Dipartimento di Economia

Universit degli Studi di Cagliari

___________________________
CORSO DI ECONOMETRIA
___________________________
Prof. Paolo Mattana
Lez. 14 - Non-stazionariet delle serie
temporali

NON STAZIONARIETA DELLE SERIE TEMPORALI

OBIETTIVI ULTIMA PARTE DEL CORSO

Definire il concetto di non-stazionariet delle serie temporali.

Problema della regressione spuria (con pi cognizione di causa).
Distinguere tra trend-stationarity e difference-stationarity.
Introdurre il concetto di random walk.
Descrivere i test per stabilire la presenza di radici unitarie.
Discutere le possibilit offerte dal concetto di Cointegrazione
ECM
Engle-Granger procedure

NON STAZIONARIETA DELLE SERIE TEMPORALI

PROCESSI NON STAZIONARI

La maggior parte delle serie economiche mostra

andamenti col trend (crescente o decrescente).
Per es: PIL, consumi, capitale, indici di prezzo.
Perch lanalisi di regressione possa essere condotta in
termini corretti abbiamo bisogno di dati stazionari.
Come possiamo procedere?

NON STAZIONARIETA DELLE SERIE TEMPORALI

DEFINIZIONE DI STAZIONARIET

La stazionariet si riferisce alle caratteristiche del processo

stocastico sottostante che ha generato la serie temporale.

Quando le caratteristiche del processo stocastico cambiano nel

tempo abbiamo un processo non stazionario.
Ci concentriamo sulla media, sulla varianza e sulle covarianze.
Se una serie stazionaria possiamo utilizzare la sua storia
passata (per mezzo di unequazione con coefficienti fissi) per
prevedere il suo comportamento futuro (ricordate i processi
AR?).
Se una serie non stazionaria dobbiamo procedere ad una
trasformazione che induca stazionariet

NON STAZIONARIETA DELLE SERIE TEMPORALI

Si consideri una serie temporale, Yt, con T osservazioni {y1, ... , yT}
Covariance Stationarity: un processo stocastico, Yt covariancestationary se soddisfa ai seguenti requisiti:

E Yt

Var Yt
Cov Yt ,Y s

una costante (indipendente da t )

una costante (indipendente da t )
E una funzione di t - s , ma non di t o s .

NON STAZIONARIETA DELLE SERIE TEMPORALI

1)

Una serie stazionaria deve avere media costante

Deve tendere ad una media costante.

Il valore atteso sar invariante nel tempo.

Esempio di serie non stazionaria

NON STAZIONARIETA DELLE SERIE TEMPORALI

20

15

10

-5

-10

-15

11

21

31

41

51

61

71

81

91

NON STAZIONARIETA DELLE SERIE TEMPORALI

2)
Una serie stazionaria deve avere varianza costante
Una serie non stazionaria ha una varianza non costante (che tende
ad infinito). Provate infatti a tracciare la media di una serie
temporale come quella rappresentata nella diapositiva
precedente .e calcolate la varianza.
PROBLEMA:
La prova di consistenza dello stimatore OLS ancora valida?

NON STAZIONARIETA DELLE SERIE TEMPORALI

3)

La covarianza tra le osservazioni dipende solo da quanto

esse siano lontane;

Non tende a crescere o a decrescere con t;

Immaginatevi cosa succederebbe se il coefficiente di

autocorrelazione del primo ordine dipendesse da t.

NON STAZIONARIETA DELLE SERIE TEMPORALI

ALCUNE UTILI DEFINIZIONI

Yt detta integrata di ordine 0, I(0) se stazionaria;

Yt integrata di ordine d, I(d) quando non stazionaria e pu
essere resa I(0) dopo d differenziazioni.
Le serie macroeconomiche e finanziaria sono spesso I(1).
Queste serie differenziate una volta portano a variabili
stazionarie
NB: Se le serie I(1) sono espresse in termini logartimici, la
loro differenza prima trasforma le variabili in termini di tassi
di crescita.

REGRESSIONE SPURIA
MESSAGGIO IMPORTANTE IN PRESENZA DI SERIE I(d)

Molta attenzione nellusare le variabili non stazionarie nei

livelli;
Importanza di una corretta differenziazione;
NON POSSIAMO CONDURRE NESSUN TIPO DI INFERENZA
SE PRIMA NON DETRENDIZZIAMO I DATI
Problema della regressione spuria

REGRESSIONE SPURIA

In un famoso lavoro del 1974, Granger e Newbold introducono la

nozione di regressione spuria (era per gi nota in letteratura).
Essi puntualizzarono il fatto che i ricercatori spesso ignoravano le
conseguenze di una altissima correlazione tra i residui in modelli
di regressione convenzionali.
Sostennero che i dati macroeconomici coinvolgono serie spesso
non stazionarie (o integrate) e che le regressioni che usavano le
variabili nei livelli portavano a inferenze false.
Dimostrarono che i test convenzionali t e F tendevano a non
rifiutare lipotesi di relazione stocastica fra le variabili anche
quando tale relazione non era presente.

REGRESSIONE SPURIA

Tecnica statistica utilizzata da GN (1974)

2 variabili random walk X e Y (non stazionarie per definizione)
sono state create (vedremo subito il significato di random
walk);
I due RW sono indipendenti luno dallaltro;
GN fanno unanalisi di regressione tra le due variabili artificiali e
scoprono che nel 75% dei casi, i t test sul coefficiente di
regressione stimato conducono al rifiuto dellipotesi nulla di
beta = 0;
Nel 75% dei casi, una regressione spuria fu dimostrata esistere.

REGRESSIONE SPURIA

In generale, la regressione fra due variabili integrate dello

stesso ordine, es. I(1), porta risultati positivi secondo i canoni
convenzionali anche quando non esiste nessuna relazione fra
le variabili.
Da qui il termine regressione spuria.
Quindi il termine si riferisce ai risultati di regressioni che
sembrano buone (in termini ad es. di R2 , e t ratio) ma che non
hanno significato.
Facciamo anche noi qualche esperimento col generatore di
numeri casuali di E-views.

ALCUNI ESEMPI DI REGRESSIONE SPURIA

1.
Y
I
M

Tasso di mortalit infantile in Egitto (71-90)

Reddito lordo agricoltori americani
Offerta di moneta (Honduras)
Y = 179.9 - .2952 I - .0439 M
(16.63) (-2.32) (-4.26)
R2 = .918, D/W = .4752, F = 95.17
Corr = .8858, -.9113, -.9445

ALCUNI ESEMPI DI REGRESSIONE SPURIA

2.
Y
X

Indice delle esportazioni degli USA, (1960-1990),

Aspettativa di vita maschile in Australia

Y= -2943. + 45.7974 X,
(-16.70)
(17.76)
R2 = .916,

D/W = .3599, F = 315.2

Corr = .9570

ALCUNI ESEMPI DI REGRESSIONE SPURIA

3.
Y
X

Spese per la difesa USA, 1971-1990,

Popolazione in Sud Africa
Y = -368.99 + .0179 X
(-11.34) (16.75)
R2 = .940, D/W = .4069, F = 280.69
Corr = .9694

COME STAZIONARIZZARE SERIE I(1)

Abbiamo imparato che:

Le propriet statistiche del metodo OLS sono confermate solo

se i dati sono stazionari.

Nel caso di serie non stazionarie dobbiamo rimuovere il trend.

Ci sono due possibilit:

Detrendizzazione con time trend

Differenziazione delle serie.

Quale tra i 2 approcci sia pi utile depende dalla fonte di non

stazionariet

COME STAZIONARIZZARE SERIE I(1)

Si assuma che il processo sia guidato da un trend

deterministico (secular trend component) e da una
componente stocastica. Nel pi semplice dei casi avremo:

Yt 1 2 t et

I residui OLS di questo modello formano una variabile

detrendizzata che pu essere usata nellanalisi di regressione.

t Yt 1 2 t

Le serie temporali che possono essere detrendizzate in questo

modo sono chiamate trend-stationary (TSP) processes.

COME STAZIONARIZZARE SERIE I(1)

STOCHASTIC TREND

La seconda fonte di possibile non stazionariet pu dipendere da un

fenomeno chiamato stochastic trending behaviour.
I RW sono lesempio pi semplice di processi non stazionari con
trend stocastici

X t X t 1 t

0,

dove gli errori si distribuiscono iid

come posso rendere stazionario un processo come questo?

COME STAZIONARIZZARE SERIE I(1)

20

15

Random walk

10
5

11

21

31

41

51

61

71

81

91

-5

-10

-15

Ecco il grafico di un RW. Se avessimo a che fare con un processo

stazionario la serie dovrebbe tornare periodicamente sullo zero

COME STAZIONARIZZARE SERIE I(1)

Le propriet di un RW senza DRIFT

X t X t 1 t
X t X 0 1 t 1 t
E X t X 0 E 1 E t X 0

Media costante

COME STAZIONARIZZARE SERIE I(1)

X2 t = population variance of X 0 1 t 1 t
= population variance of

1 t 1 t

2
2
2
=
2
= t

La prima condizione di non stazionariet non violata

La seconda condizione per non stazionariet violata

NON STAZIONARIETA DELLE SERIE TEMPORALI

Le propriet di un RW DRIFT

X t 1 X t 1 t
X t 1t X 0 1 t 1 t
t

X t 1t X 0 i
1

E X t X 0 1t

X2 t t 2
La prima condizione di non stazionariet violata
La seconda condizione per non stazionariet violata

NON STAZIONARIETA DELLE SERIE TEMPORALI

20

15

RW con drift

10

-5

-10

-15

11

21

31

41

51

61

71

81

91

NON STAZIONARIETA DELLE SERIE TEMPORALI

Se calcoliamo le differenze prime di un RW abbiamo:

X t 1 X t 1 t
X t X t 1 1 t
X t 1 t

Si determini ora la media, la varianza e le covarianze della

variabile trasformata. Abbiamo una serie stazionaria.
Una serie che pu essere resa stazionaria per mezzo del
calcolo delle differenze prime chiamata difference-stationary
(DSP) process or I(1).

NON STAZIONARIETA DELLE SERIE TEMPORALI

TREND AND DIFFERENCE STATIONARY PROCESSES

Abbiamo imparato che esistono 2 tipi di serie non stazionarie:

una stazionarizzabile con differenze prime (DSP process)

una stazionarizzabile con detrendizzazione deterministica

Importante distinguere: svilupperemo test a questo scopo

Il problema consiste nel fatto che i due tipi di processo
portano a risultati ben diversi nel lungo periodo
E difficile capire da ispezione visiva

NON STAZIONARIETA DELLE SERIE TEMPORALI

Un TSP :

Un DSP :

X t X 0 t t

X t X 0 t v t
t

v t i 1e i

I due processi sembrano uguali tranne per il fatto che il termine

d errore vt chiaramente non stazionario [avendo la varianza
pari a s2t (in una serie campionaria)]

NON STAZIONARIETA DELLE SERIE TEMPORALI

Yt 1 2 X t t

Yt -1 1 2 X t -1 t -1

Yt X t v t

v t t t 1

NON STAZIONARIETA DELLE SERIE TEMPORALI

Lerrore nellequazione alle differenze un processo

MA(1) process (che autocorrelato).

Le stime OLS sono consistenti (sebbene inefficienti).

Granger e Newbold (1974) hanno dimostrato che la

stima dellequazione alle differenze non distorce i test di
significativit.

NON STAZIONARIETA DELLE SERIE TEMPORALI

IMPLICAZIONI

Se stimiamo un processo DSP come se fosse un processo

TSP sviluppiamo regressioni spurie perch yt e t sono non
stazionari.

I residui da questa regressione non saranno stazionari

(capiremo meglio dopo).

Strada intrapresa dopo lindividuazione dei problemi

legati alla stima con variabili non stazionarie
first-differentiation

NON STAZIONARIETA DELLE SERIE TEMPORALI

PROBLEMI
i) Lerrore nella stima con le variabili differenziate
non white noise;
ii) Si perdono importanti informazioni legate ai livelli
delle variabili (vedremo bene con la cointegrazione)

NON STAZIONARIETA DELLE SERIE TEMPORALI

** NB: PERCH PARLIAMO DI RADICI UNITARIE?
Per capire per quale ragione parliamo di radici unitarie dobbiamo
riferirci al concetto di radice di un polinomio generico.
Si consideri un semplice processo AR(1) generico:

Yt Yt -1 t
e lo si rappresenti con loperatore ritardo L

1 L Yt

NON STAZIONARIETA DELLE SERIE TEMPORALI

Sotto quali condizioni questo processo stocastico sar stazionario?

Se la radice dellequazione:

1 L 0

maggiore di uno (in modulo).

Ora, poich la radice dellequazione :

L 1/

sappiamo che la radice maggiore di uno se e solo se:

1
Nel caso limite di
il processo stocastico
NON E STAZIONARIO [CASO (gi visto) DEL RW]

- 1 1

NON STAZIONARIETA DELLE SERIE TEMPORALI

Caso con = 0: Xt una serie white noise

NON STAZIONARIETA DELLE SERIE TEMPORALI

Caso con = 0.7: Xt una serie stocastica stazionaria

NON STAZIONARIETA DELLE SERIE TEMPORALI

Caso con = 0.3; Xt una serie stocastica stazionaria
(si noti come landamento tende a tornare sulla media pi spesso)

NON STAZIONARIETA DELLE SERIE TEMPORALI

Caso con = 1.2: Xt esplode!!!

NON STAZIONARIETA DELLE SERIE TEMPORALI

Caso con = -1.1: Xt presenta oscillazioni esplosive

NON STAZIONARIETA DELLE SERIE TEMPORALI

Caso con = -1: Xt non stazionario (con oscillazioni)

NON STAZIONARIETA DELLE SERIE TEMPORALI

ALTRI MODELLI CON TIME SERIES

Modelli autoregressivi di ordine p

Modelli Moving average di ordine q

Modelli ARMA (p, q)

Modelli ARIMA

Modelli con parti deterministiche (costante, trend,

stagionalit)