specificazioni parsimoniose
 Uso di test F (vedi esempio sopra)
 Generalizzazione dei criteri di informazione:
SSR  p  ln T
BIC  p   ln   p  1
T T
 uˆ1t 
 
T
ˆ  k  kp  1 ln T
BIC  p   ln det  ˆ  1  uˆ uˆ  uˆ    

T T t 1
t t t  
 uˆ 
 kt 
R. Miniaci: Econometria dei mercati finanziari 82
VAR strutturali: utilizzo di restrizioni “esterne”

Previsioni multiperiodali iterate con VAR:


Ricordate con AR(1):
Yˆt|t 1  ˆ0  ˆ1Y t 1  Yˆt 1|t 1  ˆ0  ˆ1Yˆ t |t 1  Yˆt  2|t 1  ˆ0  ˆ1Yˆ t 1|t 1

Con un VAR(1) diventa


 Yˆt |t 1  ˆ10  ˆ11Yt 1  ˆ11 X t 1  Yˆt 1|t 1  ˆ10  ˆ11Yˆt |t 1  ˆ11 Xˆ t |t 1
ˆ 
 X t |t 1  ˆ20  ˆ21Yt 1  ˆ21 X t 1  Xˆ t 1|t 1  ˆ20  ˆ21Yˆt|t 1  ˆ21 Xˆ t |t 1
 Yˆt  2|t 1  ˆ10  ˆ11Yˆt 1|t 1  ˆ11 Xˆ t 1|t 1

ˆ
X
 t  2|t 1  ˆ  ˆ Yˆ  ˆ Xˆ
20 21 t 1|t 1 21 t 1|t 1

R. Miniaci: Econometria dei mercati finanziari 83


Ancora sui modelli dinamici:
operatore ritardo, VAR e impulse response functions

LYt  Yt 1 , L2 yt  Yt  2 ,  LjYt  Yt  j

Polinomio nei ritardi:


a  L   a0  a1 L  a2 L2    a p Lp   j 0 a p Lp
p

a  L  Yt   p

 j 0 a p Lp Yt   j 0 a p  LpYt   a0  a1Yt 1  a2Yt 2    a pYt  p
p

Quindi, un AR(1) può essere riscritto come:


Yt   0  1Yt 1  ut  a  L  Yt   0  ut , a0  1, a1   1

R. Miniaci: Econometria dei mercati finanziari 84


Più in generale potremo scrivere un modello AR(p) come:
a  L  Yt   0  ut , a0  1, a j    j

un ADL(p,q) come (con c(L) di grado q-1):


a  L  Yt   0  c  L  X t 1  ut

e un ARMA(p,q) come (con b(L) di grado q, b0=1 e et


serialmente incorrelato):
a  L  Yt   0  b  L  et ut  b  L  et

R. Miniaci: Econometria dei mercati finanziari 85


Un DL con termine d’errore autocorrelato AR(p) può essere
scritto come
Yt   0    L  X t  ut   L  ut  ut , 0  1

Per passare da questo DL al corrispondente ADL:


  L  Yt    L    0    L  X t  ut    0    L  X t  ut ,
 0  0  j 0  j   0 1 ,   L     L    L 
p

Il modello alle quasi differenze si ottiene osservando che


  L  Yt  Yt ,   L    L  X t    L    L  X t    L  X t
e quindi l’espressione precedente si può riscrivere come
Yt   0    L  X t  ut ,

R. Miniaci: Econometria dei mercati finanziari 86


Un processo AR è stazionario se tutte le radici dell’equazione
caratteristica
a  L  0
sono in modulo maggiori di 1. In questo caso il processo è
scrivibile in una forma MA equivalente (Teorema di Wold)

Estendiamo queste scritture al caso del VAR:

R. Miniaci: Econometria dei mercati finanziari 87


 Y1t  a10  a11Y 1t 1  a12Y 2t 1  u1t

Y2t  a20  a21Y 1t 1  a22Y 2t 1  u2t

 Y1t   a10   a11 a12   Y1t 1   u1t 


      
 Y2t   a20   a21 a22   Y2t 1   u2t 

Yt  a0  A Yt 1  ut
21 21 2 2 21 21

R. Miniaci: Econometria dei mercati finanziari 88


 Y1t  a10  a11
1
Y 1t 1  a12
1
Y 2t 1  a112 Y 1t  2  a122 Y 2t  2  u1t

Y
 2t  a20  a1
Y
21 1t 1  a1
Y
22 2 t 1  a 2
Y
21 1t  2  a 22Y 2 t  2  u 2 t
2

 Y1t   a10   a11


1 1
a12   Y1t 1   a112 a122   Y1t  2   u1t 
     1 1   2 2   
 Y2t   a20   a21 a22   Y2t 1   a21 a22   Y2t  2   u2t 

Yt  a0  A1 Yt 1  A2 Yt  2  ut
21 21 2 2 21 22 21 21

e in generale possiamo avere un VAR(p) con m variabili:


Yt  a0  A1 Yt 1  A2 Yt  2    Ap Yt  p  ut
m1 m1 mm m1 mm m1 mm m1 m1

R. Miniaci: Econometria dei mercati finanziari 89


Usando l’operatore ritardo possiamo riscrivere i tre casi:
Yt  a0  A Yt 1  ut  Yt  AYt 1  a0  ut
21 21 2 2 21 21

A  L  Yt  a0  ut , A  L   I 2  AL

Yt  a0  A1 Yt 1  A2 Yt  2  ut
21 21 22 21 2 2 21 21

A  L  Yt  a0  ut , A  L   I 2  A1 L  A2 L2

Yt  a0  A1 Yt 1  A2 Yt  2    Ap Yt  p  ut
m1 m1 mm m1 mm m1 mm m1 m1

A  L  Yt  a0  ut , A  L   I m  A1 L    Ap Lp

R. Miniaci: Econometria dei mercati finanziari 90


Se il modello è correttamente specificato
   m se i  j
E  ui uj | Yt 1 ,  
m

 m1 1m   m0m se i  j

Inoltre, il VAR(p) sarà stazionario solo se la sua equazione


caratteristica
A L  0
ammette soluzioni in L al di fuori della circonferenza unitaria.

Se il VAR(p) è stazionario, allora ammette una


rappresentazione VMA:
1
A  L  Yt  ut  Yt  B  L  ut , B  L    A  L  

R. Miniaci: Econometria dei mercati finanziari 91


Consideriamo un AR(1) univariato, senza intercetta:

yt  a1 yt 1  ut
1  a1L  yt  ut a  L   1  a1 L
1 1 1
yt  ut b  L    a  L   
1  a1 L 1  a1L

Si noti che il processo è invertibile e stazionario se 1  a1 L  0


ha soluzione fuori dal cerchio unitario, cioè se |a1|<1

R. Miniaci: Econometria dei mercati finanziari 92


Consideriamo un VAR(1) bivariato:
Yt  A Yt 1  ut
21 22 21 21

A  L  Yt  ut , A  L   I 2  AL
Yt   I 2  AL  ut  B  L  ut
1

22 21

con
1
B  L   I 2  B1 L  B2 L     A  L 
2

È possibile determinare i valori delle matrici Bj

R. Miniaci: Econometria dei mercati finanziari 93


1
B  L   I 2  B1 L  B2 L     A  L  
2

Per definizione quindi:

B  L A  L  I2
 2 1 2    I 2  A1L   I 2
I  B L  B L2

I 2  A1 L  B1 L   B1 L  A1 L   B2 L2   B2 L2  A1 L    I 2
I 2  A1 L  B1 L   B1 A1 L2   B2 L2   B2 A1 L3     I 2
  
0 0 0
da cui
B1  A1 , B2  A12 , ..., B j  A1j , lim j  B j   0

R. Miniaci: Econometria dei mercati finanziari 94


Funzioni di risposta all’impulso
(IRF, impulse response functions)

Yl ,t  h Yl ,t  h
b h
lk lim h 0
ukt ukt

È l’effetto h periodi in avanti su Yl di uno shock non previsto


nella variabile k-sima, ed è misurato dall’elemento lk della
matrice Bh. In un VAR stazionario questo effetto tende a zero
all’allontanarsi dal momento in cui avviene lo shock.

Notate che la IRF è calcolata tenendo gli altri shock a zero,


ma Ω non è diagonale!

R. Miniaci: Econometria dei mercati finanziari 95


Si ricorre quindi alla rappresentazione VMA ortogonalizzata:
Si consideri la “radice quadrata” C di Ω, e un vettore di white
noise a varianza unitaria:
CC   , et  VWN  0, I m  Cet  ut

allora
Yt  B  L  ut  B  L  Cet  C  L  et
C  L   I m  C1L  C2 L2   Ci  Bi C
e avremo la IRF ortogonalizzata
Yl ,t  h
 clkh  clkh   Ch  BhC
e kt

R. Miniaci: Econometria dei mercati finanziari 96


Finora alla rappresentazione VMA non abbiamo dato alcuna
interpretazione strutturale, cioè nessuna interpretazione sui
meccanismi economici di diffusione degli shock.

Una possibile strategia è di scegliere un ordinamento delle


variabili, e quindi usare l’ortogonalizzazione C=P dove P è il
fattore di Cholesky, quindi avremo la matrice degli effetti
immediati di forma triangolare:

 p11 0  0 
p p22  0 
C0  B0C  I m P   21
    
 
 pm1   pmm 
R. Miniaci: Econometria dei mercati finanziari 97
Attenzione! L’ordinamento è cruciale e contiene
informazione economica:

  11 0 
  ln PILt   11  12   
Yt   , A  L  Yt  ut ,     , C0     12 
2

  ln M 2t   12  22   22 
12
 
  11  11 

  22 0 
  ln M 2t   22  12   
Yt  
*
, A  L  Yt  u ,   
* * * *
 , C0   
*
 122 
 12  11 
t
  ln PILt   11 
12
 
  22  22 

Esistono m! possibili ordinamenti, e quindi possibili


interpretazione della diffusione degli shock
R. Miniaci: Econometria dei mercati finanziari 98
Cointegrazione ed ECM

R. Miniaci: Econometria dei mercati finanziari 99


Relazione spuria: possiamo incontrarla osservarla nella
regressione quando di due processi I(1) tra di loro
indipendenti

Cointegrazione: le due serie hanno in comune un trend


stocastico

Si supponga che Xt e Yt siano I(1). Se, per qualche


coefficiente , Xt e Yt - Xt è I(0), allora Xt e Yt sono dette
cointegrate, e  è detto coefficiente di cointegrazione.
Se Xt e Yt sono cointegrate, allora hanno un trend stocastico
comune, che è eliminato dal calcolo della differenza Yt - Xt.

R. Miniaci: Econometria dei mercati finanziari 100


Finora, in presenza di radice unitaria siamo passati da Yt a
Yt. Se le serie sono cointegrate si può lavorare con la
differenza Yt - Xt.

E questo ha spesso un’interpretazione economica …

R. Miniaci: Econometria dei mercati finanziari 101


Consideriamo l’ADL
yt   0  1 yt 1   0 xt  1 xt 1  ut

In equilibrio di lungo periodo:


 yt  y*
Steady state   , t
 xt  x
*

0   1 *
y *   0  1 y*   0 x*  1 x*  y*   0 x
1  1 1  1
 


0* 1*

Riscrivendo l’ADL abbiamo un Error Correction Model (ECM):


yt  yt 1   0  1  1 yt 1   0  xt  xt 1     0  1  xt 1  ut
 0  0  1 
 1  1   yt 1  xt 1    0  xt  xt 1   ut
 1  1 1  1 

yt   1  1   yt 1    0*  1* xt 1     0 xt  ut

R. Miniaci: Econometria dei mercati finanziari 102


Più in generale possiamo avere un VECM:

Yt  10  11Yt 1    1 p Yt  p   11X t 1     1 p X t  p


1 Yt 1   X t 1   u1t
X t   20   21Yt 1     2 p Yt  p   21X t 1     2 p X t  p
 2 Yt 1   X t 1   u2t

R. Miniaci: Econometria dei mercati finanziari 103


Come possiamo capire se le serie sono cointegrate?

1. Teoria economica
2. Analisi grafica
3. Test statistici
a. Se  è noto: verificare stazionarietà di zt  Yt   X t
usando DF o simili
b. Se  non è noto:
i. Stima di  con OLS
ii. Verifica della stazionarietà dei residui del punto
(i), usando DF con costante (ma senza trend) e
valori critici ad hoc (Engle-Granger ADF)

R. Miniaci: Econometria dei mercati finanziari 104


Stima dei coefficienti di cointegrazione

Yt     X t  ut
Se le serie sono cointegrate, allora la stima OLS di  è
consistente, ma in generale NON ha distribuzione normale, e
l’inferenza risulta erronea.

OLS dinamico (DOLS)

Yt   0   X t   j  p  j X t  j  ut
p

Lo stimatore OLS di  nell’equazione sopra è lo stimatore


DOLS. Se le serie sono cointegrate, è uno stimatore efficiente
e l’inferenza su tutti i parametri si può basare sulla stima
HAC degli standard errors.
R. Miniaci: Econometria dei mercati finanziari 105