ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΜΑΘΗΜΑ 3ο
Κίβδηλες παλινδρομήσεις Μια από τις υποθέσεις που χρησιμοποιούμε στην ανάλυση της παλινδρόμησης είναι ότι οι χρονικές σειρές που χρησιμοποιούμε για τις εφαρμογές της μεθόδου της παλινδρόμησης είναι πως οι χρονικές αυτές σειρές είναι στάσιμες (stationary). Αν οι χρονικές αυτές σειρές δεν είναι στάσιμες τότε οι στατιστικοί έλεγχοι που εφαρμόζονται στα υποδείγματα των παλινδρομήσεων δίνουν αναξιόπιστα αποτελέσματα. Άρα όταν οι μεταβλητές δεν είναι στάσιμες, τα στατιστικά αποτελέσματα μπορεί να είναι ικανοποιητικά, δηλαδή υψηλή τιμή του συντελεστή προσδιορισμού R 2 και σημαντικές τιμές στους συντελεστές της παλινδρόμησης (κατανομές t, και F), αλλά να μην έχουν καμιά οικονομική σημασία. Στην περίπτωση αυτή έχουμε το πρόβλημα των κίβδηλων παλινδρομήσεων (spurious regressions) Phillips (1986).
Στις κίβδηλες παλινδρομήσεις ο συντελεστής προσδιορισμού R 2 είναι πολύ υψηλός (τείνει στη μονάδα) ενώ η τιμή του στατιστικού των Durbin Watson (1950, 1951) είναι πολύ χαμηλή R 2 > DW, υποδηλώνοντας την παρουσία υψηλής αυτοσυσχέτισης στα κατάλοιπα, πράγμα που σημαίνει αναποτελεσματικές εκτιμήσεις των συντελεστών παλινδρόμησης καθώς και μη έγκυρες τιμές των κριτηρίων της κατανομής t. Το πρόβλημα της κίβδηλης παλινδρόμησης μπορεί να συμβεί επίσης και όταν δύο χρονικές σειρές σε μια παλινδρόμηση έχουν σε μεγάλο βαθμό υψηλή συσχέτιση, ενώ δεν έχουν καμιά πραγματική σχέση μεταξύ τους (π.χ η συσχέτιση μεταξύ πληθωρισμού και της βροχόπτωσης). Για να εξαλείψουμε το πρόβλημα της κίβδηλης παλινδρόμησης εκτιμούμε τις πρώτες διαφορές των χρονικών σειρών και όχι τα επίπεδά τους. Ο λόγος που μας οδηγεί στην χρησιμοποίηση των πρώτων διαφορών είναι ότι πολλές οικονομικές χρονικές σειρές έχουν τα χαρακτηριστικά του τυχαίου περιπάτου. Έτσι είναι ασφαλέστερο σύμφωνα με τους Granger and Newbold να εκτιμηθεί η σχέση με τις ίδιες μεταβλητές σε πρώτες διαφορές αντί για τα αρχικά επίπεδα.
ΕΤΗ ΕΘΝΙΚΗ ΙΔΙΩΤΙΚΗ ΚΑΤΑΝΑΛΩΣΗ (NPC) ΚΑΘΑΡΟ ΕΘΝΙΚΟ ΕΙΣΟΔΗΜΑ (NNI) (t) 1961 115.147 153.855 1962 120.050 156.159 1963 126.115 172.349 1964 137.192 186.572 1965 147.707 203.982 1966 157.687 216.135 1967 167.528 227.871 1968 179.025 243.228 1969 190.089 266.739 1970 206.813 287.560 1971 217.212 309.283 1972 232.312 336.686 1973 250.057 361.538 1974 251.650 345.436 1975 266.884 364.805 1976 281.066 388.791 1977 293.928 402.894 1978 310.640 428.685 1979 318.817 444.054 1980 319.341 451.347
Dependent variable is NPC 20 observations used for estimation from 1961 to 1980 ****************************************************************** Regressor Coefficient Standard Error T-Ratio[Prob] A 6.4235 3.2364 1.9848[.063] NNI.69953.010349 67.5971[.000] ****************************************************************** R-Squared.99608 R-Bar-Squared.99586 S.E. of Regression 4.4773 F-stat. F( 1, 18) 4569.4[.000] Mean of Dependent Variable 214.4630 S.D. of Dependent Variable 69.5696 Residual Sum of Squares 360.8284 Equation Log-likelihood -57.3055 Akaike Info. Criterion -59.3055 Schwarz Bayesian Criterion -60.3012 DW-statistic.92704
Στασιμότητα των χρονικών σειρών Για να εφαρμόσουμε την ανάλυση της παλινδρόμησης στις χρονικές σειρές θα πρέπει τα δεδομένα που χρησιμοποιούνται να προέρχονται από στάσιμες διαδικασίες. Οι περισσότερες οικονομικές σειρές είναι μη στάσιμες. Άρα πριν εφαρμόσουμε την παλινδρόμηση σ αυτές τις χρονικές σειρές θα πρέπει να κάνουμε τους ελέγχους για τη στασιμότητα των χρονικών αυτών σειρών. Μια χρονική σειρά λέγεται στάσιμη όταν η τιμή της ταλαντεύεται γύρω από το μέσο, δηλαδή οι τιμές που αυτή παίρνει στα διάφορα χρονικά διαστήματα έχουν τον ίδιο μέσο, την ίδια διακύμανση και η τιμή της συνδιακύμανσής της μεταξύ δύο χρονικών περιόδων εξαρτάται μόνον από την υστέρηση μεταξύ των δύο χρονικών περιόδων δηλαδή από την απόσταση ανάμεσα στα δύο αυτά χρονικά σημεία και όχι από την πραγματική χρονική περίοδο που υπολογίζεται η συνδιακύμανση. Άρα μια χρονική σειρά χαρακτηρίζεται ως στάσιμη αν τα στατιστικά χαρακτηριστικά της δεν μεταβάλλονται με το χρόνο.
Μια χρονική σειρά Y t είναι στάσιμη όταν: Μέσος: Ε(Y t ) = μ Διακύμανση: Var(Y t ) = E(Y t - μ) 2 = σ 2 Συνδιακύμανση: Cov(Y t, Y t+k ) = E[(Y t - μ) (Y t+k - μ)] = γ κ Αν μία τουλάχιστο από τις παραπάνω σχέσεις δεν ισχύει, τότε η χρονική σειρά Y t χαρακτηρίζεται μη στάσιμη. Δηλαδή σε μία μη στάσιμη χρονική σειρά τόσο ο μέσος, όσο και η διακύμανση είναι συνάρτηση του χρόνου. Στην πράξη είναι πολύ δύσκολο να βρούμε στάσιμες χρονικές σειρές ιδιαίτερα δε στην οικονομική επιστήμη, γιατί οι περισσότερες μεγεθύνονται ή μειώνονται μακροχρόνια. Αυτό δείχνει ότι οι χρονικές αυτές σειρές δεν έχουν ένα σταθερό μακροχρόνιο μέσο, καθόσον τείνουν να απομακρύνονται συνεχώς από ένα δεδομένο αρχικό επίπεδο.
Έλεγχοι της στασιμότητας Τους ελέγχους της στασιμότητας μπορούμε να τους χωρίσουμε σε δύο κατηγορίες. Στην πρώτη κατηγορία αναφέρονται οι έλεγχοι των γραφικών παραστάσεων, καθώς και των συναρτήσεων αυτοσυσχέτισης, ενώ στη δεύτερη κατηγορία αναφέρονται όλοι οι έλεγχοι των μοναδιαίων ριζών. Γραφικές παραστάσεις Για να διαπιστώσουμε αν μια χρονική σειρά παρουσιάζει στασιμότητα κάνουμε τη γραφική παράσταση των μεταβλητών της. Η γραφική παράσταση είναι συνήθως το πρώτο βήμα για την ανάλυση οποιασδήποτε χρονικής σειράς. Η απεικόνιση μιας χρονικής σειράς ως προς το χρόνο ονομάζεται χρονοδιάγραμμα (time plot). Η μελέτη του χρονοδιαγράμματος μιας χρονικής σειράς είναι ιδιαίτερα χρήσιμη για να προσδιορίσουμε βασικά χαρακτηριστικά της όπως την ύπαρξη τάσης, εποχικότητας ή άλλων συνιστώσεων. Άρα αν διαπιστώσουμε την εμφάνιση κάποιας από τις συνιστώσες που αναφέρονται πιο πάνω, δηλαδή τάση, εποχική μεταβολή, κυκλική διακύμανση ή ακανόνιστη μεταβολή, τότε λέμε ότι η χρονική σειρά δεν παρουσιάζει στασιμότητα.