manuale_eviews.pdf

MANUALE E-VIEWS
(Cinque esercitazioni commentate)
Alessia Paccagnini 1
Maggio 2008
1) Introduzione a Eviews: creare workfiles, statistiche descrittive e

regressione lineare
2) Test d’ipotesi sui parametri
3) Eteroschedasticità: GLS e test
4) Test di Ramsey, variabili dummy (test di Chow) e previsioni
5) Modelli dinamici, radice unitaria e cointegrazione
1
Ringrazio innanzitutto la Professoressa Barbara Chizzolini per i sui preziosi suggerimenti, nella redazione di queste
note. Ringrazio inoltre per la collaborazione nella preparazione di questi appunti, Paolo Bianchi, Claudia Foroni e
Mario Porqueddu, che sono stati con me esercitatori per il corso di Economia Applicata all’Università Bocconi di
Milano.
PRIMA ESERCITAZIONE
Introduzione
Nella prima parte dell’esercitazione, genereremo ed analizzeremo dei dati simulati, ovvero dei dati
estratti da una variabile aleatoria.
PARTE PRIMA: ESERCIZIO CON DATI SIMULATI
1.1 Creare un workfile

Il primo passo è la creazione del workfile, ovvero del foglio di lavoro che contiene tutte le variabili
che sono oggetto dell’analisi e le regressioni stimate.
Cliccando su NEW/WORKFILE, otteniamo la seguente schermata e nel nostro caso, creiamo un
workfile UNDATED, ovvero senza precisare se i dati sono annuali, mensili, trimestrali.
2
Ecco il nostro workfile. Contiene solamente 2 elementi vuoti: c (che sarà destinata a raccogliere i
coefficienti stimati nell’ultima regressione) e resid (che sarà destinata a raccogliere i residui
dell’ultima regressione). Notate che i 2 oggetti sono contraddistinti da simboli diversi: beta per c,
dato che conterrà dei coefficienti, una linea spezzata per resid, dato che conterrà una serie.
Se volessimo salvare il WORFILE, clicchiamo sul tasto SAVE e salviamo nella nostra cartella di
lavoro dandone un nome. Ricordate: quando lavorate con EViews non dimenticatevi di salvare i
workfile e gli oggetti creati!
Notate l’indicazione di RANGE e di SAMPLE. Il RANGE è l’ampiezza del vostro workfile, è la
capacità massima di lunghezza delle serie che potete creare od importare; invece, SAMPLE, è il
campione selezionato per le vostre analisi. Cliccando sopra queste righe possiamo modificare sia
RANGE che SAMPLE. Provate.
3
N.B: Se volete creare un workfile undated, senza seguire la procedura presentata precedentemente,
potete scrivere nella banda bianca di EViews (cioè dalla Command Window) e poi lanciare invio:
4
ed otterrete lo stesso risultato!
1.2 Generare dei dati simulati
Ora siamo pronti a creare le nostre variabili digitando i comandi direttamente dalla Command
Window.
genr x1=rnd/10 Î creiamo una variabile estraendola da una distribuzione uniforme (rnd)
dividendo il numero ottenuto per 10. Siamo cioè generando 200 numeri nell’intervallo [0, 0.1] da
una distribuzione per cui tutti i numeri nell’intervallo hanno la stessa probabilità di essere estratti.
genr x2=nrnd Î creiamo una variabile estraendola da una distribuzione normale (nrnd): la
nostra serie X2 sarà distribuita come una N(0,1).
genr x3=10*nrnd+2 Î creiamo una variabile estraendola da una distribuzione N(0,1) (nrnd)
moltiplicata per 10 ed aggiungendo 2, ovvero da una N(2,100).
N.B. Il programma utilizza degli algoritmi che creano delle serie pseudo-aleatorie, quindi ogni volta
otterrete delle serie diverse. Ma dato che si tratta di algoritmi se si fissa un punto di partenza, si
possono ottenere sempre gli stessi risultati digitando prima dell’estrazione (per esempio):
rndseed 123456
Ora analizziamo le 3 serie assieme:
5
Proviamo a fare il grafico delle serie:
6
Possiamo copiare il grafico ed incollarlo sul nostro foglio word:
30
20
10
-10
-20
-30
25 50 75 100 125 150 175 200
X1 X2 X3
Possiamo salvare il grafico come oggetto all’interno del nostro workfile usando il tasto FREEZE
e possiamo dare un nome al grafico creato salvandolo nel workfile.
7
Possiamo anche visualizzare le serie in tre grafici separati:
X1
.12
.10
.08
.06
.04
.02
.00
25 50 75 100 125 150 175 200
X2
3
-1
-2
-3
25 50 75 100 125 150 175 200
X3
30
20
10
-10
-20
-30
25 50 75 100 125 150 175 200
8
1.3 Statistiche descrittive
Ora proviamo a svolgere delle statistiche descrittive:
Possiamo salvare l’output delle statistiche con FREEZE e poi copiarle in word.
X1 X2 X3
Mean 0.051261 0.045885 2.715546
Median 0.046849 0.045040 3.959681
Maximum 0.099526 3.394216 23.38242
Minimum 0.000978 -2.972108 -22.50636
Std. Dev. 0.028879 1.045447 9.871434
Skewness 0.034070 0.062960 -0.340268
Kurtosis 1.793384 3.418079 2.662926
Jarque-Bera 12.17138 1.588713 4.806246

Probability 0.002275 0.451872 0.090435
Sum 10.25224 9.176958 543.1092

Sum Sq. Dev. 0.165965 217.4990 19391.60
Observations 200 200 200
Osserviamo media, mediana, massimo e minimo delle serie (per esempio x1 compreso tra 0 e 0.1
con media vicina a 0.05) e la standard deviation (in futuro analizzeremo anche le altre statistiche).
9
Se vogliamo controllare le correlazioni tra le 3 serie:
Copiando la matrice:
1 -0.0829256 0.037741
-0.0829256 1 -0.07571
0.037741 -0.07571 1
Notiamo che la correlazione tra le serie è prossima a 0, dato che si tratta di serie estratte
indipendentemente una dall’altra.
Se vogliamo analizzare SOLO una serie, basta cliccare sopra di essa:
10
Ecco il grafico
.12
.10
.08
.06
.04
.02
.00
25 50 75 100 125 150 175 200
X1
Ecco le statistiche descrittive:
12
Series: X1
Sample 1 200
10
Observations 200
8 Mean 0.051261
Median 0.046849
6 Maximum 0.099526
Minimum 0.000978
Std. Dev. 0.028879
4 Skewness 0.034070
Kurtosis 1.793384
2
Jarque-Bera 12.17138
Probability 0.002275
0
0.000 0.025 0.050 0.075 0.100
Notiamo in questo caso che ci troviamo davanti ad una distribuzione uniforme, mentre se andate e
vedere x2 e x3 avreste la tipica forma “a campana” di una distribuzione gaussiana.
11
1.4 La regressione
Ora creiamo la variabile dipendente per le prime 4 osservazioni (senza errore) e per le altre 196
osservazioni (con errore):
smpl 1 4
genr y=5+6*x1+7*x2+8*x3
smpl 5 200
genr y=5+6*x1+7*x2+8*x3+nrnd
Ora siamo pronti ad eseguire la prima regressione (per le prime quattro osservazioni), scrivendo ls
(least square) variabile dipendente costante e variabili esplicative.
ls y c x1 x2 x3
Dependent Variable: Y
Method: Least Squares
Sample: 1 4
Included observations: 4
Variable Coefficient Std. Error t-Statistic Prob.
C 5.000000 NA NA NA
X1 6.000000 NA NA NA
X2 7.000000 NA NA NA
X3 8.000000 NA NA NA
R-squared 1.000000 Mean dependent var -31.35245

S.D. dependent var 116.9031 Sum squared resid 1.41E-27
Durbin-Watson stat 1.857143
Questa regressione è anomala: non otteniamo le stime per gli standard errors e quindi per la t-
statistic. Inoltre R-squared è pari ad 1. Questo accade perché il numero delle osservazioni è uguale
al numero dei regressori: abbiamo un problema di gradi di libertà. In questo caso i parametri stimati
sono identici a quelli del modello, perché non avevamo errori.
Se effettuiamo la stessa regressione sulle ultime 4 osservazioni otteniamo:
Date: 02/27/07 Time: 16:53

Sample: 197 200
C 2.969870 NA NA NA
X1 8.217347 NA NA NA
X2 7.017458 NA NA NA
X3 7.994076 NA NA NA
R-squared 1.000000 Mean dependent var 31.66771

S.D. dependent var 97.48937 Sum squared resid 8.53E-27
12
In questo caso otteniamo dei valori diversi da quelli del modello originale.
Se noi aggiungessimo altri 196 regressori nella regressione riguardante tutto il campione,
otterremmo lo stesso risultato, ma sicuramente delle stime molto diverse rispetto all’originale.
Quindi dobbiamo stare attenti ai gradi di libertà: se abbiamo poche osservazioni non possiamo avere
molti regressori, perché otterremmo dei risultati sbagliati.
Ora proviamo ad ampliare il campione:

smpl 1 200
Eseguiamo la seguente regressione:
ls y c
Sample: 1 200
C 21.20868 5.338218 3.972989 0.0001

Adjusted R-squared -0.000000 S.D. dependent var 75.49381
S.E. of regression 75.49381 Akaike info criterion 11.49097
Sum squared resid 1134164. Schwarz criterion 11.50746
Log likelihood -1148.097 Durbin-Watson stat 2.136914
In questo caso notiamo che Rsquared è pari a zero, dato che stiamo regredendo la variabile
dipendente solamente sulla costante. Ciò succede perché In questo caso C è pari alla media della
variabile dipendente, quindi la somma dei quadrati spiegati (Explained Sum of Squares) è pari a 0
Ora svolgiamo la regressione su tutto il campione e notiamo come le stime siano molto simili a
quelle del modello originale:
ls y c x1 x2 x3
Sample: 1 200
C 4.965727 0.128479 38.65019 0.0000

X1 5.546253 2.305093 2.406086 0.0171
X2 6.965102 0.065361 106.5642 0.0000
X3 7.998569 0.007041 1136.079 0.0000
13
Se vogliamo rifare la regressione senza x1 ed x2 possiamo semplicemente digitare:
ls y c x3
O per cambiare regressori, possiamo cliccare su EQUATION e poi nella finestra modificare la
nostra scelta :
Sample: 1 200
C 5.718997 0.520056 10.99688 0.0000

X3 7.965104 0.054115 147.1891 0.0000

Adjusted R-squared 0.990898 S.D. dependent var 75.49381
Sum squared resid 10271.60 Schwarz criterion 6.829681
Log likelihood -677.6698 F-statistic 21664.64
Durbin-Watson stat 1.937962 Prob(F-statistic) 0.000000
Il coefficiente stimato per x3 è pari 7.965, ciò significa che all’aumentare di x3 di un’unità, y
aumenterà di 7.965; esso rappresenta l’impatto, la variazione marginale di x3 su y, possiamo
∂E ( y | X )
vederlo come una derivata . Il parametro è simile a quello ottenuto nella regressione
∂x3
precedente, perché i regressori sono quasi ortogonali (basti pensare alla loro correlazione).
14
Il coefficiente stimato per la costante è pari a 5.718, ciò rappresenta come varia y quando x3=0.
Possiamo rappresentate il modello sopra stimato come una retta nel piano, dove la stima della
costante è l’intercetta e la stima di x3 è la pendenza della retta.
Tornando alla regressione precedente:
Sample: 1 200
C 4.965727 0.128479 38.65019 0.0000

X1 5.546253 2.305093 2.406086 0.0171
X2 6.965102 0.065361 106.5642 0.0000
X3 7.998569 0.007041 1136.079 0.0000

Ora i coefficienti possono essere visti come una variazione marginale della variabile indipendente
in questione, mantenendo fisse le altre variabili esplicative.
Ad esempio, il coefficiente di x3 pari a 7.998, può essere inteso come varia y ad una variazione
unitaria di x3, mentendo x1, x2 fisse. Quindi, possono essere considerati come derivate parziali:
∂E ( y | X )
.
∂x3
Fino ad ora siamo interessati al segno del coefficiente ed alla sua grandezza.
Considerando la bontà del modello, prendiamo in considerazione il coefficiente di determinazione,
esso può essere compreso tra 0 ed 1 (vedi esempi precedenti):
ESS RSS
R2 = = 1−
TSS TSS
Attenzione, il coefficiente di determinazione aumenta all’aumentare delle variabili esplicative

introdotte nella stima del modello, quindi dobbiamo pesare questa stima considerano le osservazioni
ed i regressori usati nella stima, ottenendo un coefficiente aggiustato:
− 2 RSS / T − k T −1
R = 1− = 1− (1 − R 2 )
TSS / T − 1 T −k
Ricordate che R Squared non deve essere usato come misura di confronto di diversi modelli con
diverse variabili indipendenti!
Ora proviamo a costruire i valori che vediamo nell’output a mano.
Ricordate che in EViews potete svolgere le stesse operazioni di una calcolatrice:
T
scalar ssr= @inner(resid,resid) Î S = ∑ eˆt2
t =1
15
Usando il comando scalar possiamo creare uno scalare, ovvero un oggetto che racchiude un valore
che possiamo controllare ogni volta cliccando sopra l’icona, il valore comparirà in basso nella
banda marrone. In questo caso calcoliamo il quadrato dei residui, usando @inner, calcoliamo il
prodotto tra i 2 vettori di residui In questo caso il risultato è pari a
Sum squared resid 171.5684
Notate che ora avete creato uno scalare all’interno del workfile, contraddistinto dal simbolo di
cancelletto. Cliccate sopra l’oggetto e vedrete comparire il suo valore nella barra in basso:
Ora calcoliamo la stima dello standard error della regressione, pari alla radice quadrata corretta per
i gradi di libertà T-k =200-4=196 .
eˆ' eˆ
scalar ser = @sqrt(ssr/196) Î σ̂ =
T −k
Pari a
S.E. of regression 0.935601
Ora calcoliamo la media della variabile dipendente:

T
∑y t
scalar mdv=@mean(y) Îy= t =1
Pari a
Mean dependent var 21.20868
Ora calcoliamo i Total Sum Squared:
T
scalar tss=@inner((y-mdv),(y-mdv)) Î TSS = ∑ ( y t − y ) 2
t =1
per ottenere R squared
scalar r2=1-ssr/tss
R-squared 0.999849
16
Per ottenere la standard deviation della variabile dipendente:
T
∑(y t − y) 2
scalar sddv=@sqrt(tss/199) Î s.d = t =1
T −1
la radice quadrata di TSS corretto per T-1

S.D. dependent var 75.49381
E per ottenere R squared aggiustato
scalar adjR2=1-(ser/sddv)^2
Adjusted R-squared 0.999846
Attenzione: ogni volta che rifate l’esercizio, creando di nuovo le variabili ottenute dei valori diversi,
questo dipende dal fatto che stiamo simulando le variabili estraendole da distribuzione uniforme e
normale.
Se vogliamo analizzare i residui creati dalla regressione:
Clicchiamo su RESIDS ed otteniamo il seguente grafico:
300
200
100
0
-100
2
-200
1
0
-1
-2
-3
25 50 75 100 125 150 175 200
Residual Actual Fitted
17
Sempre parlando di R quadro, ricordate che il coefficiente di determinazione è compreso tra 0 e 1
solo se nel modello stimato è compresa una costante. Provate infatti a regredire y su x2, senza
inserire la costante e vedete ciò che ottenete:
18
1.5 Regressioni parziali
Tornando alla regressione svolta, possiamo interpretare i nostri coefficienti della regressione
multipla come coefficienti di una regressione parziale.
Sample: 1 200
C 4.965727 0.128479 38.65019 0.0000

X1 5.546253 2.305093 2.406086 0.0171
X2 6.965102 0.065361 106.5642 0.0000
X3 7.998569 0.007041 1136.079 0.0000

Cerchiamo di dimostrare che svolgendo delle regressioni parziali otteniamo il coefficiente di x1

5.546.
Regrediamo y su x2 x3 e sulla costante
ls y c x2 x3
Salviamo i residui.
19
Ora regrediamo la x1 sulla costante e su x2 x3
ls x1 c x2 x3
Salviamo i residui
Ora regrediamo i residui della prima regressione parziale sui residui della seconda regressione
parziale:
ls resy resx1
Dependent Variable: RESY

Sample: 1 200
RESX1 5.546253 2.406409 3.030875 0.0028
R-squared 0.044125 Mean dependent var -1.19E-15

Abbiamo ottenuto lo stesso coefficiente della regressione multipla!!!!
20
1.6 Regressioni con variabili trasformate
Ora proviamo a svolgere alcune trasformazioni alle variabili:
Trasformiamo prima tutte le variabili esplicative e la costante:
genr x1d=x1/10
genr x2d=x2/10
genr x3d=x3/10
genr c10=1/10
Sample: 1 200
C10 49.65727 1.28479 38.65019 0.0000

X1D 55.46253 23.05093 2.406086 0.0171
X2D 69.65102 0.65361 106.5642 0.0000
X3D 79.98569 0.07041 1136.079 0.0000

Notiamo che sia i coefficienti stimati che gli standard error stimati sono ora 10 volte più grandi
rispetto a quelli stimati nel caso precedente. La loro interpretazione non cambia, trasformare le
variabili è un modo per riscalarle.
Ora dividiamo per 10 anche la variabile dipendente:
genr y10=y/10
Dependent Variable: Y10

Sample: 1 200
C 0.4965727 0.0128479 38.65019 0.0000

X1 0.5546253 0.2305093 2.406086 0.0171
X2 0.6965102 0.0065361 106.5642 0.0000
X3 0.7998569 0.0007041 1136.079 0.0000
21
In questo caso sia i coefficienti stimati che gli standard error sono divisi per 10.
22
1.7 Multicollinearità
Consideriamo ora un modello con due variabili esplicative x1 e x2 perfettamente correlate.
Generiamo quindi ad esempio una serie x4 esattamente identica alla serie x2.
genr x4=x2
poi generiamo una nuova serie per la variabile dipendente, z, nel modo seguente:
genr z=0.3*x4+0.5*x2+nrnd
Se proviamo ora ad eseguire una regressione otteniamo:
Sorprendente? No! Se le variabili esplicative sono multicollineari, la matrice X’X non ha rango
pieno e quindi non è invertibile.
In pratica, troveremo casi di elevata ma non perfetta collinearità.

Generiamo quindi una serie x5 nel seguente modo:
genr x5=x2+0.01*nrnd
genr z2=0.3*x5+0.5*x2+nrnd
Regrediamo poi z2 su x2 e x5 e otteniamo:

ls z2 c x2 x5
23
Da cosa possiamo notare che vi sono problemi di collinearità?
I test t accettano l’ipotesi nulla, mentre il test F la rifiuta.
Inoltre gli standard errors sono molto elevati (ciò è dovuto al fatto che se X ' X ≈ 0 , allora ( X ' X )
−1
avrà elementi molto elevati, così come σ 2 ( X ' X ) .

−1
Ora potete rifare tutte queste operazioni usando il programma che trovate sul learning space.
24
SECONDA PARTE: ANALISI EMPIRICA DI UNA COBB-
DOUGLAS
Ipotizziamo di dover stimare il seguente modello:
y = AK α H 1−α
y = è l’output di un certo paese
A= è un indice della produttività di quel paese
K = è il capitale fisico
H = è il capitale umano
Questa è un’espressione non lineare e può essere approssimata dal seguente modello in versione
logaritmica (con l’aggiunta di un termine d’errore):
log( y ) = log A + α log( K ) + (1 − α ) log( H ) + ε = β 0 + β1 log( K ) + β 2 log( H ) + ε
Per svolger tale stima, carichiamo dei dati dalle Penn World Tables 6.2, usando delle variabili proxy
per output, capitale fisico, per quanto riguarda il capitale umano consideriamo un altro dataset.
Ora ci concentriamo su come caricare un dataset da EXCEL ad EViews:

ci sono 2 metodi alternativi.
1)
Creiamo un workfile undated di 763 osservazioni.
create u 1 763
Poi clicchiamo su FILE - IMPORT
25
Selezioniamo il dataset in EXCEL (accertatevi che non sia aperto il dataset in EXCEL)
Ora comparirà la seguente schermata in cui dobbiamo digitare i nomi delle variabili (o il loro
numero) e da che punto partiamo dal nostro foglio EXCEL:
ecco il nostro workfile
26
Una via alternativa ed a volte più pratica (ma solo quando abbiamo poche variabili da caricare) è
quella di creare prima il workfile undated, poi con il seguente comando creiamo le variabili:
data pop k y h
Poi copiamo da EXCEL le variabili di nostro interesse.
Ora creiamo le nostre variabili in logaritmi nel seguente modo:
genr ly=log(y)
genr lk=log(k)
genr lh=log(h)
Ecco la nostra regressione :
Dependent Variable: LY
Date: 02/28/08 Time: 23:00
Sample: 1 763
C -0.725235 0.206450 -3.512889 0.0005

LH 0.319259 0.032952 9.688649 0.0000
LK 0.118780 0.036996 3.210627 0.0014

27
Possiamo effettuare i commenti svolti precedentemente, ma ciò che cambia ora è l’interpretazione
dei coefficienti.
Nell’esercizio precedente interpretavamo i coefficienti come effetti marginali, invece ora ci

troviamo di fronte all’elasticità.
Ovvero i coefficienti spiegano l’elasticità della variabile dipendente rispetto ad una variabile
indipendente. Per esempio se il capitale fisico aumenta dell’1%, l’output varierà dello 0.366%.
Quando si analizzano i coefficienti è importante verificare la grandezza del coefficiente stimato, il
suo segno ( positivo o negativo) che indica l’impatto positivo o negativo di una variabile esplicativa
sulla variabile dipendente e poi la sua significatività (nelle prossime lezioni!!!!).
Un’altra considerazione, se volessimo derivare l’impatto marginale la formula da usare è

coefficiente stimato * (media di y/ media di x ).
Invece nell’esercizio con dati simulati, nell’output leggevamo l’effetto marginale, se avessimo
voluto l’elasticità, avremmo dovuto calcolarlo come
Coefficiente stimato * (media di x/media di y).
Ora calcoliamo la matrice varianza e covarianza dei coefficienti stimati:
28
0.042621 -0.006341 0.004467
-0.006341 0.001086 -0.001017
0.004467 -0.001017 0.001369
Notate che sulla diagonale principale della matrice appena calcolata da EViews trovate le varianze
dei coefficienti stimati. Provate ad elevare al quadrato gli standard error dell’output della
regressione. Invece le covarianze sono calcolate considerando gli standard error ed il coefficiente di
correlazione.
29
SECONDA ESERCITAZIONE
Introduzione
In questa esercitazione, effettueremo tests t e tests F, utilizzando i dati del workfile
cobbdouglas.wf1.
Ipotizziamo di dover stimare il seguente modello:
y = AK α H β POP γ
y = è l’output di un certo paese
A = è un indice della produttività di quel paese
K = è il capitale fisico
H = è il capitale umano
POP = è la popolazione
Questa è un’espressione non lineare e può essere approssimata dal seguente modello in versione
logaritmica (con l’aggiunta di un termine d’errore):
log( y ) = log A + α log( K ) + β log( H ) + γ log( POP) + ε = β 0 + β 1 log( K ) + β 2 log( H ) + β 3 log( POP) + ε
1.3 La regressione
Dopo aver aperto il workfile cobbdouglas.wf1, dove abbiamo importato le serie da excel,
regrediamo il logaritmo del gdp reale procapite su una costante, il logaritmo del capitale umano, il
logaritmo del capitale fisico, e il logaritmo della popolazione e chiamiamo la regressione eqCB:
30
smpl @all
equation eqCB.ls ly c lh lk lpop
Sample: 1 763
C 5.823753 0.147194 39.56526 0.0000

LH 0.794021 0.026934 29.48023 0.0000
LK 0.365342 0.037512 9.739449 0.0000
LPOP -0.048208 0.013961 -3.453117 0.0006

Vediamo la stima dei coefficienti, lo standard error e la t-statistic.
31
1.4 Il Test-t
Nella colonna t-statistic, è calcolato il test per l’ipotesi nulla che il parametro sia non significativo,
cioè uguale a 0.
Ricordiamo la formula del test-t per l’ipotesi nulla che β0=0 è la seguente:
βˆ o 5.823753
test t = = = 39.56526
σˆ βˆ
0
0.147194
Per poter calcolare tale statistica per ognuno dei parametri (per esempio la costante) dobbiamo
salvare:
1)la stima dei coefficienti,
2)la matrice di varianza-covarianza,
3)lo standard error della costante,
4)i gradi di libertà nella regressione.
Salviamo i coefficienti della regressione in un vettore:
vector CB = eqCB. @coefs

Creiamo la matrice varianza covarianza
matrix CBcov = eqCB. @cov
Potete calcolare questa matrice anche dall’equazione:
0.0216659 -0.00063579 -0.001632165 -0.001623200

-0.0006357 0.00072544 -0.000588565 -4.272641760
-0.0016321 -0.00058856 0.001407117 3.538460164
-0.0016232 -4.27264176 3.538460164 0.000194905
32
Calcoliamo lo standard error per la costante (esso si trova nella posizione 1, 1 nella matrice varianza
covarianza):
scalar stdB0 = @sqrt(CBcov(1,1))
Generiamo i gradi di libertà (con eqCB. @regobs consideriamo le osservazioni del modello di
regressione (T), invece con eqCB. @ncoef consideriamo il numero dei regressori usati nella
regressione stimata):
scalar df = eqCB. @regobs-eqCB. @ncoef
Calcoliamo il valore della t-statistic sotto ipotesi nulla, ovvero è il rapporto tra il coefficiente ed il
suo standard error (provate ad osservare l’output: prendete la stima del coefficiente della costante =
5.823753, dividete questo per lo standard error =0.147194, ottenete il valore della statistica t
=39.56526):
scalar tB0 = CB(1)/stdB0
Tale statistica è distribuita come una t di student con (T-k) gradi di libertà.
La t di student ha una funzione di densità con “code” più spesse rispetto alla normale standard, ed
ha varianza pari a df/ (df-2) dove sono i gradi di libertà (T-k).
Per un numero relativamente alto di gradi di libertà (quindi in pratica sempre per il nostro dataset),
la distribuzione tende ad una N(0,1) come si può vedere nel grafico GRAPHDISTRIBUTIONS
.45
.40
.35
DENSNORM
.30 TDENS1
TDENS5
.25 TDENS10
TDENS20
.20 TDENS50
TDENS100
.15
.10
.05
-2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5
X
GRAPHDISTRIBUTIONS
33
Il numero dopo tdens indica i gradi di libertà, densnorm è la densità della distribuzione normale. Si
nota che già con 50 gradi di libertà la t di student è molto simile alla distribuzione normale.
Tali serie sono state create con i seguenti comandi:
create u 1 1000
genr x = -2+@trend*4/1000 Î generiamo una serie da un intervallo [-2; +2]

genr cumnorm = @cnorm(x)
genr densnorm = @dnorm(x)
genr tdens1 = @dtdist(x,1)
group g1 x densnorm tdens1 tdens5 tdens10 tdens20 tdens50 tdens100
g1.xyline
freeze(graph1) g1.xyline
In Eviews, per costruire le funzioni di densità, di densità cumulata, dobbiamo considerare i seguenti
comandi:
• @d per la funzione di densità
• @c per la funzione di densità cumulata
• @q è la funzione inversa di c: dato il quantile (0.9, 0.95 etc) ci dice il valore di x
E per generare i dati:
• @r genera dati casuali dalla distribuzione
Ai comandi sopra menzionati,dobbiamo aggiungere il nome della distribuzione: norm per la

distribuzione normale e tdist per la t di student.
Per ottenere il grafico sopra mostrato, seguite le istruzioni creandovi nel programma, oppure
potete considerare i seguenti passi:
1)selezionate le serie: X, densnorm, tdens1, tdens5, tdens10, tdens20, tdens50, tdens1000 ed

apritele come gruppo
34
Ora selezionate un nuovo tipo di grafico: XY line/ One X against all Y’s
35
L’Ipotesi Nulla e la regione di rifiuto
Per testare l’ipotesi nulla, Eviews riporta il p-value, cioè:
βˆ0
pvalue = Pr ob( x >| |)
s.e.( βˆ0 )
Il pvalue è la probabilità sotto l'ipotesi nulla che si ottengano statistiche t in valore assoluto
maggiori della statistica t calcolata dai dati campionari.
La figura del pvalue, in funzione di x è riportata qua sotto.

Nella tabella di Eviews “Prob” è tale funzione dove x è la t-statistic calcolata e c=0.
La figura mostra anche le serie A1=0.05 ed A2=0.025.
1.0
0.8
0.6
A1
A2
PVALUE
0.4
PVALUE2
0.2
0.0
-2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5
X
Quando queste due serie incrociano la serie pvalue (che è stata creata usando la funzione @tdist)
otteniamo i valori critici ai livelli di significatività α=0.1 ed α=0.05.
La funzione @tdist calcola il pvalue automaticamente per questo test a due code: materialmente
dovremmo moltiplicare per due la differenza tra 1 è la funzione di densità cumulata.
RICORDATE: se il pvalue calcolato da Eviews è minore del livello di significatività da voi scelto
(ad esempio, alpha=0.05), rifiutate l’ipotesi nulla; se il pvalue calcolato da Eviews è maggiore del
livello di significatività scelto, non potete rifiutare l’ipotesi nulla.
Nel nostro output, tutti i coefficienti stimati sono significativamente diversi da zero, dato che
rifiutiamo l’ipotesi nulla in tutti i casi.
scalar pvalue=@tdist(tb0,df)Î otteniamo il pvalue considerando questo comando
@tdist
Calcoliamo il pvalue con la funzione cumulata:

scalar pvalue2=2-2*@ctdist(abs(tb0),df)
36
Calcoliamo il pvalue per il quarto coefficiente (usiamo lo stesso metodo ma sostituiamo i valori
della t-statistic)
scalar pvalue4=@tdist(cb(4)/ @sqrt(CBcov(4,4)),df)
Stessa formula di pvalue2, ma con i valori sostituiti

scalar pvalue4c=2-2*@ctdist(abs(cb(4)/@sqrt(CBcov(4,4))),df)
Calcoliamo ora il test t sempre per il quarto parametro:

scalar test4b=(cb(4)+0.04)/@sqrt(CBcov(4,4))
scalar pvalue4b=@tdist(test4b,df)
1.5 Intervallo di confidenza

L’intervallo di confidenza ci da rispetto alla stima puntuale un intervallo nel quale il parametro si
dovrebbe trovare con livello di confidenza (1-α).
Se con tα / 2 e t1−α / 2 indichiamo i quantili α/2 ed (1-α/2 ) della t student, avremmo che:
βˆ − β 0
Pr ob(tα / 2 < 0 < t (1−α / 2 ) ) = (1 − α )
σˆ βˆ 0
e l’intervallo di confidenza sarà:

[βˆ0 + σˆ βˆ tα / 2 , βˆ0 + σˆ βˆ t (1−α / 2)
0 0
]
In Eviews, non troviamo indicazione sull’intervallo di confidenza nell’output, quindi dobbiamo
costruirlo a mano.
scalar cle=0.05 Î scegliamo alpha=0.05

scalar lb=cb(1)-stdb0*@qtdist(1-cle/2,df) Îlimite inferiore
scalar hb=cb(1)+stdb0*@qtdist((1-cle/2),df) Îlimite superiore
37
1.6 Il Test F:
Consideriamo un modello ristretto, facendo riferimento alla seguente ipotesi nulla:
H0 : R β = r vs H 1 : R β ≠ r
j ×k k ×1 j ×1
Il test F sarà dato dalla seguente formula:
TestF =
( ′
)[ ](
Rβˆ − r R( X ′X ) R ′ Rβˆ − r
−1 −1
)
~ F ( j, T − k )
jσˆ 2
Che può essere scritta nel seguente modo:
(RSS R − RSSU ) / j
TestF =
RSSU /(T − k )
Possiamo usare il test t per ricavare la statistica F nel caso in cui abbiamo una sola restrizione:
2
⎛ βˆ − c ⎞
TestF = t = ⎜⎜
2
⎟ .
s.eˆ.( βˆ) ⎟
⎝ ⎠
Un'altra formulazione per ricavare la statistica F è:
R 2 /( k − 1)
F=
(1 − R 2 ) /( N − k )
Ora stimiamo il seguente modello:
LY = β 0 + β 1 LH + ε t
Consideriamo la seguente regressione:
Sample: 1 763 IF YEAR=1980
C 5.854578 0.221353 26.44908 0.0000

LH 0.939357 0.061443 15.28829 0.0000

Notate che la F-statistic è pari al quadrato della t-statistic, qui abbiamo una sola restrizione nel test
F che è la stessa del test t (15.28829^2=233.7319).
Possiamo scrivere il test F riportato nell’output di EViews con ipotesi nulla che tutti i coefficienti
stimati (oltre alla costante) siano uguali a zero, usando R^2:
In questo caso
38
0.69 /( 2 − 1)
F= ≈ 233.7319
(1 − 0.69) /(105 − 2)
Ora consideriamo il seguente modello
LY = β 0 + β 1 LH + β 2 LK + β 3 LPOP + ε t = c(1) + c(2) LH + c(3) LK + c(4) LPOP + ε t

e come ipotesi nulla:
H0:c(2)+c(3)=1
Da questo momento consideriamo solo il campione con anno 1980 e testiamo la nostra restrizione
solo su questo sottocampione:
smpl @all if year=1980
equation eqCB1980.ls ly c lh lk lpop
C 5.739258 0.395949 14.49495 0.0000

LH 0.804408 0.077404 10.39231 0.0000
LK 0.301347 0.107694 2.798174 0.0062
LPOP -0.026810 0.036522 -0.734071 0.4646

Salviamo il vettore dei coefficienti stimati della regressione e la matrice varianza e covarianza.
vector CB2=eqCB1980. @coefs

matrix CBcov2=eqCB1980. @cov
39
Ora calcoliamo il test F usando tre diversi metodi,considerando come ipotesi nulla H0:c(2)+c(3)=1:
(questa ipotesi deriva dalla teoria economica: ricordate la Cobb-Douglas Y = AK α H 1−α ( pop ) γ )
1) consideriamo il test t
Scalar ttest2=(cb2(2)+cb2(3)-
1)/@sqrt((CBcov2(2,2)+CBcov2(3,3)+2*CBcov2(2,3)))
Calcoliamo il test F
scalar ftest2=ttest2^2
Calcoliamo il pvalue (ricorda che in questo caso i gradi di libertà sono 101, 105 osservazioni meno
4 che è il numero dei regressori:
scalar pvaluew=@fdist(ftest2,1,101)
Calcoliamolo in un altro modo:
scalar pvaluew2=1-@cfdist(ftest2,1,101)
2) Calcoliamo il test F usando il modello non ristretto (stimato prima) ed il modello ristretto che
andiamo a stimare in seguito, salviamo i residual sum squared e lo standard error della regressione
del modello non ristretto:
scalar rssur=eqCB1980.@ssr
scalar seur=eqCB1980. @se
Ora stimiamo il modello ristretto sotto l’ipotesi nulla che c(2)+c(3)=1 (notate: abbiamo rinominato
la vecchia c(4) come c(3)!!!!)
equation eqCB1980r.ls ly=c(1)+c(2)*lh+(1-c(2))*lk+c(3)*lpop

scalar rssr=eqCB1980r.@ssr
40
Date: 03/14/07 Time: 01:53
LY=C(1)+C(2)*LH+(1-C(2))*LK+C(3)*LPOP
Coefficient Std. Error t-Statistic Prob.
C(1) 6.008015 0.334977 17.93561 0.0000

C(2) 0.793872 0.077179 10.28613 0.0000
C(3) -0.023649 0.036543 -0.647165 0.5190

Calcoliamo il test F:
scalar ftest3=((rssr-rssur)/1)/(rssur/101)
Possiamo calcolare la statistica F usando anche la seguente formula con lo standard error della
regressione al quadrato (RSS del modello non ristretto già corretti per i gradi di libertà).
scalar ftest33=(rssr-rssur)/(1*(seur^2))
3) Il terzo metodo consiste nell’usare il test di Wald e nel paragrafo successivo trovate i dettagli.
1.7 I coefficient tests:

Partiamo dalla nostra regressione e scegliamo nel tasto VIEW/ COEFFICIENT TESTS/WALD:
41
Scriviamo l’ipotesi che andiamo a testare:
eqCB1980.wald c(2)+c(3)=1
Ed ecco l’output, l’ipotesi nulla è H0:c(2)+c(3)=1, quindi se osserviamo le statistiche calcolate ed i
rispettivi pvalue, non possiamo rifiutare l’ipotesi nulla
Wald Test:
Equation: EQCB1980
Test Statistic Value df Probability
42
F-statistic 1.597337 (1, 101) 0.2092
Chi-square 1.597337 1 0.2063
Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
-1 + C(2) + C(3) 0.105755 0.083676
Restrictions are linear in coefficients.
Notate che se abbiamo una sola restrizione F=Chi-square (Chi-square=n.restrizioni*F). F statistic è

utile per i piccoli campioni, invece la Chi-square per la teoria asintotica sui grandi campioni.
Ora possiamo testare altre restrizioni, infatti con il test di Wald abbiamo la possibilità di testare tutte
le ipotesi nulle che vogliamo:
per esempio testiamo oltre all’ipotesi nulla precedente che c(4)=0, ovvero che la population non è
significativa nella regressione.
eqCB1980.wald c(2)+c(3)=1, c(4)=0

Wald Test:
Equation: EQCB1980
F-statistic 1.009306 (2, 101) 0.3681

Chi-square 2.018612 2 0.3645
-1 + C(2) + C(3) 0.105755 0.083676

C(4) -0.026810 0.036522
Restrictions are linear in coefficients.
Anche questa ipotesi non può essere rifiutata.

Ora proviamo a testare la seguente ipotesi:
43
Stiamo testando una restrizione non lineare che è rifiutata:
Wald Test:
Equation: EQCB1980
F-statistic 54.79126 (1, 101) 0.0000

Chi-square 54.79126 1 0.0000
C(1)*C(2) - C(3) 4.315359 0.582990
Delta method computed using analytic derivatives.
44
1.8 Confidence ellipse:
Sempre scegliendo i test sui coefficienti possiamo trovare un’altra tipologia di analisi: il confidence
elipse, questo test riporta una serie di grafici a due dimensioni con delle ellissi di confidenza al
livello di significatività scelta da noi (per esempio 95%).
45
Ecco l’output:
1.0
0.9
C(2)
0.8
0.7
0.6
.6
.5
.4
C(3)
.3
.2
.1
.0
.08
.04
.00
C(4)
-.04
-.08
-.12
4.4 4.8 5.2 5.6 6.0 6.4 6.8 0.6 0.7 0.8 0.9 1.0 .0 .1 .2 .3 .4 .5 .6
C(1) C(2) C(3)
Questi grafici ci mostrano gli intervalli di confidenza considerando come ipotesi che c(1), c(2), c(3),
c(4) siano uguali a zero.
Notate che in questi grafici potete vedere combinati gli intervalli di confidenza per i vari
coefficienti. Per esempio, nel grafico in basso a sinistra potete vedere gli intervalli per c(1) e c(4), il
puntino rosso al centro dell’ellisse indica il coefficiente stimato per c(1) e c(4) (c(4)=-0.02 e
c(4)=5.7). Possiamo considerare gli intervalli di confidenza di c(4): la banda verticale va da poco
più di 0.04 a -0.10 (circa). Invece per quanto riguarda l’intervallo di confidenza per lo stimatore di
c(1), la banda orizzontale va da circa 5.1 a circa 6.4.
Per conoscere il valore preciso del limite inferiore e del limite superiore, possiamo cliccare sopra le
bande.
Per esempio, per c(1)
Limite inferiore
46
Limite superiore:
47
Possiamo vedere che c(4) può assumere valore zero, invece c(1) non potrà mai assumere valore pari
a zero, perché esso non cade nell’ellisse.
Infatti, questo è un modo di rappresentare gli intervalli di confidenza usando la formula matematica
dell’ellisse (vedi Wikipedia, http://it.wikipedia.org/wiki/Ellisse). In Eviews non abbiamo menzione
dell’output in merito agli intervalli di confidenza, che abbiamo calcolato precedentemente a mano.
Per vedere come sono state create queste ellissi pag 584 della UserGuide di Eviews, oppure cercate
nell’Help di Eviews .
Ecco la formula:
In effetti, la relazione è:
( )[ ′
](−1
)
b − f ( βˆ ) Var ( f ( βˆ )) b − f ( βˆ ) / 2 = cα
Dove
βˆ − β1
f ( βˆ1 ) = 1
σˆ βˆ
1
Ora consideriamo la seguente opzione che ci permette di avere 3 intervalli di confidenza

concentrici:
48
49
1.1
1.0
0.9
C(2)
0.8
0.7
0.6
0.5
.7
.6
.5
.4
C(3)
.3
.2
.1
.0
-.1
.10
.05
.00
C(4)
-.05
-.10
-.15
4.0 4.5 5.0 5.5 6.0 6.5 7.0 0.5 0.6 0.7 0.8 0.9 1.0 1.1 -.1 .0 .1 .2 .3 .4 .5 .6 .7
C(1) C(2) C(3)
Ora proviamo a generare una variabile lhm che sia paria alla deviazione di lh dalla sua media.
genr lhm=lh-@mean(lh)
equation eqm.ls ly c lhm
Date: 03/14/07 Time: 18:59
Sample: 1 763
C 9.148773 0.022924 399.0924 0.0000
50
LHM 0.936438 0.023244 40.28775 0.0000

1.00
0.98
0.96
0.94
C(2)
0.92
0.90
0.88
0.86
9.08 9.10 9.12 9.14 9.16 9.18 9.20 9.22
C(1)
In questo caso, con regressori ortogonali, l’ellisse è diventato un cerchio perfetto: Possiamo fare
ulteriori considerazioni su questo grafico.
Sempre facendo riferimento alla formula precedentemente mezionata, l’ellisse di confidenza è
l’insieme dei valori dei parametri β1 (cioè c(1))e β2 (cioè c(2))tali per cui (in questo caso di
regressori ortogonali):
⎛⎛ ˆ 2 2
⎞
⎜ ⎜ β1 − β 1 ⎞⎟ ⎛⎜ βˆ 2 − β 2 ⎞
⎟ ⎟
⎜ ⎜ σˆ +
⎟ ⎜ σˆ ˆ ⎟ ⎟ / 2 = cα = 3
⎜⎝ ˆ
β1 ⎠ ⎝ β2 ⎠ ⎟
⎝ ⎠
La stessa ellisse di confidenza può essere ottenuta per funzioni dei parametri che indicano
restrizioni. .
Per esempio se applichiamo ai parametri stimati la funzione:
βˆ − βˆ1
f ( βˆ1 ) = 1
σˆ βˆ
1
Che corrisponde alla normalizzazione dei parametri C(1) e C(2) sottraendone le stime e dividendo
per gli standard error avremo che se uno dei parametri è 0, l’altro è pari alla radice di 6, cioè circa
2.45.
β 1 2 + β 2 2 = 2cα = 6
51
43.021855102392012 * (-0.936438 + C(2))
3
-1
-2
-3
-3 -2 -1 0 1 2 3
43.622404466934222 * (-9.148773 + C(1))
52
TERZA ESERCITAZIONE
PARTE PRIMA:GLS
In questa parte dell’esercitazione, mostreremo alcuni esempi di stime in presenza di errori
autocorrelati ed eteroschedastici, l’influenza di tali problemi rispetto all’inferenza, e come possiamo
stimare particolari modelli GLS con Eviews.
3.1 Errori autocorrelati e/o eteroschedastici

Per valutare la presenza di autocorrelazione e/o eteroschedasticità è bene per cominciare guardare i
residui. Cominciamo con un esempio simulato per vedere come possono apparire i diversi residui.
Il programma prog3 genere quattro serie di residui:
1) “E” è il classico errore “white noise”, indipendentemente identicamente distribuito e di

conseguenza non correlato, estratto in questo caso da una N(0,1).
2) “Y” è autocorrelato del primo ordine ed è stato generato come segue, considerando come
condizione iniziale y=e (infatti, i processi autoregressivi come quello considerato in questo
esercizio, necessitano di una condizione iniziale):
smpl 1 1
genr y=e
smpl 2 2000
y=0.8*y(-1)+e
Mentre nel grafico di E la serie si muove senza nessun vincolo nel caso di Y notate come il
valore di Y al tempo (t+1) sia fortemente influenzato dalla posizione al tempo (t): se il valore è
positivo al tempo (t), probabilmente lo sarà anche al tempo (t+1).
3) La serie X è stata generata in modo diverso nei due sottocampioni, sempre come una
combinazione del white noise precedentemente generato, ma con standard deviation diversa:
smpl 1 1000
genr x=2*e
smpl 1001 2000
genr x=4*e
Cioè nella prima parte del campione la standard deviation è pari a 2, mentre nella seconda parte
è pari a 4. Si può notare ad occhio nudo questo salto nella varianza.
E’ ciò che spesso si nota in serie finanziarie, quando in periodo di crisi la varianza aumenta.
Notate che non c’è autocorrelazione: non c’è relazione evidente tra X(t) ed X(t+1).
53
4) La serie W è una composizione tra un processo autocorrelato ed un processo
eteroschedastico x:
smpl 1 1
genr w=x
smpl 2 2000
w=0.9*w(-1)+x
Notate che in questo caso il grafico di w mostra sia autocorrelazione che eteroschedasticità.
E Y
4 8
3 6
2
4
1
2
0
0
-1
-2
-2
-3 -4
-4 -6
250 500 750 1000 1250 1500 1750 2000 250 500 750 1000 1250 1500 1750 2000
X W
20 30
15 20
10 10
5 0
0 -10
-5 -20
-10 -30
-15 -40
250 500 750 1000 1250 1500 1750 2000 250 500 750 1000 1250 1500 1750 2000
54
Generalized Least Squares
Nel caso di presenza di autocorrelazione ed eteroschedasticità gli stimatori OLS sono non distorti e
consistenti, ma esiste uno stimatore più efficiente, cioè il GLS.
Per esempio se i residui del nostro modello fossero come X, dove a metà campione la varianza
cambia, ci possiamo aspettare che la varianza degli errori delle prime osservazioni sia più bassa
rispetto a quella delle successive 1000 osservazioni.
L’equazione (1) mostra un esempio con due sole osservazioni, mentre le equazioni (2), (3) e (4)
mostrano come lo stimatore GLS per questo semplice caso si possa ottenere con l’aiuto della
matrice H, essa serve per operare una trasformazione lineare delle variabili al fine di applicare il
metodo OLS.
La matrice H contiene i pesi, con cui sono modificate le serie (vedi equazione (5)).
Consideriamo il caso della serie y1 generata come combinazione tra 2 serie estratte da una
distribuzione uniforme [0, 10] ed ad esse viene sommata la serie x creata precedentemente con
problemi di eteroschedasticità (la serie x rappresenta l’errore):
smpl 1 2000
genr z1=10*rnd
genr z2=10*rnd
genr y1=2+z1+3*z2+x
Se regrediamo y1 su costante, z1 e z2 otteniamo delle stime molto vicine ai parametri del modello
originale:
55
Sample: 1 2000
C 1.824909 0.189881 9.610802 0.0000

Z1 1.018442 0.024991 40.75205 0.0000
Z2 3.004315 0.025209 119.1742 0.0000

Se guardiamo i residui stimati, notiamo la presenza di eteroschedasticità:

20
15
10
-5
-10
-15
250 500 750 1000 1250 1500 1750 2000
Y1 Residuals
Quindi non possiamo considerare efficienti le stime ottenute precedentemente tramite il metodo
OLS, dato che è violata l’ipotesi di omoschedasticità.
56
Eviews permette (cliccando su procs, specify/estimate, options) di stimare gli standard errors dei
parametri con metodi che correggono il problema dell’eteroschedasticità: metodo di White e
metodo Newey-West.
57
In alternativa si possono digitare i seguenti comandi:
equation eqregw.ls(h) y1 c z1 z2 Îper il metodo di White
equation eqregn.ls(n) y1 c z1 z2 Îper il metodo di Newey-West

Ottenendo le seguenti due tabelle:
Sample: 1 2000
White Heteroskedasticity-Consistent Standard Errors & Covariance
C 1.824909 0.190210 9.594185 0.0000

Z1 1.018442 0.025166 40.46823 0.0000
Z2 3.004315 0.024944 120.4414 0.0000

58
Sample: 1 2000
Newey-West HAC Standard Errors & Covariance (lag truncation=7)
C 1.824909 0.190545 9.577326 0.0000

Z1 1.018442 0.025261 40.31699 0.0000
Z2 3.004315 0.024278 123.7488 0.0000

Notate che le stime dei coefficienti sono le stesse a quelle ottenuto prima, ciò che è stato corretto
con questi due metodi è la stima della standard deviation.
Ora proviamo a stimare questa regressione usando il metodo dei Generalized Least Square.
In questo caso il metodo GLS equivale al metodo WLS ed Eviews mette a disposizione questa
procedura.
PRIMO METODO: USARE LE STANDARD DEVIATION EFFETTIVE

Tutte le osservazioni sono moltiplicate per i pesi che abbiamo scelto: nel nostro caso i reciproci
delle standard deviation.
Nel programma, trovate i comandi per la correzione manuale usando le standard deviation effettivi
che abbiamo fissato quando abbiamo creato la serie dei residui.Nelle prime 1000 osservazioni la
standard deviation è pari a 2, invece da 1001 a 2000, la standard deviation è pari a 4. Creiamo una
variabile wei che raccoglie questi valori e rappresenterà il peso usato per correggere le variabili
nelle future regressioni
'ora creiamo la serie con le standard deviation effettive

smpl 1 1000
genr wei=2
smpl 1001 2000
wei=4
'primo modo per stimare con gls: dividiamo tutte le serie per wei
smpl 1 2000
equation eqred.ls y1/wei 1/wei z1/wei z2/wei
eqred.makeresid resred
59
Dependent Variable: Y1/WEI
Sample: 1 2000
1/WEI 1.980883 0.147771 13.40507 0.0000

Z1/WEI 1.002712 0.019723 50.83853 0.0000
Z2/WEI 2.990741 0.019774 151.2471 0.0000

I residui sono già corretti per il problema di eteroschedasticità.

4
-1
-2
-3
-4
250 500 750 1000 1250 1500 1750 2000
RESRED
'secondo: inseriamo tra le opzioni che il peso (w per weight) è 1/wei

smpl 1 2000
60
equation eqwls.ls(w=1/wei) y1 c z1 z2 Î notate l’opzione del comando w=weight
=1/weihat=ovvero gli standard error stimati)
eqwls.makeresid reswls
Sample: 1 2000
Weighting series: 1/WEI
C 1.980883 0.147771 13.40507 0.0000

Z1 1.002712 0.019723 50.83853 0.0000
Z2 2.990741 0.019774 151.2471 0.0000
Weighted Statistics

Unweighted Statistics

S.E. of regression 3.239112 Sum squared resid 20952.22
In questo i residui non sono corretti per il problema di eteroschedasticità, come si vede dal grafico
sotto.
61
20
15
10
-5
-10
-15
250 500 750 1000 1250 1500 1750 2000
RESWLS
Per ottenere i residui corretti
62
4
-1
-2
-3
-4
250 500 750 1000 1250 1500 1750 2000
Standardized Residuals
Il metodo appena utilizzato viene chiamato “unfeasible”, dato che noi non sempre conosciamo le
varianze dei nostri errori, quindi dovremo considerare un metodo che ci permetta di stimare i pesi
dalla regressione.
SECONDO METODO: STIMARE GLI STANDARD ERROR
Ora creiamo i pesi stimando gli standard errors della regressione nei 2 ipotetici (supponiamo così se
non li consociamo come nel nostro caso) sottocampioni 1-1000 e 1001-2000
'ora stimiamo i pesi con due regressioni

smpl 1 1000
equation eq1.ls y1 c z1 z2
scalar se1=eq1.@se
genr weihat=se1
smpl 1001 2000

scalar se2=eq2.@se
weihat=se2
Possiamo stimare il modello con FGLS in due modi:
1) Dividendo tutte le serie per la serie “WEIHAT” che contiene gli standard error stimati:
equation eqwlshat2.ls y1/weihat 1/weihat z1/weihat z2/weihat
63
Dependent Variable: Y1/WEIHAT
Sample: 1 2000
1/WEIHAT 1.988404 0.145449 13.67084 0.0000

Z1/WEIHAT 1.001936 0.019426 51.57613 0.0000
Z2/WEIHAT 2.990086 0.019471 153.5664 0.0000

2) Indicando direttamente i pesi nella regressione:
equation eqwlshat.ls(w=1/weihat) y1 c z1 z2 Î notate l’opzione del comando w=weight

=1/weihat=ovvero gli standard error stimati)
Sample: 1 2000
Weighting series: 1/WEIHAT
C 1.988404 0.145449 13.67084 0.0000

Z1 1.001936 0.019426 51.57613 0.0000
Z2 2.990086 0.019471 153.5664 0.0000
Weighted Statistics

Unweighted Statistics

S.E. of regression 3.239170 Sum squared resid 20952.97
64
Notate che sia le stime dei coefficienti che le stime degli standard error sono identiche per entrambe
le procedure.
Inoltre nell’equazione eqwlshat cliccando su “view”, “actual, fitted, residuals”, “standardized
residuals graph” possiamo ottenere il grafico dei residui corretti per il problema di
eteroschedasticità. Notate che questi residui sono molto simili a quelli ottenuti precedentemente con
i pesi effettivi e non stimati. Infatti i pesi stimati sono pari a 1.97 (al posto di 2 come peso effettivo)
per la prima parte del campione ed a 4.13 (al posto di 4 come peso effettivo) per la seconda parte
del campione. A volte la stima dei momenti secondi non è facile e può capitare che il FGLS non sia
così efficiente come potremmo aspettarci.
65
4
-1
-2
-3
-4
250 500 750 1000 1250 1500 1750 2000
Standardized Residuals
Fino ad ora abbiamo operato tenendo conto di essere già a conoscenza dell’esistenza di
eteroschedasticità, supponiamo di voler diagnosticare questo problema. Partiamo dalla regressione
OLS.
Sample: 1 2000
C 1.824909 0.189881 9.610802 0.0000

Z1 1.018442 0.024991 40.75205 0.0000
Z2 3.004315 0.025209 119.1742 0.0000

Proviamo a testare l’ipotesi di omoschedasticità con il test di White in EViews (come implementare
questo test, vedi seconda parte dell’esercitazione).
66
White Heteroskedasticity Test:
F-statistic 0.472790 Prob. F(4,1995) 0.755759

Obs*R-squared 1.894106 Prob. Chi-Square(4) 0.755228
Test Equation:
Dependent Variable: RESID^2
Sample: 1 2000
C 10.67327 1.713710 6.228168 0.0000

Z1 -0.346961 0.573878 -0.604591 0.5455
Z1^2 0.018828 0.055570 0.338817 0.7348
Z2 0.418191 0.579809 0.721256 0.4708
Z2^2 -0.035343 0.056325 -0.627481 0.5304

Il test ci indica di non rifiutare l’ipotesi nulla, quindi sembra che non ci sia eteroschedasticità.
Se osserviamo l’istogramma per le due regressioni eq3 ed eq4 realizzata sui sottocampioni, notiamo
che i residui si distribuiscono secondo una normale:
90
Series: Residuals
80 Sample 1 800
70 Observations 800
60 Mean 3.57e-15
Median -0.011825
50
Maximum 6.393506
40 Minimum -5.776638
Std. Dev. 1.980603
30 Skewness 0.164415
Kurtosis 2.996883
20
10 Jarque-Bera 3.604614
0
-6 -4 -2 0 2 4 6
67
90
Series: Residuals
80 Sample 1201 2000
70 Observations 800
60 Mean 5.01e-15
Median 0.037697
50
Maximum 15.43024
40 Minimum -11.65803
Std. Dev. 4.175356
Kurtosis 3.070232
20
0
-10 -5 0 5 10 15
Quindi il problema di eteroschedasticità è indipendente dai regressori.
Possiamo usare un test che mostri se la varianza sia cambiata nei due sottocampioni scelti. L’ipotesi
nulla è che la varianza nei due sottocampioni è la stessa. Questo test si costruisce considerando:
a) i RSS di 2 regressioni, ciascuna realizzata su ogni sottocampione;
b) i gradi di libertà di ciascuna regressione (qui ipotizziamo di considerare due sottocampioni
identici)
c) infine calcoliamo la statistica ed il relativo pvalue.
smpl 1 1000
scalar se1=eq1.@se
scalar df1=eq1.@regobs-eq1.@ncoef
smpl 1001 2000

scalar se2=eq2.@se
weihat=se2
scalar ch2=(se2/se1)^2
scalar pvalueCH2=@fdist(ch2,df2,df1)
Il pvalue calcolato ci indica che rifiutiamo l’ipotesi nulla di omoschedasticità, quindi i residui sono
eteroschedastici.
68
Programma PRIMA PARTE ESERCITAZIONE
wfcreate(wf="E3GLS") u 1 2000
'crea un workfile chiamato E3GLS con 2000 osservazioni
rndseed 9072006
genr e=nrnd
'generate un errore white noise da una N(0,1)
smpl 1 1
genr y=e
smpl 2 2000
y=0.8*y(-1)+e
'generate un errore autocorrelato da un modello Autoregressivo d'ordine 1 AR(1)
smpl 1 2000
equation eqar1.ls y c y(-1)
'stimate il modello AR(1) per y
'ora generiamo un errore x eteroschedastico:

'nelle prime 1000 osservazioni lo standard error è 2
smpl 1 1000
genr x=2*e
'nelle ultime 1000 osservazioni lo standard error è 4

smpl 1001 2000
genr x=4*e
'ed ora da x creiamo gli errori w che sono sia autocorrelati che eteroschedastici
smpl 1 1
genr w=x
smpl 2 2000
w=0.9*w(-1)+x
group errors e y x w
'riuniamoli in un gruppo chiamato errors
'ora simuliamo un modello lineare con costante e 2 regressori

smpl 1 2000
genr z1=10*rnd
genr z2=10*rnd
genr y1=2+z1+3*z2+x
group regressione y1 z1 z2 x
'creiamo il gruppo regressione
equation eqreg.ls y1 c z1 z2
'stimiamo il modello ols
'CH2 Test: stimiamo gli standard errors nei due sottocampioni

smpl 1 1000
scalar se1=eq1.@se
69
'salviamo la serie dei pesi per il GLS
genr weihat=se1
smpl 1001 2000

scalar se2=eq2.@se
weihat=se2
smpl 1 2000
equation eqregn.ls(n) y1 c z1 z2
'stimiamo il modello ols con Newey-West standard errors
equation eqregw.ls(h) y1 c z1 z2
'stimiamo il modello ols con White standard errors
'ora creiamo la serie con gli standard errors effettivi

smpl 1 1000
genr wei=2
smpl 1001 2000
wei=4
'primo modo per stimare con gls: dividiamo tutte le serie per wei
smpl 1 2000
equation eqred.ls y1/wei 1/wei z1/wei z2/wei
eqred.makeresid resred
'secondo: inseriamo tra le opzioni che il peso (w per weight) è 1/wei

smpl 1 2000
equation eqwls.ls(w=1/wei) y1 c z1 z2
eqwls.makeresid reswls
group red resred reswls

'mettiamo in gruppo i residi per osservarne le differenze
'stimiamo con wls usando gli standard errors stimati

smpl 1 2000
equation eqwlshat.ls(w=1/weihat) y1 c z1 z2
eqwlshat.makeresid reswlshat
equation eqwlshat2.ls y1/weihat 1/weihat z1/weihat z2/weihat
'proviamo a vedere se la varianza è cambiata in due sottocampioni

smpl 1 1000
scalar se1=eq1.@se
smpl 1001 2000

scalar se2=eq2.@se
weihat=se2
70
PARTE SECONDA: COME TESTARE I RESIDUI

Lo scopo di questa parte dell’esercitazione è quello di testare i residui di diverse regressioni tramite
vari test per controllare se i residui sono normali, non correlati ed omoschedastici. Partiamo
considerando delle serie che generiamo noi tramite il programma prog3.prg, il quale genera delle
serie random con diverse caratteristiche ed effettua delle stime proponendo diverse regressioni con
diversi problemi negli errori.
1) ERRORI NORMALI
Partiamo dalla prima regressione EQ1
ls m c h
Dependent Variable: M
Sample: 1 2000
C 2.001682 0.022244 89.98698 0.0000

H 0.400154 0.022049 18.14879 0.0000

Ecco i residui, sono oscillanti intorno allo zero, questo ci può suggerire che essi siano distribuiti
come una normale.
71
4
-1
-2
-3
-4
250 500 750 1000 1250 1500 175 0 2000
RES IDS1
Per saperlo, usiamo il test sulla normalità dei residui.
L’istogramma ci indica che i residui sono distribuiti come una normale con media 0 e varianza 1, la
statistica di Jarque-Bera non rifiuta l’ipotesi nulla di normalità dei residui.
Per l’ipotesi di Normalità degli errori:
72
Test di Jarque-Bera H0: Normalità di ε ⎛ μˆ 2 (
μˆ − 3σˆ 4
JB = T ⎜ 3 6 + 4
)
2
⎞
⎟ a
χ 2 (2)
H1: non Normalità di ε ⎜ 6σˆ 24σˆ 4 ⎟ ~
⎝ ⎠
H 0 , altre OLS
240
Series: Residuals
Sample 1 2000
200
Observations 2000
160 Mean -1.42e-16

Median -0.032632
Maximum 3.384899
120
Minimum -2.956185
Std. Dev. 0.994512
Kurtosis 2.883633
40
0
-3 -2 -1 0 1 2 3
2) ERRORI SERIALMENTE CORRELATI
Ora consideriamo l’altra regressione EQ2.
ls y c h
Sample: 1 2000
C 0.062939 0.030661 2.052726 0.0402

H 0.215765 0.030392 7.099505 0.0000

73
Dall’output, possiamo considerare la statistica di Durbin-Watson:

Test di Durbin-Watson H0: εt non correlato T
∑ (εˆ t − εˆt −1 ) 2
H1: εt = ρεt-1 + ut, ρ≠0 DW = t =2
≈ 2 − 2 ρˆ
T
∑ εˆ
2
t
t =1
Infatti, nella prima regressione, la statistica è un valore intorno a 2, caso in cui non c’è correlazione
seriale. Invece qui, la statistica assume un valore intorno a 0.60, ciò mostra che c’è un problema di
correlazione seriale positiva. Infatti, se guardiamo il grafico notiamo che le oscillazioni intorno allo
zero sono meno fitte, anche se continuano ad esserci (da ciò possiamo presumere che il problema di
correlazione seriale non sia rilevante).
-2
-4
-6
250 500 750 1000 1250 1500 1750 2000
RESIDS2
74
Ora testiamo la correlazione usando Breusch-Godfrey test
L’ipotesi nulla è l’assenza di correlazione seriale fino al ritardo considerato come ipotesi (qui,
abbiamo considerato il ritardo secondo). La statistica utilizzata è pari al prodotto tra il numero di
osservazioni e l’R2 della Test Equation. Tale statistica è distribuita come una chi-quadro con gradi
di libertà pari il numero dei ritardi dei residui. La tabella riporta pure un F-test per l’ipotesi nulla
che i parametri legati ai ritardi degli errori siano non significativi.
In questo caso, rifiutiamo l’ipotesi nulla, quindi la serie è correlata serialmente.
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 880.6772 Probability 0.000000

Obs*R-squared 937.5503 Probability 0.000000
Test Equation:
Dependent Variable: RESID
Presample missing value lagged residuals set to zero.
C 0.000435 0.022359 0.019441 0.9845

H 0.006750 0.022163 0.304569 0.7607
RESID(-1) 0.660676 0.022370 29.53459 0.0000
RESID(-2) 0.034667 0.022377 1.549242 0.1215
75

Nel libro troverete pure un’altra versione del test LM in cui si utilizzano le correlazioni stimate dei
residui.
Test LM H0: ε t non correlato ⎛ m 2⎞ a
LM = T ⎜⎜ ∑ rˆj ⎟⎟ χ 2 ( m)
H1: ε t correlato di ordine m ⎝ j =1 ⎠ ~
H 0 , altre OLS
3) ERRORI ETEROSCHEDASTICI
Ora consideriamo la regressione EQ3:
ls x c z
Dependent Variable: X
Sample: 1 2000
C 4.933039 0.934564 5.278438 0.0000

Z 27.39858 0.943466 29.04036 0.0000

Sum squared resid 3488926. Schwarz criterion 10.30968
76
Se osserviamo i residui notiamo che c’è un evidente caso di eteroschedasticità, dato che la varianza
dei residui è diversa nelle tre parti del campione.
300
200
100
-100
-200
-300
250 500 750 1000 1250 1500 1750 2000
RESIDS3
Testiamo questa ipotesi tramite i due test di White che si può realizzare automaticamente in
EViews:
77
Test di White H0: σi2=σ2 W = T⋅R2 ~ χ 2 (q )
H 0 , altreOLS
H1: σi2=f(γ+δZ), Z è T × q
L’ipotesi nulla è la presenza di omoschedasticità, esso non richiede l’ipotesi di Normalità degli
errori per ricavare la distribuzione della statistica.
In EViews abbiamo la possibilità di svolgere due tipi di White test: senza cross term e con cross
term. La differenza tra le due opzioni è data dal fatto che c’è la possibilità di avere i termini
incrociati tra i regressori, nel caso in cui abbiamo un solo regressore oltre la costante i risultati del
test sono identici come potete vedere sotto. L’ipotesi di omoschedasticità è rifiutata.
White Heteroskedasticity Test:No cross term

Test Equation:
Date: 03/28/07 Time: 10:27
Sample: 1 2000
C 24.69140 95.72890 0.257930 0.7965

Z -17.88970 78.20735 -0.228747 0.8191
Z^2 1753.026 57.32989 30.57787 0.0000

Sum squared resid 2.40E+10 Schwarz criterion 19.14802
78
White Heteroskedasticity Test:Cross term

Test Equation:
Date: 03/28/07 Time: 10:27
Sample: 1 2000
C 24.69140 95.72890 0.257930 0.7965

Z -17.88970 78.20735 -0.228747 0.8191
Z^2 1753.026 57.32989 30.57787 0.0000

79
Possiamo testare l’ipotesi nulla di omoschedasticità con il test di Goldfeld-Quandt e con il test di
Breusch-Pagan.
Test di Goldfeld-Quandt H0: σi2=σ2 RSS 2
GQ = ~ F(p,p)
H1: σi2=cXi2, c>0, RSS1 H 0 , altre OLS
∑ (γˆ + δˆZ )
Test di Breusch-Pagan H0: σi2=σ2 T 2
2 i
H1: σi =f(γ+δZ), Z è T × q BP = i =1
~ χ 2 (q)
2 H 0 , altreOLS
Questi possono essere svolti solo nel caso in cui i residui oltre ad un problema di eteroschedasticità
rispettano le altre ipotesi del modello lineare,inoltre non vengono implementati automaticamente in
EViews, ma bisogna costruirli a mano.
4) ERRORI ETEROSCHEDASTICI ed AUTOCORRELATI
Consideriamo la regressione EQ4.

ls w c x
Dependent Variable: W
Sample: 2 2000
C 33.53275 0.194248 172.6289 0.0000

X 0.940519 0.015717 59.84271 0.0000

Dall’output notiamo che c’è un problema di correlazione seriale, in considerazione della statistica di
Durbin-Watson. Se osserviamo il grafico, notiamo oltre ad un problema di correlazione, anche un
problema di eteroschedasticità.
80
40
30
20
10
-10
-20
-30
-40
250 500 750 1000 1250 1500 1750 2000
RESIDS4
Ora rifacciamo le analisi viste precedentemente sui residui il test Breusch- Godfrey rifiuta l’ipotesi
nulla di assenza di correlazione seriale ed il test di White rifiuta l’ipotesi di omoschedasticità.

Test Equation:
81
C -0.065906 0.155892 -0.422771 0.6725

X 0.012855 0.012620 1.018619 0.3085
RESID(-1) 0.618569 0.022397 27.61837 0.0000
RESID(-2) -0.035183 0.022404 -1.570393 0.1165
R-squared 0.356753 Mean dependent var 2.61E-15


Test Equation:
Sample: 2 2000
C 46.55645 3.836097 12.13641 0.0000

X -0.943796 0.316148 -2.985295 0.0029
X^2 0.124876 0.010465 11.93292 0.0000

Sum squared resid 43686075 Schwarz criterion 12.84142
82
Ecco un confronto tra i diversi residui analizzati in questa esercitazione: Notate che RESIDS1
Mostrano le caratteristiche di una serie normale, con media zero e varianza 1, invece RESIDS2
mostra delle oscillazioni più lente intorno allo zero, tipico sintomo di serie correlata. RESIDS3
mostrano l’esistenza di un problema di eteroschedasticità, anche RESDIS4 mostrano questo
sintomo abbinato ad un problema di correlazione.
RESIDS1 RESIDS2
4 6
3
4
2
2
1
0 0
-1
-2
-2
-4
-3
-4 -6
250 500 750 1000 1250 1500 1750 2000 250 500 750 1000 1250 1500 1750 2000
RESIDS3 RESIDS4
300 200
200
100
100
0 0
-100
-100
-200
-300 -200
250 500 750 1000 1250 1500 1750 2000 250 500 750 1000 1250 1500 1750 2000
83
In EVIEWS 6 c’è la possibilità di implementare altri nuovi Test sull’eteroschedasticità:
Heteroskedasticity Test: Breusch-Pagan-Godfrey

Scaled explained SS 6.217720 Prob. Chi-Square(1) 0.0126
Test Equation:
Date: 04/09/08 Time: 11:41
Sample: 2 2000
C 1185.128 86.25094 13.74046 0.0000

X 1.894442 1.721021 1.100766 0.2711

84
Log likelihood -19330.28 Hannan-Quinn criter. 19.34400
F-statistic 1.211686 Durbin-Watson stat 1.000420
Prob(F-statistic) 0.271131
Per esempio il Breusch-Pagan-Godfrey è simile al Breusch-Pagan tradizionale che studiate dal

libro, Harvey e Glejser sono costruiti in maniera simile, con l’unica differenza nell’ipotesi
alternativa (potete consultare l’Help di Eviews 6 per maggiori chiarimenti e curiosità!).
Programma SECONDA PARTE ESERCITAZIONE
wfcreate(wf="tests_resids") u 1 2000
rndseed 21101980
'generiamo dei white noise con media zero e varianza 1
genr e=nrnd
genr h=nrnd
genr m=nrnd+2+0.4*h
'Osserviamo se i residui della seguente regressione sono normali

equation eq1.ls m c h
eq1.makeresids resids1
resids1.hist
'salviamo l'istogramma
freeze(norm_eq1) resids1.hist
'ora consideriamo una serie con problemi di correlazione

smpl 1 1
genr y=0
smpl 2 2000
'ipotizziamo un processo autocorrelato di ordine 1
y=0.7*y(-1)+0.2*h+e
smpl 1 2000
'stimiamo il seguente modello e testiamo sui residui con il test di Breusch-Pagan l'ipotesi di
assenza di correlazione
equation eq2.ls y c h
eq2.auto(2)
freeze(bp_eq2) eq2.auto(2)
85
'ora consideriamo un problema di eteroschedasticità
rndseed 21101980
smpl 1 2000
genr z=nrnd
genr ee=e
'generiamo l'errore che ha varianza diversa per 3 sottocampioni

smpl 1 1000
genr ee=e
genr x=ee+z+5
smpl 1001 1500

genr eee=5*ee
genr x=eee+z+5
smpl 1501 2000

genr eeee=100*e
genr x=eeee+z+5
'stimiamo su tutto il campione

smpl 1 2000
'Ora testiamo l'ipotesi nulla di assenza di eteroschedasticità tramite il test di White
equation eq3.ls x c z
eq3.white(c)
freeze(white_eq3) eq3.white(c)
'ora creiamo una nuova serie che ha problemi sia di eteroschedasticità che di correlazione
smpl 1 1
genr w=x
smpl 2 2000
w=10+x+0.6*w(-1)
'testiamo i residui tramite i test di Breusch-Pagan e di White

equation eq4.ls w c x
eq4.auto(2)
eq4.white(c)
freeze(bp_eq4) eq4.auto(2)
freeze(white_eq4) eq4.white(c)
group rex resids1 resids2 resids3 resids4

rex.line(m)
freeze(confronto) rex.line(m)
86
QUARTA ESERCITAZIONE
In questa esercitazione usiamo il workfile wage.wf1.
1) Modello log-linearizzato
Consideriamo un modello in cui vogliamo spiegare il salario avendo come variabili esplicative
gli anni di attività lavorativa di un individuo, il suo livello di istruzione e il sesso.
Il livello di istruzione viene indicato dalla variabile educ che è una variabile discreta,
qualitativa, ovvero una variabile che assume i valori 1, 2, 3, 4,5 in base al livello di istruzione
(1=scuola elementare; 2=scuola media; 3=scuola professionale di 3 anni; 4=liceo; 5=università)
dell’individuo. Il sesso è indicato dalla variabile “male”, che è una variabile dummy, ovvero una
variabile binaria che può assumere solo 2 valori: 0 oppure 1, 1 se l’individuo è di sesso
maschile. Stiamo trattando un dataset cross-section, ovvero dove abbiamo osservazioni per tanti
individui.
Ecco il grafico della variabile educ e l’istogramma e le statistiche di male:
0
250 500 750 1000 1250
EDUC
900
Series: MALE
800 Sample 1 1404
700 Observations 1403
600 Mean 0.598004

Median 1.000000
500 Maximum 1.000000
400 Minimum 0.000000
Std. Dev. 0.490476
300 Skewness -0.399772
Kurtosis 1.159817
200
0
0.0 0.2 0.4 0.6 0.8 1.0
87
L’unica variabile non qualitativa è l’esperienza. Ora trattiamo il modello trasformando il salario
e l’esperienza in logaritmi, lasciando in livelli l’istruzione e la variabile male.
genr lwage=log(wage)
genr lexper=log(exper)
Confrontiamo le serie in livelli ed in logaritmi:

900 50
800
700 40
600
30
500
400
20
300
200
10
100
0 0
250 500 750 1000 1250 250 500 750 1000 1250
LWAGE WAGE LEXPER EXPER
Ora stimiamo il seguente modello:
log(WAGE ) = β1 + β 2 log( EXPER ) + β 3 MALE + β 4 EDUC + ε t
equation eq1.ls lwage c lexper male educ
Dependent Variable: LWAGE

Sample (adjusted): 1 1403
Included observations: 1403 after adjustments
C 5.022208 0.036506 137.5717 0.0000

LEXPER 0.175657 0.008811 19.93714 0.0000
MALE 0.101153 0.014279 7.084097 0.0000
EDUC 0.138109 0.006118 22.57558 0.0000

88
Notiamo che ora il coefficiente stimato per l’esperienza è l’elasticità, ovvero di quanto aumenta in
percentuale la variabile dipendente in caso di un aumento percentuale della variabile che misura gli
anni di esperienza; lavorativa. In questo caso tale elasticità è pari a 0.17, cioè un aumento del 1%
dell’esperienza lavorativa porta ad un aumento dello 0.17% del salario.
Il coefficiente legato a “Male” ci dice che se l’individuo è maschio, il suo stipendio medio a parità
di condizioni è pari al 110% del reddito di un individuo di sesso femminile. Questa osservazione si
basa sul fatto che per x molto piccoli, e x ≈ 1 + x , come si può osservare dal grafico seguente
(ottenuto nella sezione esempio del programma):
1.24
1.20
1.16
1.12
1.08
1.04
1.00
0.96
2 4 6 8 10 12 14 16 18 20
1+X EX
Invece la variabile educ può essere considerata una variabile continua, ed il campione è ordinato
considerando tale variabile. Quindi l’interpretazione data al coefficiente stimato è quella di
semi-elasticità, più è elevato il grado di istruzione, più il salario aumenta.
Ogni successivo grado d’istruzione fa aumentare il salario del 13% rispetto alla media a parità
di esperienza lavorativa.
In termini monetari il salario aumenterà quindi di 0.13*wage (questa sarà la pendenza), mentre
l’elasticità sarà pari a 0.13*educ. Notate che in questa ultima interpretazione possiamo
considerare la media di wage e educ per ottenere un valore puntuale di elasticità e pendenza,
oppure possiamo considerare i singoli valori per ogni individuo e quindi elasticità e pendenza
cambiano a seconda dell’individuo.
Consultate la pagina 142 del libro dove trovate una tabella riassuntiva di tutti i casi
possibili di modelli in livelli e logaritmi.
2) Test sui residui e di linearità
Se esiste una relazione non lineare tra la variabile dipendente ed i regressori, il modello può
essere approssimato tramite un’espansione di Taylor come un modello lineare che include tra i
regressori le potenze ed i prodotti incrociati dei regressori. In una regressione contenente questi
ulteriori regressori i loro coefficienti risulteranno significativi in presenza di non linearità.
89
Se ci sono poche osservazioni e molti regressori, diventa impossibile stimare il modello
necessario per un test di non linearità che consideri espressamente i regressori non lineari; per
questo nel test di Ramsey si sostituiscono tali regressori con le potenze delle serie stimate
(FITTED)
Il Ramsey RESET è un test a due stadi: nel primo stadio si stima il modello lineare e si
ottengono i valori stimati (indicati nell’output come FITTED), nel secondo le potenze di
FITTED vengono aggiunte nella regressione come serie che approssimano la presenza di
regressori non lineari. L’ipotesi nulla del test è che i coefficienti di questi termini siano
congiuntamente non significativi, quindi rifiutando l’ipotesi nulla, rifiutiamo l’ipotesi di
linearità.
Possiamo effettuare il test usando il comando nel programma:

freeze(ram_reset1) eq1.reset(3)
Oppure dalla finestra dell’equazione:
In questo caso scegliamo tre potenze della variabile dipendente stimata come regressori aggiunti
che includono la componente non lineare.
Ramsey RESET Test:

Log likelihood ratio 9.496277 Probability 0.023371
90
Test Equation:
Sample: 1 1403
C 8691.182 4479.696 1.940128 0.0526

LEXPER 427.5820 221.9622 1.926373 0.0543
MALE 246.2236 127.8180 1.926360 0.0543
EDUC 336.1804 174.5158 1.926361 0.0543
FITTED^2 -627.3340 320.5141 -1.957275 0.0505
FITTED^3 71.78143 36.10392 1.988189 0.0470
FITTED^4 -3.075670 1.523879 -2.018317 0.0437

Osservando la F-statistic e la Log-likelihood, rifiutiamo l’ipotesi nulla considerando un livello di

confidenza del 5% e del 10%, invece se usiamo come livello di confidenza l’1%, non possiamo
rifiutare l’ipotesi nulla.
Ora testiamo l’autocorrelazione e l’eteroschedasticità, usando i test di Breusch-Godfrey e di White,

visti nella scorsa esercitazione.

Test Equation:
91
C -0.000394 0.036489 -0.010808 0.9914

LEXPER 0.000321 0.008814 0.036398 0.9710
MALE -0.000808 0.014316 -0.056453 0.9550
EDUC 1.59E-05 0.006115 0.002598 0.9979
RESID(-1) 0.025819 0.026773 0.964371 0.3350
RESID(-2) -0.042536 0.026809 -1.586626 0.1128
R-squared 0.002416 Mean dependent var 4.19E-16


Test Equation:
Sample: 1 1403
C 0.001976 0.076820 0.025716 0.9795

LEXPER 0.013238 0.030734 0.430719 0.6667
LEXPER^2 0.005632 0.004812 1.170321 0.2421
LEXPER*MALE -0.014651 0.010351 -1.415342 0.1572
LEXPER*EDUC -0.003218 0.004742 -0.678505 0.4976
MALE -0.003870 0.042307 -0.091466 0.9271
MALE*EDUC 0.009927 0.007442 1.333880 0.1825
EDUC 0.003711 0.027223 0.136309 0.8916
EDUC^2 0.000809 0.002892 0.279784 0.7797
92
S.E. of regression 0.147463 Akaike info criterion -0.984091
Sum squared resid 30.31281 Schwarz criterion -0.950436
Log likelihood 699.3398 F-statistic 2.505688
Notiamo che c’è un problema di eteroschedasticità, invece non è presente un problema di

correlazione seriale.
Controlliamo le statistiche descrittive ed il test di Normalità sui residui, usando i comandi nella
barra oppure il comando:
eq1.makeresids res1
freeze(statistics) res1.stats
240
Series: Residuals
Sample 1 1403
200
Observations 1403
160 Mean 4.19e-16

Median 0.016823
Maximum 0.659060
120
Minimum -1.602980
Std. Dev. 0.257325
80 Skewness -0.905361
Kurtosis 6.005613
40
0
-1.5 -1.0 -0.5 0.0 0.5
Notate che i residui non sono Normali, la kurtosis è di 6, invece che di 3, le skewness è –0.90,
invece che 0; quindi ci sono dei problemi. Osservando il grafico, possiamo vedere che nella coda
sinistra della distribuzione ci sono delle osservazioni che possiamo definire degli outliers, oppure
osservazioni aberranti, ovvero dei valori che possono influenzare pesantemente la nostra
distribuzione in modo sbagliato.
Dal punto di vista economico, considerando che i residui sono la differenza tra i valori effettivi ed i
valori stimati, è possibile che il salario di qualche individuo sia stranamente troppo basso rispetto a
quello stimato, oppure si sono verificati degli errori di misurazione nel raccogliere i dati.
Osservando anche il grafico dei residui dell’equation 1, notiamo questo problema:
93
6.8
6.4
6.0
5.6
5.2
1.0 4.8
0.5 4.4
0.0
-0.5
-1.0
-1.5
-2.0
250 500 750 1000 1250
Residual Actual Fitted
Infatti, ci sono dei residui molto bassi rispetto agli altri, cioè ci sono degli outliers.
Per risolvere questo problema, possiamo scartare queste osservazioni, cambiando il campione,
oppure utilizzare una regola più sistematica.
Per esempio potremmo decidere di scartare tutte le osservazioni i cui residui siano minori di –2
volte lo standard error della regressione, quindi consideriamo una restrizione nel campione di stima
imponendo la restrizione che devono essere utilizzate solo le osservazioni che avevano residui>-
2*standard error nella prima regressione.
scalar se1=eq1.@se
smpl if resids1>-2*se1
Ristimiamo la regressione su questo sottocampione creato:

Sample: 1 1404 IF RESIDS1>-2*SE1

94
C 4.989661 0.031324 159.2940 0.0000
LEXPER 0.187779 0.007528 24.94314 0.0000
MALE 0.102550 0.012269 8.358177 0.0000
EDUC 0.145801 0.005286 27.58135 0.0000

Notate l’indicazione del sample, ora abbiamo un sample ristretto ed i coefficienti comunque sono
molto simili alla prima regressione.
Ora riconsideriamo tutti i test sui residui:
Ramsey RESET Test:

Log likelihood ratio 8.210025 Probability 0.041865
Test Equation:
C 4908.100 3076.051 1.595585 0.1108

LEXPER 260.4952 164.6181 1.582421 0.1138
MALE 142.2578 89.90079 1.582386 0.1138
EDUC 202.2573 127.8172 1.582396 0.1138
FITTED^2 -357.1253 221.7743 -1.610309 0.1076
FITTED^3 40.81011 24.91300 1.638105 0.1016
FITTED^4 -1.745487 1.048550 -1.664667 0.0962
95
140
Series: RES2
120 Sample 1 1404 IF RESIDS1>
-2*SE1
100 Observations 1357
80 Mean 3.43e-16
Median 0.000884
Maximum 0.635701
60
Minimum -0.539518
Std. Dev. 0.217277
40
Skewness -0.024856
Kurtosis 2.715269
20
0 Probability 0.094247
-0.4 -0.2 -0.0 0.2 0.4 0.6

Test Equation:
Presample and interior missing value lagged residuals set to zero.
C 1.30E-07 0.031267 4.15E-06 1.0000

LEXPER 5.82E-05 0.007520 0.007737 0.9938
MALE -0.000313 0.012276 -0.025470 0.9797
EDUC -1.31E-05 0.005277 -0.002490 0.9980
RESID(-1) 0.070211 0.027771 2.528261 0.0116
RESID(-2) -0.042134 0.027715 -1.520250 0.1287
96

Test Equation:
C -0.028067 0.032641 -0.859870 0.3900

LEXPER 0.023239 0.013033 1.783114 0.0748
LEXPER^2 -0.000947 0.002041 -0.464140 0.6426
LEXPER*MALE -0.003759 0.004386 -0.856880 0.3917
LEXPER*EDUC -0.003579 0.002016 -1.775877 0.0760
MALE 0.002885 0.017956 0.160652 0.8724
MALE*EDUC 0.002505 0.003185 0.786760 0.4316
EDUC 0.024532 0.011621 2.111017 0.0350
EDUC^2 -0.002415 0.001236 -1.953885 0.0509

97
Notate che abbiamo risolto il problema di eteroschedasticità, ma abbiamo creato un po’ di
autocorrelazione nei residui.
Ora utilizzando un nuovo comando: tra gli stability tests possiamo osservare la stima ricorsiva dei
coefficienti della nostra regressione,ovvero come si evolve la stima dei parametri al cambiare del
campione, per capire se i parametri cambiano all’aumentare del livello medio d’istruzione.
Possiamo usare i comandi nella barra:
Oppure il comando nel programma:
98
freeze(c1) eq2.rls(c) c(1) c(2) c(3) c(4)
Ecco l’output:
5 .3 .2 4
5 .2
.2 0
5 .1
.1 6
5 .0
.1 2
4 .9
.0 8
4 .8
4 .7 .0 4
250 500 750 1 00 0 1250 250 500 750 1000 1250
R e cu rs ive C (1 ) Es tim a te s ± 2 S .E . R e cu rs ive C (2 ) E s t im a te s ± 2 S .E .
.3 5 .2 4
.3 0
.2 0
.2 5
.1 6
.2 0
.1 2
.1 5
.0 8
.1 0
.0 5 .0 4
250 500 750 1 00 0 1250 250 500 750 1000 1250
R e cu rs ive C (3 ) Es tim a te s ± 2 S .E . R e cu rs ive C (4 ) E s t im a te s ± 2 S .E .
Notate dal terzo riquadro che il differenziale percentuale di salario tra uomini e donne diminuisce
con l’aumentare dell’istruzione, negli altri casi invece la stima varia di poco. Infatti notiamo che se
l’istruzione è solamente elementare, il salario degli uomini è di poco più superiore del 25% del
salario delle donne, se l’istruzione è universitaria il salario degli uomini è poco più di quello delel
donne “solo” del 10%.
Notata la tabella dei coefficienti stimati di c(1) c(2) c(3) c(4) ricorsivamente:
Stiamo considerando il campione ristretto, senza considerare outliers; notate che l’ultima stima è
quella che è riportata nell’output della regressione eq1.
3) Dummy
Abbiamo detto precedentemente che la variabile educ è una variabile qualitativa che può assumere i
valori 1, 2, 3, 4, 5 a seconda del grado d’istruzione dell’individuo. Utilizzando tale variabile come
regressore abbiamo stimato che un aumento del livello d’istruzione aumenta il salario del 14%.
Se consideriamo restrittiva l’ipotesi che ogni passaggio nel livello d’istruzione porti alla stessa
variazione percentuale di salario, possiamo utilizzare della variabili dummy.
99
Al posto di considerare questa variabile, creiamo delle variabili dummy, ovvero delle variabili
binarie che assumono valore 1 oppure 0, in base al livello di istruzione.
Queste assumono valore 0 tranne nella parte del campione in cui educ assume valore 1 (nel caso di
dummy 1), valore 2 (nel caso di dummy 2), valore 3 (nel caso di dummy 3), valore 4 (nel caso di
dummy 4) e valore 5 (nel caso di dummy 5).
Ecco i comandi:
smpl @all
genr d1=0
genr d2=0
genr d3=0
genr d4=0
genr d5=0
smpl if educ=1
d1=1
smpl if educ=2
d2=1
smpl if educ=3
d3=1
smpl if educ=4
d4=1
smpl if educ=5
d5=1
Ora stimiamo la seconda regressione (considerando sempre il campione ristretto per evitare gli
outliers) usando le dummy al posto di educ.
Ricordate che in questo caso le dummy si dicono additive, perché si sommano alla costante nel
momento in cui assumono valore 1, quindi la pendenza della retta di regressione (logaritmo del
salario in funzione dell’esperienza) è uguale; avremo infatti 5 linee di regressione diverse con
diversa intercetta ma con identica pendenza (se non teniamo conto di male, altrimenti avremmo 10
rette di regressione)..
Notate poi un altro aspetto fondamentale.

Se inseriamo 5 dummy ed una costante, più altri regressori, accade che la matrice delle X non è più
invertibile per un problema di multicollinearità, dato che il regressore legato alla costante è una
colonna di 1 e che quindi è pari alla somma delle dummy, cioè è una loro combinazione lineare.
Quindi non possiamo mettere tutte le variabili, ma dobbiamo scartare una dummy (nel nostro caso
d1).
Questo problema viene chiamato DUMMY TRAP, la trappola della dummy.
smpl if (resids1)>-2*se1
equation eq3.ls lwage c lexper male d2 d3 d4 d5

Sample: 1 1404 IF (RESIDS1)>-2*SE1
C 5.141733 0.033373 154.0689 0.0000
100
LEXPER 0.187468 0.007545 24.84598 0.0000
MALE 0.103011 0.012388 8.315611 0.0000
D2 0.143160 0.026130 5.478687 0.0000
D3 0.277877 0.025069 11.08465 0.0000
D4 0.437280 0.025919 16.87124 0.0000
D5 0.577308 0.026807 21.53584 0.0000

In questa nuova regressione i coefficienti stimati sono interpretabili in maniera simile rispetto alla
variabile “male”.
Ciò che è interessante da leggere è come passando da un grado scolastico 1 ad un grado 2, il salario
aumenti del 14%, dal secondo grado al terzo aumenti del 13% (0.27-0.14), dal secondo al quarto,
aumenti del 29% (0.43-0.14), dal quarto al terzo aumenti del 16% (0.43-0.27), dal quinto al secondo
aumenti del 43% (0.57-0.14) e dal quarto al quinto del 14% (0.57-0.43).
In effetti, l’approssimazione del tasso di crescita come esponente di e è valido per bassi tassi di
crescita, ma rimane il fatto che con l’aiuto delle dummy possiamo per esempio dire che il salario in
logaritmi aumenta in maniera più rilevante nel caso in cui un individuo scelga la scuola superiore
rispetto alla scuola professionale.
4) Forecasting
In questa sezione accenniamo alle previsioni, che saranno più importanti quando tratteremo i
modelli dinamici (dato che per esempio è in modelli dinamici riguardanti l’evoluzione di un
titolo azionario che apprezziamo maggiormente l’importanza delle previsioni).
Nel nostro caso in cui abbiamo un dataset cross-section di individui possiamo utilizzare le
previsioni come strumento per valutare la bontà di diversi modelli.
Per esempio possiamo confrontare due modelli più semplici dove il salario è funzione
dell’esperienza.
I due modelli verranno stimati nel campione 1-1300, e confrontando i valori previsti per le
ultime osservazioni con i valori effettivi possiamo capire quale possa essere il modello migliore.
L’equazione 4 è la regressione del logaritmo dei salari sull’esperienza sul campione 1 1300
log(wage) = β1 + β 2 exp er + ε t
smpl 1 1300
equation eq4.ls lwage c exper
101
Sample: 1 1300
C 5.839672 0.016706 349.5498 0.0000

EXPER 0.008250 0.000839 9.836913 0.0000

Interpretiamo il coefficiente stimato come una semi-elasticità, cioè la variazione percentuale del
salario all’aumentare degli anni di esperienza. Se l’esperienza aumenta di 1, il salario aumenta
di 0.008*wage; l’elasticità sarà pari a 0.008*exper.
Ora sul restante campione compiamo una previsione, cioè indichiamo quale dovrebbe essere il
valore atteso del logaritmo del salario di un individuo se conosciamo gli anni di esperienza e sulla
base delle informazioni che abbiamo per i primi 1300 individui.
Possiamo usare i comandi nella barra:
102
Oppure usare i comandi:
smpl 1301 1404

freeze(f4) eq4.forcst(e,n) lwagef4n selwagef4n
Creando la previsione della serie chiamata lwagef4n e lo standard error selwagef4n.

Ed ecco le statistiche che descrivono la previsione:
Forecast: LWAGEF4N
Actual: LWAGE
Forecast sample: 1301 1404
Adjusted sample: 1301 1403
Root Mean Squared Error 0.336404

Mean Absolute Error 0.279915
Mean Absolute Percentage Error 4.467966
Theil Inequality Coefficient 0.027767
Bias Proportion 0.359644
Variance Proportion 0.465118
Covariance Proportion 0.175238
103
smpl 1301 1404
group g4 lwage lwagef4n-1.96*selwagef4n lwagef4n+1.96*selwagef4n
freeze(gp4)g4.line
Usando i comandi qui sopra, possiamo creare gli intervalli di confidenza intorno alla previsione.
Confrontandoli con la serie effettiva notiamo che il valore effettivo del logaritmo del salario si
trova quasi sempre all’interno dell’intervallo di confidenza basato sul modello stimato nelle
prime 1300 osservazioni. Se cosi non fosse, possiamo affermare che il modello non funziona per
le ultime osservazioni, e che quindi è meglio provare con un modello diverso, o stimare lo
stesso modello nei due sottocampioni (ci troviamo cioè davanti ad un break strutturale).
6 .8
6 .4
6 .0
5 .6
5 .2
1325 1350 1375 1400
LW AGE
L W A G E F 4 N - 1 .9 6 * S E L W A G E F 4 N
L W A G E F 4 N + 1 .9 6 * S E L W A G E F 4 N
Proviamo a rifare il test di Ramsey su questa specificazione:
Ramsey RESET Test:

Log likelihood ratio 50.71115 Prob. Chi-Square(2) 0.0000
Test Equation:
Sample: 1 1403
104
C 2691.243 4161.783 0.646656 0.5180

EXPER 6.102034 9.151916 0.666749 0.5050
FITTED^2 -112.5849 179.7773 -0.626247 0.5313
FITTED^3 5.834915 9.948995 0.586483 0.5576

Rifiutiamo l’ipotesi nulla di linearità.
Ora rifacciamo la stessa operazione sull’altro modello:

log(WAGE ) = β 1 + β 2 EXPER + β 3 EXPER 2 + ε t
smpl 1 1300
equation eq5.ls lwage c exper exper^2

Sample: 1 1300
C 5.713872 0.025134 227.3322 0.0000

EXPER 0.026804 0.002923 9.169139 0.0000
EXPER^2 -0.000487 7.35E-05 -6.616059 0.0000

105
In questo caso per interpretare i coefficienti dobbiamo fare attenzione alle formule matematiche. Per
calcolare la semi-elasticità:
∂ log(WAGE )
= β 2 + 2 β 3 EXPER
∂EXPER
Invece, l’effetto marginale è calcolato nel seguente modo:
∂WAGE ∂WAGE ∂ log(WAGE )

= = WAGE * (β 2 + 2 β 3 EXPER )
∂EXPER ∂ log(WAGE ) ∂EXPER
Come prima, se prendiamo una media di wage ed exper, abbiamo un valore puntuale, altrimenti
avremo un valore che sarà diverso per ogni individuo.
Ora effettuiamo le previsioni anche per questo secondo modello con i seguenti comandi:
smpl 1301 1404

Forecast: LWAGEF5N
Actual: LWAGE
Adjusted sample: 1301 1403

Mean Absolute Percentage Error 4.390080
Bias Proportion 0.401099
smpl 1301 1404

freeze(gp5) g5.line
106
6.8
6.4
6.0
5.6
5.2
4.8
1325 1350 1375 1400
LWAGE
LWAGEF5N-1.96*SEL WAGEF5N
LWAGEF5N+1.96*SEL WAGEF5N
Qua sotto riportiamo le formule di Root Mean Squared Error, Mean Absolute Error e Mean
Absolute Percentage Error.
Dove h è la lunghezza del campione di previsione. Le prime due statistiche ci danno un valore
assoluto, ed a parità di variabile dipendente considerata minori sono le statistiche, migliore è il
modello. Se vogliamo avere un’idea dell’importanza relativa degli errori di previsione rispetto
al valore effettivo utilizziamo il Mean Absolute Percentage Error; per esempio in questi due
modelli in media l’errore di previsione è pari a poco più del 4% del valore effettivo.
Sulla base di tali statistiche il modello di eq5 è migliore, ma comunque i valori effettivi sono in
tutti e due i casi all’interno dell’intervallo di confidenza.
Rifacciamo il test di Ramsey su questa specificazione, in cui aggiungiamo l’esperienza al

quadrato:
107
Ramsey RESET Test:

Log likelihood ratio 2.383957 Prob. Chi-Square(1) 0.1226
Test Equation:
Sample: 1 1403
C 52.41160 30.26828 1.731568 0.0836

EXPER 0.496446 0.303935 1.633395 0.1026
EXPER^2 -0.009158 0.005607 -1.633453 0.1026
FITTED^2 -1.426548 0.924853 -1.542459 0.1232

Ora non possiamo rifiuta tare l’ipotesi nulla di linearità.
108
PROGRAMMA
'specificazione log-lineare: parametri sono 'principalmente semi-elasticità
'grafico delle variabili qualitative

smpl @all
freeze(male_grafico) male.hist
freeze(educ_grafico) educ.line
'trasformazione logaritmica della variabili wage ed exper
smpl @all
genr lwage=log(wage)
genr lexper=log(exper)
'grafico per confrontare i livelli ed i logaritmi
group ww lwage wage
freeze(ww_grafico) ww.line
group ee lexper exper
freeze(ee_grafico) ee.line
'regressione e test sui residui
eq1.forcst wagef_eq1
'test di Ramsey-Reset
'test di correlazione seriale
freeze(bp1) eq1.auto(2)
'test di White
freeze(white1) eq1.white(c)
'statistiche sui residui

eq1.makeresids res1
freeze(statistics) res1.stats
freeze(hist_res1) res1.hist
'eliminare gli outliers negativi

scalar se1=eq1.@se
'nuova specificazione sul sottocampione pulito dagli outliers

smpl if resids1>-2*se1
freeze(bp2) eq2.auto(2)
freeze(white2) eq2.white(c)
eq2.makeresids res2
freeze(statistics2) res2.stats
freeze(hist_res2) res2.hist
'recursive coefficients: l'effetto di educ su wage scende all'aumentare di educ

freeze(c1) eq2.rls(c) c(1) c(2) c(3) c(4)
'creiamo dummy per il livello di istruzione

smpl @all
genr d1=0
genr d2=0
genr d3=0
genr d4=0
genr d5=0
109
smpl if educ=1
d1=1
smpl if educ=2
d2=1
smpl if educ=3
d3=1
smpl if educ=4
d4=1
smpl if educ=5
d5=1
'usiamo le dummy al posto di educ

smpl if (resids1)>-2*se1
equation eq3.ls lwage c lexper male d2 d3 d4 d5
'Confrontiamo due specificazioni usando soltanto la variabile exper con out-of-sample forecasts
'exper in livelli
smpl 1 1300
equation eq4.ls lwage c exper
'forecasting
smpl 1301 1404
'intervalli di confidenza
smpl 1301 1404
freeze(gp4) g4.line
'exper in livelli ed in termini quadrati

smpl 1 1300
equation eq5.ls lwage c exper exper^2
'forecasting
smpl 1301 1404
'intervalli di confidenza
smpl 1301 1404
freeze(gp5) g5.line
'esempio
smpl 1 20
genr x=@trend*0.01
genr ex=exp(x)
group expo 1+x ex
freeze(exp_graf) expo.line
smpl @all
110
QUINTA ESERCITAZIONE
PRIMA PARTE
L’obiettivo di questa prima parte dell’esercitazione è quello di imparare ad analizzare delle serie
storiche, utilizzando il programma eserc_5.prg.
Creiamo un workfile con 1000 osservazioni
rndseed 10101010
wfcreate(wf=eserc_5) u 1 1000
Generiamo un processo white noise estratto da una normale standardizzata.
genr et=nrnd
Generiamo un processo MA(1) che chiamiamo ht e che useremo in seguito. Le osservazioni al

tempo t di questa serie dipendono solo dai residui al tempo t ed al tempo (t-1):
genr ht=et+0.7*et(-1)
Generiamo inoltre dei processi AR : tali modelli spiegano yt in funzione del suo passato (cioè di
valori ritardati della stessa serie : y(t-1), y(t-2),...,)
Quando generiamo dei processi autoregressivi AR, dobbiamo scegliere le condizione iniziali; il
numero di osservazioni iniziali da fissare corrispondono al numero di ritardi del processo (ad
esempio nel caso di un processo AR(2), dobbiamo fissare 2 osservazioni iniziali). Possiamo fissare
le condizioni iniziali uguali a 0.
genr yt=0
genr xt=0
genr zt=0
genr kt=0
Ora creiamo due processi AR(1): il processo yt è stazionario in senso debole (cioè con media,
varianza ed autocovarianze che non dipendono da t) dato che il parametro alpha è pari a 0.
Invece il processo xt è non stazionario dato che alpha è pari ad 1.
In questo caso vi è un trend stocastico (pari alla sommatoria dei residui), abbiamo cioè un processo
con radice unitaria.
smpl 2 1000
genr yt=0.7*yt(-1)+et
genr xt=xt(-1)+et
Ora creiamo zt come somma tra un trend deterministico e il residuo al tempo t:

genr zt=@trend+et
Ed infine creiamo un processo autoregressivo stazionario con trend deterministico :

genr kt=0.6*kt(-1)+0.1*@trend+et
111
Ora osserviamo il grafico dei 4 processi :
freeze(graph_yt) yt.line
freeze(graph_xt) xt.line
freeze(graph_zt) zt.line
freeze(graph_kt) kt.line
300 40
250 30
20
200
10
150
0
100
-10
50
-20
0 -30
-50 -40
250 500 750 1000 250 500 750 1000
KT XT
4 1200
3
1000
2
1 800
0
600
-1
-2 400
-3
200
-4
-5 0
250 500 750 1000 250 500 750 1000
YT ZT
Notate che la serie yt sembra essere correlata, ma la correlazione non è molto alta e la serie oscilla
intorno allo zero, la media del processo (proprietà del mean reverting). Infatti nei processi
autoregressivi, stazionari, media e varianza non dipendono dal tempo.
Invece il processo xt non oscilla intorno allo zero, poiché gli effetti dei singoli residui si cumulano
senza scomparire nel medio-lungo periodo come nel caso precedente; questo è un sintomo di
persistenza generata da una radice unitaria. In questo caso la varianza del processo aumenta
all’aumentare del tempo.
La serie zt mostra le caratteristiche di un trend lineare, deterministico, notate che la serie cresce con
l’aumentare del tempo. Anche la serie kt mostra le caratteristiche di un trend deterministico, anche
se è una combinazione tra un processo autoregressivo stazionario ed un trend deterministico.
Nel caso di serie storiche, è utile osservare il correlogramma delle serie in questione.
Il correlogramma mette in evidenza la partial autocorrelation e la autocorrelation function.
freeze(correl_yt) yt.correl(16)
112
freeze(correl_xt) xt.correl(16)
freeze(correl_zt) zt.correl(16)
freeze(correl_kt) kt.correl(16)
Nel caso di un modello AR(1) l’autocorrelation function teorica d’ordine k è pari alla potenza k-
esima di alpha, mentre per quanto riguarda la PACF è sempre pari a 0 a parte il primo termine che è
uguale al primo termine della ACF.
Infatti se osserviamo il correlogramma di yt vediamo che l’ACF è molto simile a quella teorica (le
potenze di 0.7, vedete equazione (16)), PACF(1) è pari a 0.69, e gli altri termini della PACF sono
non significativi.
Se avessimo avuto un processo AR(k) stazionario, avremmo avuto k termini della PACF
significativi. Un processo white noise (cioè una serie non autocorrelata) avrebbe un correlogramma
con nessun termine significativo.
Nel caso della serie xt in cui è presente un trend stocastico, l’ACF decresce lentamente, infatti esso
è semplicemente funzione di t e k (vedete equazione (18)).
La PACF ha solo il primo termine significativo.
Correlogramma delle serie stazionaria, yt (processo stazionario):
Correlogramma delle serie non stazionaria, xt (processo con radice unitaria):
113
Per quanto riguarda le due serie zt e kt che hanno un trend deterministico, il correlogramma è molto
simile al caso della serie non stazionaria xt. Ciò succede perché le due serie sono molto persistenti a
causa del trend deterministico. Quindi l’osservazione delle serie e del correlogramma non sono
sufficienti al fine di determinare se in una serie sia presente un trend stocastico.
Correlogramma di zt (processo con trend deterministico):
Correlogramma di kt (processo AR con anche trend deterministico):
Per determinare se una serie è stazionaria, esistono molti tests nella letteratura econometrica, i tests
principali possono essere fatti su Eviews. In questa esercitazione ne abbiamo citato solo due:
Augmented Dickey-Fueller (ADF) e KPSS
114
Nell’ADF l’ipotesi nulla che viene testata è la presenza di radice unitaria (cioè di un trend
stocastico); invece in KPSS, l’ipotesi nulla è la stazionarietà del processo. Entrambi i test sono
costruiti usando regressioni ausiliarie. Ecco i comandi per il test ADF e per il test KPSS,
rispettivamente.
freeze(adf_yt) yt.adf
freeze(adf_xt) xt.adf
freeze(adf_zt) zt.adf
freeze(adf_kt) kt.adf
freeze(kpss_yt) yt.uroot(kpss)
freeze(kpss_xt) xt.uroot(kpss)
freeze(kpss_zt) zt.uroot(kpss)
freeze(kpss_kt) kt.uroot(kpss)
Nel caso di questi test, è meglio implementarli usando le finestre, dato che c’è la possibilità di
scegliere diverse opzioni.
Il test ADF si basa su una rispecificazione del modello AR(k) della nostra serie di interesse,
depurata da costante ed eventuale trend deterministico.
L’AR(k) della parte stocastica del modello (cioè al netto di costante e trend deterministico) diventa
un AR(k-1) della serie in differenze prime a cui si aggiunge y(t-1).
Se stimando questo modello il parametro y(t-1) è significativamente maggiore di 0 allora vuol dire
che vi è una radice unitaria che può essere eliminata semplicemente facendo la differenza prima
della serie d’interesse. Infatti se fosse significativamente uguale o maggiore di zero ci troveremmo
davanti ad una serie con unit root o davanti ad una serie con andamento esplosivo.
Per effettuare il test ADF dobbiamo scegliere Unit Root test dalla finestra della serie::
115
Lag length indica il numero di ritardi della serie in differenze prime da inserire nella regressione; è
possibile fare in modo che Eviews scelga il numero di ritardi automaticamente tramite lo Schwarz
Info Criterion (come in questo caso), o indicare i numeri di ritardi.
Possiamo scegliere di inserire nella regressione ausiliaria che valuterà la radice unitaria un trend
deterministico e l’intercetta, l’intercetta oppure nessuna delle opzioni precedenti, e chiedere di
effettuare il test sulla serie stessa, o sulla sua differenza prima o seconda.
Per scegliere bene l’opzione possiamo osservare il grafico della serie, per esempio nel caso di xt e
yt non notiamo né intercetta, né trend lineare, quindi possiamo scegliere l’opzione none.
Implementando il test per XT vediamo che non si rifiuta l’ipotesi nulla.
Null Hypothesis: XT has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=21)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 0.755295 0.9933

Test critical values: 1% level -3.436676
5% level -2.864222
10% level -2.568250
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(XT)
Date: 05/25/07 Time: 14:08
Sample: 2 1000
116
XT(-1) 0.001133 0.001500 0.755295 0.4503

C -0.045743 0.033035 -1.384663 0.1665

Come vedete sopra la statistica d’interesse è la t-statistics per l’ipotesi nulla che xt(-1) sia
significativamente minore di 0. Il p-value riportato nella regressione non è affidabile, perché nel
caso di presenza di radice unitaria, la statistica t non si distribuisce come una t-student.
Potete osservare tutto ciò facendo girare il programma olsunit.prg, in cui vengono simulati 1000
AR(1) stazionari e 1000 AR(1) con radice unitaria. Il programma produce tre grafici, tra cui il
grafico disttstat che mostra come la distribuzione (stimata con metodi nonparametrici) di tale
statistica sia distorta e asimmetrica:
Kernel Density (Epanechnikov, h = 0.5682)

.5
.4
.3
.2
.1
.0
-3 -2 -1 0 1 2 3
SER03
Da tale esempio possiamo capire perché il valore critico indicato nella tabella del test al 5% di
significatività sia pari a -2.86. Eviews riporta i valori critici per le diverse specificazioni; tali valori
critici sono stati tabulati sulla base di simulazioni simili a quelle fatte in quest’ultimo programma.
Nel caso di yt la t-statistics è molto bassa, quindi rifiutiamo l’ipotesi nulla di nonstazionarietà:
117
Null Hypothesis: YT has a unit root
Exogenous: None
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.290009 0.0000

5% level -1.944072
10% level -1.614616
Nel caso della serie zt, dobbiamo svolgere il test usando l’opzione trend ed intercetta:
Null Hypothesis: ZT has a unit root
Exogenous: Constant, Linear Trend
t-Statistic Prob.*

5% level -3.455376
10% level -3.153438
In questo caso rifiutiamo l’ipotesi nulla di radice unitaria, perché infatti abbiamo un trend
deterministico non stocastico, anche se il correlogramma di zt è molto simile a quello di un
processo non stazionario.
Se avessimo scelto l’opzione none, il risultato sarebbe stato:

Null Hypothesis: ZT has a unit root
Exogenous: None
t-Statistic Prob.*
118
5% level -1.941147
10% level -1.616481
In questo caso avremmo non rifiutato l’ipotesi nulla ed avremmo detto erroneamente che nella serie
c’è una radice unitaria.
Per evitare errori simili, dobbiamo guardare il grafico della serie per capire se c’è un trend od
un’intercetta, altrimenti possiamo anche guardare se il trend o l’intercetta nella regressione ausiliare
sono significative. Rifacciamo il test con l’opzione trend ed intercetta:
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(ZT)
Date: 05/21/07 Time: 23:01
ZT(-1) -1.048944 0.031652 -33.14006 0.0000

C 0.075566 0.068111 1.109452 0.2675
@TREND(1) 1.048616 0.031642 33.13975 0.0000

Notate che il trend è significativamente diverso da zero.
Un discorso simile può essere fatto con la serie kt, che è un processo stazionario ma con un trend
deterministico. Implementiamo ADF con l’opzione trend:
119
Null Hypothesis: KT has a unit root
t-Statistic Prob.*

5% level -3.414318
10% level -3.129280
Con l’opzione none:
Null Hypothesis: KT has a unit root

Exogenous: None
t-Statistic Prob.*

5% level -1.941142
10% level -1.616485
Per quanto riguarda il test KPSS, si tratta di un test complesso che richiede anche la stima dello
spettro dei residui (vedete pagina 7 del pdf con l’help di Eviews), ed in cui l’ipotesi nulla è
l’assenza di una radice unitaria.
In questa esercitazione riportiamo solo alcuni esempi, mostrando come interpretare la statistica
riportata. Anche in questo caso possiamo scegliere se inserire la costante e/o il trend.
120
Anche in questo caso, siamo interessati a valutare l’ipotesi nulla aggiungendo nella regressione
ausiliare il trend e l’intercetta oppure solo l’intercetta.
Nel caso di xt, non era presente il trend, quindi scegliamo solo intercetta:
121
Null Hypothesis: XT is stationary
Exogenous: Constant
Bandwidth: 24 (Newey-West using Bartlett kernel)
LM-Stat.
Kwiatkowski-Phillips-Schmidt-Shin test statistic 2.619567

Asymptotic critical values*: 1% level 0.739000
5% level 0.463000
10% level 0.347000
*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)
In questo caso, l’output di Eviews non calcola il p-value, quindi dobbiamo confrontare la statistica
ottenuta con il valore critico asintotico tabulato da Eviews, scegliamo sempre come livello di
significatività il 5%. 2.61>0.463, quindi rifiutiamo l’ipotesi nulla di stazionarietà, xt non è
stazionaria ed ha una radice unitaria.
Nel caso di yt, scegliamo sempre l’opzione intercetta:
Null Hypothesis: YT is stationary

Exogenous: Constant
LM-Stat.

5% level 0.463000
10% level 0.347000
In questo caso 0.868>0.463, la statistica calcolata è superiore rispetto a quella tabulata; quindi
rifiutiamo l’ipotesi nulla, la serie yt non è stazionaria. Ciò è strano dato che siamo sicuri (dato che
l’abbiamo creata noi) che la serie sia stazionaria. Scegliamo l’opzione trend:
122
Null Hypothesis: YT is stationary
LM-Stat.

5% level 0.146000
10% level 0.119000
Residual variance (no correction) 1.768173

HAC corrected variance (Bartlett kernel) 9.375627
KPSS Test Equation

Dependent Variable: YT
Sample: 1 1000
C 0.390105 0.084120 4.637461 0.0000

@TREND(1) -0.001025 0.000146 -7.030561 0.0000

Notate che il trend è significativamente diverso da zero nella regressione ausiliaria ed ora non
rifiutiamo l’ipotesi nulla di stazionarietà, dato che 0.06<0.146.
A volte KPSS e ADF possono essere contraddittori e nel caso in cui abbiamo delle serie storiche
non generate da noi, dobbiamo stare molto attenti a valutare le diverse ipotesi.
123
Nel caso di zt, dobbiamo inserire l’opzione trend:
Null Hypothesis: ZT is stationary

LM-Stat.

5% level 0.146000
10% level 0.119000
Così non rifiutiamo l’ipotesi nulla, la serie zt è stazionaria. Notate che nella regressione ausiliaria, il
trend è significativamente diverso da zero:
KPSS Test Equation

Dependent Variable: ZT
Sample: 1 1000
C 0.118278 0.062010 1.907416 0.0568

@TREND(1) 0.999688 0.000107 9300.759 0.0000

Log likelihood -1398.953 F-statistic 86504117
Se non avessimo inserito l’opzione trend:
124
Null Hypothesis: ZT is stationary
Exogenous: Constant
LM-Stat.

5% level 0.463000
10% level 0.347000
In questo caso avremmo rifiutato l’ipotesi nulla di stazionarietà.

Controlliamo kt, con l’opzione trend:
Null Hypothesis: KT is stationary

LM-Stat.

5% level 0.146000
10% level 0.119000
Non rifiutiamo l’ipotesi nulla di stazionarietà.
Ora stimiamo i diversi modelli.
'stimiamo i diversi modelli

'stima con yt(-1), la costante è la media condizionata
equation eq01a.ls yt c yt(-1)
'stima con AR(1), la costante è la media incondizionata
equation eq01b.ls yt c ar(1)
'stima di un modello con radice unitaria
equation eq02.ls xt c ar(1)
'stima di un modello con trend deterministico
equation eq03.ls zt c @trend
125
'stima di un modello AR stazionario con trend deterministico
equation eq04.ls kt c @trend ar(1)
'diverse stime per il modello MA
equation eq05a.ls ht c ar(1)
equation eq05b.ls ht c ar(1) ar(2)
equation eq05c.ls ht c ar(1) ar(2) ar(3)
equation eq05d.ls ht c ma(1)
Iniziamo con il modello di yt.

Nel caso di serie storiche possiamo usare nella regressione yt(-1), la ritardata oppure il termine
AR(1). Notate che non c’è differenza nella stima, l’unica differenza è nella costante, nel caso di yt(-
1), la costante rappresenta la media condizionata, nel caso in cui usiamo AR(1), la costante
rappresenta la media incondizionata (che nei processi autoregressivi e pari al rapporto tra la media
condizionata e la diffenza tra 1 ed i parametri legati alle variabili ritardate).
Sample: 2 1000
C -0.038518 0.031310 -1.230219 0.2189

YT(-1) 0.691576 0.022891 30.21218 0.0000

Sample: 2 1000
Convergence achieved after 3 iterations
C -0.124887 0.101120 -1.235040 0.2171

AR(1) 0.691576 0.022891 30.21218 0.0000
126
Inverted AR Roots .69
Considerate la seguente formula, prendete la costante delle prima regressione (la media
condizionata), dividetela per 1 meno il coefficiente legato a y(-1) ed otterrete la media
incondizionata del processo.
-0.038518/(1-0.691576)= -0.124887
Stimiamo xt:
Dependent Variable: XT
Sample: 2 1000
C 40.38707 51.76457 0.780207 0.4355

AR(1) 1.001133 0.001500 667.6151 0.0000

Inverted AR Roots 1.00

Estimated AR process is nonstationary
Notate che la radice unitaria viene riconosciuta da Eviews ed il processo è indicato come non
stazionario. La media non condizionata è molto diversa rispetto alla media della serie (40 invece di
127
7) perché dividendo la stima della media condizionata per 1-1.001133 si ottiene una stima della
media non condizionata che tende ad infinito
Nel caso di zt, il trend deterministico è significativamente diverso da zero.
Sample: 2 1000
C 0.118753 0.062165 1.910293 0.0564

@TREND 0.999687 0.000108 9282.219 0.0000

Log likelihood -1398.047 F-statistic 86159583
In questo ultimo caso sia la componente di trend deterministico che quella AR sono riconosciute
significativamente diverse da zero.
Dependent Variable: KT
Sample: 2 1000
C -0.077188 0.143938 -0.536256 0.5919

@TREND 0.249220 0.000249 1001.361 0.0000
AR(1) 0.567386 0.026100 21.73855 0.0000

Log likelihood -1397.265 F-statistic 2679239.
128
Dato che come abbiamo visto in precedenza, R2 non è affidabile per scoprire quale sia il modello
autoregressivo più adatto dobbiamo stimare diversi modelli e confrontarli sulla base di SIC, AIC o
le statistiche legate alla capacità previsiva di tale modelli. Consideriamo per esempio il processo ht.
Stimiamolo i modelli AR(1), AR(2) ed AR(3).
Dependent Variable: HT
C -0.065232 0.060563 -1.077096 0.2817

AR(1) 0.448188 0.028345 15.81167 0.0000

C -0.061597 0.046425 -1.326791 0.1849

AR(1) 0.565447 0.030596 18.48097 0.0000
AR(2) -0.260672 0.030610 -8.515809 0.0000
129
Inverted AR Roots .28-.43i .28+.43i
C -0.063706 0.056776 -1.122069 0.2621

AR(1) 0.618091 0.031120 19.86184 0.0000
AR(2) -0.372849 0.034802 -10.71358 0.0000
AR(3) 0.196826 0.031108 6.327206 0.0000

Inverted AR Roots .57 .02-.59i .02+.59i
Ciò che notiamo che in tutte e tre le regressioni i coefficienti sono significativamente diversi da
zero.
Quale modello dobbiamo scegliere?
Per la scelta, non dobbiamo usare R squared, dato che esso è funzione dei coefficienti.
Dobbiamo usare due indicatori AIC e SIC, nel migliore modello essi sono minimizzati, in
questo caso l’AR(3) ha lo Schwarz Info Criterion più basso.
Il modello che noi scegliamo deve essere però capace di modelizzare l’autocorrelazione delle serie,
per cui i residui devono essere non autocorrelati. Dobbiamo cioè osservare il correlogramma dei
residui (tale correlogramma è la prima scelta tra i residual tests dell’equazione), ed accertarci che
tutti i termini di ACF e PACF siano non significativi.
Di seguito vediamo il correlogramma dei residui per i modelli autoregressivi che abbiamo stimato,
come vedere i residui rimangono autocorrelati. Il problema è che ht è un cosiddetto processo
130
Moving Average d’ordine 1 (MA(1)), che corrisponde ad un processo autoregressivo con un
numero infinito di termini.
131
Sarà sufficiente digitare il seguente comando per ottenere in questo caso un modello con residui non
autocorrelati: ls ht c ma(1)
Un altro sistema per confrontare diversi modelli è tramite le previsioni, si possono cioè confrontare
le statistiche riguardanti la bontà delle previsioni, come il RMSE dei diversi modelli.
Nel caso di serie storiche Eviews da due opzioni: previsioni dinamiche e previsioni statiche.
Per Eviews effettuare previsioni dinamiche significa non utilizzare le informazioni presenti nel
campione sul quale effettuiamo le previsioni. Ciò significa che per tali previsioni si utilizza il
modello,le osservazioni ed i parametri stimati nella prima parte del campione, e si sostituiscono le
osservazioni effettive nel periodo di previsione, con le previsioni. Effettuare previsioni statiche
significa per Eviews utilizzare le osservazioni effettive.
Per capire meglio la differenza facciamo l’esempio del modello AR(1) per la serie stazionaria yt.
Stimiamo ls yt c ar(1) sulle prime 900 osservazioni e prevediamo sul restante campione.
C -0.113532 0.107502 -1.056084 0.2912

AR(1) 0.693094 0.024072 28.79205 0.0000

'forecasting su AR(1) stazionario
smpl 1 900
equation eq01c.ls yt c ar(1)
smpl 901 1000

freeze(forecast) eq01d.forecast(g,e) ytf1 ytf1_se
freeze(forecast_s) eq01d.fit(g,e) ytf2 ytf2_se
Qua sopra vediamo i comandi per previsioni dinamiche e statiche (per le quali si usa fit). Di seguito
vediamo che nella finestra Forecast è stata aggiunta l’opzione di scelta Dynamic/Static.
132
3
Forecast: YTF
Actual: YT
2
1
0 Mean Absolute Error 1.085610
Mean Abs. Percent Error 113.4935
-1 Bias Proportion 0.004710
-2 Covariance Proportion 0.060770
-3
925 950 975 1000
YTF
Il grafico sopra riportato mostra le previsioni dinamiche. La previsione di y(901) è pari a

y(900)*0.69, la previsione di y(902)=0.69*0.69*y(900), e cosi via (vedete equazione (46)).
Nel lungo periodo l’effetto di y(900) scompare e la previsione tende alla media non
condizionata del modello.
Invece nel caso di previsioni statiche riportate di seguito, vediamo che la previsione di y(903) è
uguale a 0.69*y(902) (vedete equazione (47)). Per maggiori dettagli sulle previsioni leggete gli
appunti in pdf sui modelli dinamici.
133
5
Forecast: YTF
4 Actual: YT
3 Forecast sample: 901 1000
2
1
0 Mean Abs. Percent Error 192.1410
-1 Bias Proportion 0.001337
-2
-3
-4
925 950 975 1000
YTF
134
SECONDA PARTE
Lo scopo di questa seconda parte è quello di analizzare il problema delle regressioni spurie,
considerando serie storiche non stazionarie ed analizzare il caso di cointegrazione tra due serie
storiche.
Consideriamo due serie storiche:

genr et=nrnd
genr ut=nrnd
genr xt=0
genr yt=0
smpl 2 1000
genr yt=2+yt(-1)+et
genr xt=3+xt(-1)+ut
Ambedue le serie sono non stazionarie, sono serie con radice unitaria, chiamate RANDOM WALK,
nel caso specifico con DRIFT, dato che sia in X che in Y c’è la costante.
XT YT
3200 3200
2800 2800
2400 2400
2000 2000
1600 1600
1200 1200
800 800
400 400
0 0
250 500 750 1000 250 500 750 1000
Testiamo l’ipotesi nulla di radice unitaria con il test ADF, usando per ambedue l’opzione di
costante, non rifiutiamo l’ipotesi nulla:
Null Hypothesis: XT has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.864222
10% level -2.568250
135
Null Hypothesis: YT has a unit root
Exogenous: Constant
t-Statistic Prob.*

5% level -2.864222
10% level -2.568250
Possiamo concludere che sia X che Y sono serie autocorrelate non stazionarie, presentano radice
unitaria e vengono chiamate integrate di ordine uno [I(1)], dato che se prendiamo la differenza
prima di X e di Y, queste ultime sono stazionarie:
genr dxt=d(xt)
genr dyt=d(yt)
DXT DYT
7 7
6 6
5 5
4 4
3 3
2 2
1 1
0 0
250 500 750 1000 250 500 750 1000
Considerando per esempio solo X, notate che DX non ha più radice unitaria, è stazionaria ed il
correlogramma è simile ad un correlogramma di un white noise:
Null Hypothesis: DXT has a unit root

Exogenous: Constant
t-Statistic Prob.*
136
5% level -2.864225
10% level -2.568251
Provate ad osservare DY.
Ora proviamo regredire la variabile y sulla x.

equation eq01.ls yt c xt
Sample: 2 1000
C -12.27947 0.556468 -22.06679 0.0000

XT 0.681855 0.000321 2125.973 0.0000
137
Osserviamo l’output della regressione. Notate che sia la costante che il coefficiente di x sono
significativamente diversi da zero. Notate la statistica t per il coefficiente di X, è circa 2126, un
numero molto grande!
Notate Rquadro, è un valore prossimo a 1!
Fino ad ora possiamo essere soddisfatti della nostra regressione, ma attenzione la statistica Durbin-
Watson è circa 0.018, molto bassa ed indica la presenza di autocorrelazione positiva (ricordate se
DW<<2, c’è autocorrelazione positiva, se DW>>2, c’è autocorrelazione negativa).
Regola: se DW<Rquadro, c’è un problema, il problema di regressione spuria, ovvero abbiamo
regredito due variabili X ed Y che non hanno nulla in comune, tranne il fatto di essere non
stazionarie. Quindi quando regredite delle variabili non stazionarie, potete avere questo problema
nelle stime.
Le caratteristiche tipiche della regressione spuria sono:
1) R quadro molto elevati, tendono ad 1;
2) DW molto bassi, convergono a zero e gli errori sono integrati a loro volta di ordine uno;
3) T statistici molto alti;
4) Coefficienti per la variabile indipendente significativi, tendono ad una variabile aleatoria
invece che a zero e sono distribuiti normalmente.
5) Se fate la regressione opposta ls xt c yt, il coefficiente di yt è l’inverso del coefficiente
stimato nella regressione per la variabile indipendente nel caso di ls yt c xt
Dependent Variable: XT
Sample: 2 1000
C 18.33780 0.808596 22.67857 0.0000

YT 1.466265 0.000690 2125.973 0.0000

138
Possiamo osservare questi problemi usando un esperimento MonteCarlo.
Esso consiste nel creare 100 volte le nostre serie non stazionarie, salvare i coefficienti di nostro
interesse (beta, t-statistic, R2, DW,…) e controllarne i valori oppure la distribuzione.
genr yt=0
genr xt=0
for !k=1 to 100

genr et=nrnd
genr ut=nrnd
smpl 2 1000
genr yt=2+yt(-1)+et
genr xt=3+xt(-1)+ut
genr dxt=d(xt)
genr dyt=d(yt)
equation eq01.ls yt c xt
beta1(!k)=@coefs(2)
t_ratio(!k)=@tstats(2)
r2(!k)=@r2
dw(!k)=@dw
equation eq02.ls xt c yt
beta2(!k)=@coefs(2)
next
smpl 1 100
freeze(beta1_distr) beta1.hist
freeze(t_ratio_distr) t_ratio.hist
freeze(r2_distr) r2.hist
freeze(dw_1) dw.hist
show dw
genr betainv=1/beta1
group confronto_beta betainv beta2

freeze(confr_beta) confronto_beta.line
139
12
Series: BETA1
Sample 1 100
10
Observations 100
8 Mean 0.666782
Median 0.668948
6 Maximum 0.696787
Minimum 0.633344
Std. Dev. 0.014235
4 Skewness -0.157771
Kurtosis 2.483608
2
0
0.6375 0.6500 0.6625 0.6750 0.6875
20
Series: R2
Sample 1 100
16 Observations 100
Mean 0.999683
12 Median 0.999759
Maximum 0.999947
Minimum 0.998565
8 Std. Dev. 0.000243
Skewness -2.052990
Kurtosis 8.140148
4
0
0.9990 0.9995
140
9
Series: T_RATIO
8 Sample 1 100
7 Observations 100
6 Mean 2094.478
Median 2035.458
5 Maximum 4340.018
4 Minimum 832.8751
Std. Dev. 677.6195
3 Skewness 0.594897
Kurtosis 3.392410
2
0
1000 1500 2000 2500 3000 3500 4000
14
Series: DW
12 Sample 1 100
Observations 100
10
Mean 0.020893
8 Median 0.017986
Maximum 0.073427
Minimum 0.003051
6
Std. Dev. 0.013483
Skewness 1.426286
4
Kurtosis 5.652642
0
0.025 0.050 0.075
Le statistiche mostrano ciò che avevamo detto in precedenza.

Per quanto riguarda il coefficiente beta nel caso della regressione ls yt c xt, possiamo vedere il
grafico dei due coefficienti beta, nelle rispettive regressioni:
141
1 .6 0
1 .5 6
1 .5 2
1 .4 8
1 .4 4
1 .4 0
10 20 30 40 50 60 70 80 90 100
B E T A IN V B E TA 2
Rifacciamo lo stesso esperimento usando due serie stazionarie

genr zt=2+0.75*zt(-1)+et
genr ht=3+0.75*ht(-1)+ut
equation eq01s.ls zt c ht
equation eq02s.ls ht c zt
Sample: 2 1000
C 7.094853 0.360514 19.67981 0.0000

HT 0.073601 0.029906 2.461049 0.0140

142
Notate che la regressione non è significativa, osserviamo R2, DW, t-statistic, beta ed il beta
della regressione opposta.
2000
-2 0 0 0
-4 0 0 0
-6 0 0 0
-8 0 0 0
-1 0 0 0 0
10 20 30 40 50 60 70 80 90 100
B E TA IN V 2 B E TA 2 S
Proviamo regredire la serie zt (stazionaria) sulla serie non stazionaria yt:
Sample: 2 1000
C 7.709349 0.093839 82.15513 0.0000

YT 0.000178 5.46E-05 3.268681 0.0011

La regressione non è significativa. R2 tende a zero, la stima del coefficiente di yt tende a zero.
Non si può spiegare una variabile stazionaria con una variabile integrata. Variabili stazionarie
devo essere spiegate da variabili stazionarie.
143
Ora creiamo le seguenti serie:
smpl @all
genr vt=nrnd
genr x1t=0
genr x2t=0
smpl 2 1000
genr x1t=x1t(-1)+et
genr x2t=0.4*x1t(-1)+vt
smpl @all
40
30
20
10
-10
-20
-30
-40
250 500 750 1000
X1T X2T
Ora proviamo diverse specificazioni e salviamo i residui dei modelli stimati:
Regrediamo x2t su x1t, ambedue sono variabili non stazionarie,mentre i residui sono stazionari.
Se possiamo scrivere una combinazione di due variabili o più variabili non stazionarie, che sia
stazionaria, si dice che esista una relazione di cointegrazione tra le due variabili. E’ possibile
testare se due variabili sono cointegrate verificando che i residui della regressione di una
sull’altra siano stazionare. Testiamo tramite il test di cointegrazione di Engle-Granger la
stazionarietà dei residui, dato che ora l’uso del test ADF non è più valide perche i residui si
distribuiscono secondo una nuova distribuzione e quindi non dobbiamo considerare i valori
tabulati da ADF, ma i valori riportati sul libro di testo nella tabella 7.10 a pagina 256:
Il TEST di ENGLE-GRANGER è composto da due stadi:
PRIMO STADIO
equation eq03.ls x2t c x1t
eq03.makeresids res3t
freeze(res3t_gr) res3t.line
freeze(res3t_correl) res3t.correl(16)
SECONDO STADIO: PROVIAMO DIVERSI MODELLI AR(q)

equation eq04.ls d(res3t) c res3t(-1)
equation eq05.ls d(res3t) c res3t(-1) d(res3t(-1))
144
Dependent Variable: D(RES3T)
C -0.000554 0.034251 -0.016180 0.9871

RES3T(-1) -0.973065 0.031716 -30.68072 0.0000

Al posto di testare se i residui hanno una radice unitaria con ADF, regrediamo la differenza
prima dei residui sui residui ritardati (molto simile all’approccio svolto dalla regressione
ausiliare del ADF). Consideriamo la t-statistic del coefficiente di res3t(-1) e lo confrontiamo con
i valori tabulati nella tabella 7.10, considerando un livello di significatività dello 0.01, la
statistica tabulata è pari a -3. 90; in questo caso -30.68<-3.9, quindi rifiutiamo l’ipotesi nulla di
radice unitaria.
Proviamo ad usare come variabile indipendente la differenza ritardata (nel caso in cui i residui
siano AR(2)):
Dependent Variable: D(RES3T)

C -0.000781 0.034274 -0.022779 0.9818

RES3T(-1) -1.012761 0.044287 -22.86816 0.0000
D(RES3T(-1)) 0.040695 0.031734 1.282372 0.2000

145
Il coefficiente di res3t(-1) è -22.86 (-22.86<-3.9), quindi rifiutiamo l’ipotesi nulla di radice

unitaria.
Ricordate che affinché due variabili siano cointegrate è necessaria la presenza di un trend
stocastico comune mentre nel caso di non cointegrazione ciascuna ha un proprio trend
stocastico.
Cointegrazione è sinonimo di presenza di un equilibrio di lungo periodo tra le due serie: nel
breve periodo ci si può allontanare da tale equilibrio, ma nel lungo periodo x2t=0.4x1t. Quindi
la relazione di cointegrazione è sostanzialmente una relazione di lungo periodo tra variabili.
Un risultato importante del test di Engle-Granger è il TEOREMA DELLA

RAPPRESENTAZIONE DI ENGLE E GRANGER, due variabili sono cointegrate se e solo se
sono rappresentabili con un modello a correzione dell’errore (ECM):
Δy t = δ ( y t −1 − β x t −1 ) + valori ritardati di Δy t e Δxt + u yt

Δxt = δ ( y t −1 − β x t −1 ) + valori ritardati di Δy t e Δxt + u xt
Se le due variabili Y ed X non sono cointegrate il valore di delta sarebbe pari a zero ed in questo
caso in cui non c’è presenza di cointegrazione il modello appropriato sarebbe quello in
differenze.
Stimiamo il modello ECM, considerando il vettore di cointegrazione tra x1t ed x2t, senza i
ritardi delle differenze prime tra le due serie.
equation eq06a.ls d(x2t) c res3t(-1)
Dependent Variable: D(X2T)

C -0.001985 0.031368 -0.063269 0.9496

RES3T(-1) -0.964704 0.029046 -33.21315 0.0000

146
Possiamo interpretare le stime in questo modo: nel momento in cui ci si trova al di fuori
dell’equilibrio al tempo (t-1), si ha una variazione contraria al tempo t della serie x2t, tale da
riportare in tempi relativamente brevi le due serie in equilibrio ed il coefficiente di
aggiustamento è pari -0.96.
Se avessimo aggiunto le differenze prime dei ritardi, notiamo che non sono significative:
equation eq07.ls d(x2t) c res3t(-1) d(x2t(-1)) d(x1t(-1))

Date: 05/31/07 Time: 11:36
C -0.002130 0.031358 -0.067912 0.9459

RES3T(-1) -1.013888 0.042197 -24.02756 0.0000
D(X2T(-1)) 0.044996 0.029068 1.547948 0.1220
D(X1T(-1)) -0.032594 0.036129 -0.902155 0.3672

Potevamo stimare l’ECM anche in questo modo:

equation eq06b.ls d(x2t) c (x2t(-1)-0.4*x1t(-1))

Sample: 2 1000
C -0.074390 0.031432 -2.366712 0.0181

X2T(-1)-0.4*X1T(-1) -0.964592 0.029044 -33.21088 0.0000
147
RICORDATE: LA RELAZIONE DI LUNGO PERIODO TRA X3T E X1T è X2T=0.4*X1T (nel

libro le due variabili dell’esempio a pagina 266 sono legate da un coefficiente di lungo periodo pari
ad uno, in questo caso invece il coefficiente è pari a 0.4).
PROGRAMMA
'PRIMA PARTE: MODELLI DINAMICI
rndseed 10101010
wfcreate(wf=eserc_5prima) u 1 1000
genr et=nrnd
'generiamo un processo MA(1)

genr ht=et+0.7*et(-1)
'generiamo dei processi autoregressivi, ponendo le condizioni iniziali

genr yt=0
genr xt=0
genr zt=0
genr kt=0
smpl 2 1000
'processo AR stazionario
genr yt=0.7*yt(-1)+et
'processo AR con radice unitaria

genr xt=xt(-1)+et
'processo con trend deterministico

genr zt=@trend+et
'processo AR stazionario con trend deterministico

genr kt=0.6*kt(-1)+0.1*@trend+et
'grafico dei quattro processi

freeze(graph_zt) zt.line
freeze(graph_kt) kt.line
'correlogramma dei processi

freeze(correl_yt) yt.correl(16)
freeze(correl_xt) xt.correl(16)
148
freeze(correl_zt) zt.correl(16)
freeze(correl_kt) kt.correl(16)
'test adf
freeze(adf_yt) yt.adf
freeze(adf_xt) xt.adf
freeze(adf_zt) zt.adf
freeze(adf_kt) kt.adf
'test kpss
freeze(kpss_yt) yt.uroot(kpss)
freeze(kpss_xt) xt.uroot(kpss)
freeze(kpss_zt) zt.uroot(kpss)
freeze(kpss_kt) kt.uroot(kpss)
'stimiamo i diversi modelli

'stima con yt(-1), la costante è la media condizionata
equation eq01a.ls yt c yt(-1)
'stima con AR(1), la costante è la media incondizionata
equation eq01b.ls yt c ar(1)
'stima di un modello con radice unitaria
equation eq02.ls xt c ar(1)
'stima di un modello con trend deterministico
equation eq03.ls zt c @trend
'stima di un modello AR stazionario con trend deterministico
equation eq04.ls kt c @trend ar(1)
'diverse stime per il modello MA
equation eq05a.ls ht c ar(1)
equation eq05b.ls ht c ar(1) ar(2)
equation eq05c.ls ht c ar(1) ar(2) ar(3)
equation eq05d.ls ht c ma(1)
'forecasting per il processo AR(1)

smpl 1 900
equation eq01c.ls yt c ar(1)
smpl 901 1000
'forecast dinamico
freeze(forecast) eq01c.forecast(g,e) ytf1 ytf1_se
'forecast statico
freeze(forecast_s) eq01c.fit(g,e) ytf2 ytf2_se
'SECONDA PARTE: COINTEGRAZIONE
rndseed 10101010
wfcreate(wf=eserc_5seconda) u 1 1000
'generiamo due serie storiche random walk with drift

genr et=nrnd
genr ut=nrnd
genr xt=0
genr yt=0
smpl 2 1000
genr yt=2+yt(-1)+et
genr xt=3+xt(-1)+ut
smpl @all
149
'prendiamo le differenze prime

genr dxt=d(xt)
genr dyt=d(yt)
freeze(graph_dyt) dyt.line
freeze(graph_dxt) dxt.line
freeze(correl_dyt) dyt.correl(16)
freeze(correl_dxt) dxt.correl(16)
'regressione spuria
equation eq01a.ls yt c xt
equation eq01b.ls xt c yt
'creiamo due serie stazionarie

genr zt=0
genr ht=0
smpl 2 1000
genr zt=2+0.75*zt(-1)+et
genr ht=3+0.75*ht(-1)+ut
'regressione di una serie stazionaria su una integrata

equation eq02.ls zt c yt
'creiamo nuove serie per esaminare la cointegrazione

smpl @all
genr vt=nrnd
genr x1t=0
genr x2t=0
smpl 2 1000
genr x1t=x1t(-1)+et
genr x2t=0.4*x1t(-1)+vt
smpl @all
'test di granger
'primo stadio: eseguiamo la regressione e ne salviamo i residui
equation eq03.ls x2t c x1t
eq03.makeresids res3t
freeze(res3t_gr) res3t.line
freeze(res3t_correl) res3t.correl(16)
'secondo stadio: facciamo un test per la radice unitaria sui residui
equation eq04.ls d(res3t) c res3t(-1)
equation eq05.ls d(res3t) c res3t(-1) d(res3t(-1))
'modello ECM e teorema di rappresentazione di Engle e Granger

equation eq06a.ls d(x2t) c res3t(-1)
equation eq07.ls d(x2t) c res3t(-1) d(x2t(-1)) d(x1t(-1))
'modo equivalente per stimare l'ECM
equation eq06b.ls d(x2t) c (x2t(-1)-0.4*x1t(-1))
150

Lingua

Benvenuto in Scribd!

manuale_eviews.pdf

Caricato da

Informazioni sul documento

Data di caricamento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Descrizione:

Copyright:

Formati disponibili

manuale_eviews.pdf

Caricato da

Descrizione:

Copyright:

Formati disponibili

Titoli correlati

MANUALE E-VIEWS

(Cinque esercitazioni commentate)

1) Introduzione a Eviews: creare workfiles, statistiche descrittive e

PARTE PRIMA: ESERCIZIO CON DATI SIMULATI

1.1 Creare un workfile

1.2 Generare dei dati simulati

Ora analizziamo le 3 serie assieme:

e possiamo dare un nome al grafico creato salvandolo nel workfile.

Jarque-Bera 12.17138 1.588713 4.806246

Sum 10.25224 9.176958 543.1092

Observations 200 200 200

Se vogliamo analizzare SOLO una serie, basta cliccare sopra di essa:

Ecco le statistiche descrittive:

Variable Coefficient Std. Error t-Statistic Prob.

R-squared 1.000000 Mean dependent var -31.35245

Date: 02/27/07 Time: 16:53

Variable Coefficient Std. Error t-Statistic Prob.

R-squared 1.000000 Mean dependent var 31.66771

Ora proviamo ad ampliare il campione:

Variable Coefficient Std. Error t-Statistic Prob.

C 21.20868 5.338218 3.972989 0.0001

R-squared 0.000000 Mean dependent var 21.20868

Variable Coefficient Std. Error t-Statistic Prob.

C 4.965727 0.128479 38.65019 0.0000

Variable Coefficient Std. Error t-Statistic Prob.

C 5.718997 0.520056 10.99688 0.0000

R-squared 0.990943 Mean dependent var 21.20868

Variable Coefficient Std. Error t-Statistic Prob.

C 4.965727 0.128479 38.65019 0.0000

R-squared 0.999849 Mean dependent var 21.20868

Attenzione, il coefficiente di determinazione aumenta all’aumentare delle variabili esplicative

Ricordate che in EViews potete svolgere le stesse operazioni di una calcolatrice:

Ora calcoliamo la media della variabile dipendente:

Ora calcoliamo i Total Sum Squared:

per ottenere R squared

la radice quadrata di TSS corretto per T-1

E per ottenere R squared aggiustato

Se vogliamo analizzare i residui creati dalla regressione:

Clicchiamo su RESIDS ed otteniamo il seguente grafico:

Residual Actual Fitted

Variable Coefficient Std. Error t-Statistic Prob.

C 4.965727 0.128479 38.65019 0.0000

R-squared 0.999849 Mean dependent var 21.20868

Cerchiamo di dimostrare che svolgendo delle regressioni parziali otteniamo il coefficiente di x1

Dependent Variable: RESY

Variable Coefficient Std. Error t-Statistic Prob.

RESX1 5.546253 2.406409 3.030875 0.0028

R-squared 0.044125 Mean dependent var -1.19E-15

Abbiamo ottenuto lo stesso coefficiente della regressione multipla!!!!

Trasformiamo prima tutte le variabili esplicative e la costante:

Variable Coefficient Std. Error t-Statistic Prob.

C10 49.65727 1.28479 38.65019 0.0000

R-squared 0.999849 Mean dependent var 21.20868

Ora dividiamo per 10 anche la variabile dipendente:

Dependent Variable: Y10

Variable Coefficient Std. Error t-Statistic Prob.

C 0.4965727 0.0128479 38.65019 0.0000

R-squared 0.999849 Mean dependent var 21.20868

equation eqCB1980r.ls ly=c(1)+c(2)lh+(1-c(2))lk+c(3)*lpop