Teste de cointegração entre duas séries temporais usando o método de duas etapas de Engle – Granger

13

Estou procurando testar a cointegração entre duas séries temporais. Ambas as séries têm dados semanais que abrangem ~ 3 anos.

Estou tentando fazer o método de duas etapas da Engle-Granger. Minha ordem de operações segue.

  1. Teste cada série temporal para obter a raiz da unidade através do Dickey-Fuller aumentado.
  2. Supondo que ambos tenham raízes unitárias, encontre a aproximação linear do relacionamento via OLS. Em seguida, crie uma série dos resíduos.
  3. Teste os resíduos da raiz da unidade através do Dickey-Fuller aumentado.
  4. Conclua a cointegração (ou não) pelo resultado de 3.

Questões:

  1. Esse método parece bem? (Sou formado e pretendo analisar meus dados de maneira legítima, não necessariamente para analisá-los pelo método mais rigoroso conhecido.)
  2. Se uma série não puder rejeitar a hipótese nula com o ADF (e, portanto, não tiver uma raiz unitária) na etapa 1, é razoável concluir que as duas séries não são cointegradas porque um conjunto de dados não é estacionário? Acho que não, mas quero ter certeza.
  3. Ambos os conjuntos de dados parecem "estocásticos", portanto, estou me perguntando se é apropriado usar o OLS para medir o relacionamento e obter os resíduos.
d0rmLife
fonte
Com base na resposta de Plissken, acredito que você está errado na sua segunda pergunta. Se você rejeitar a hipótese nula do ADF ("nenhuma raiz unitária nos resíduos" = "nenhuma cointegração entre séries"), rejeitará a hipótese de que não há cointegração. Então você realmente conclui que há cointegração.
Tanguy
Eu recomendo que você use a tabela de distribuição apenas Dickey mais completa não aumentada uma vez que é apenas uma questão de distinguir AR (1) e raiz unitária não AR (p), onde p é maior, então 1.
Canção

Respostas:

12

Em primeiro lugar considerar duas séries de tempo, e X 2 t o qual ambos são I ( 1 ) , ou seja, ambas as séries de conter uma unidade de raiz. Se essas duas séries cointegrarem, existirão coeficientes μ e β 2 tais que: x1tx2tI(1)μβ2

x1t=μ+β2x2t+ut(1)

irá definir um equilíbrio. Para testar a cointegração usando a abordagem em duas etapas da Engle-Granger,

1) Teste a série, e X 2 t para raízes unitárias. Se ambos sãoeux1tx2t , prossiga para a etapa 2).I(1)

2) Execute a equação de regressão definida acima e salve os resíduos. I definir um novo termo “correção de .u^t=ecm^t

3) Teste os resíduos ( ) para uma raiz unitária. Observe que este teste é o mesmo que um teste de não cointegração, pois, sob a hipótese nula, os resíduos não são estacionários. Se, no entanto, houver cointegração, os resíduos devem ser estacionários. Lembre-se de que a distribuição para o teste residual do ADF não é a mesma das distribuições DF usuais e dependerá da quantidade de parâmetros estimados na regressão estática acima, uma vez que variáveis ​​adicionais na regressão estática mudarão as distribuições DF para a distribuição DF. esquerda. Os valores críticos de 5% para um parâmetro estimado na regressão estática com uma constante e uma tendência são -3,34 e -3,78, respectivamente. ecm^t

4) Se você rejeitar o nulo de uma raiz de unidade nos resíduos (nulo de não cointegração), não poderá rejeitar que as duas variáveis ​​cointegram.

5) Se você deseja configurar um modelo de correção de erros e investigar o relacionamento de longo prazo entre as duas séries, recomendo que você configure um modelo de ADL ou ECM, pois há uma pequena amostra de tendência anexada ao Engle- Regressão estática de Granger e não podemos dizer nada sobre a significância dos parâmetros estimados na regressão estática, pois a distribuição depende de parâmetros desconhecidos. Para responder às suas perguntas: 1) Como visto acima, o método está correto. Eu só queria salientar que os valores críticos dos testes residuais não são os mesmos que os valores críticos usuais do teste do ADF.

(2) Se uma das séries é estacionária, ou seja, e a outra é I ( 1 )I(0)I(1) elas não podem ser cointegradas, uma vez que a cointegração implica que compartilhem tendências estocásticas comuns e que uma relação linear entre elas seja estacionária, pois o estocástico as tendências serão canceladas e, assim, produzirão um relacionamento estacionário. Para ver isso, considere as duas equações:

x1t=μ+β2x2t+ε1t(2)

Δx2t=ε2t(3)

Note-se que , x 1 tI ( 1 ) , x 2 tI ( 1 ) , u t = β x tI ( 0 ) , ε 1 ti . i . d .ε2ti.i.d.x1tI(1)x2tI(1)ut=βxtI(0)ε1ti.i.d.

Primeiro resolvemos a equação e obtemos (3)

x2t=x0+i=0tε2i

Conecte esta solução na equação para obter: (2)

x1t=μ+β2{x0+i=0tε2i}+ε1tx1t=μ+β2x0+β2i=0tε2i+ε1t

Vemos nas duas séries compartilhar uma tendência estocástica comum. Podemos então definir um vetor de cointegração β=(1β2) tal que:

ut=βxt=(1β2)(μ+β2x0+β2i=0tε2i+ε1tx0+i=0tε2i)

ut=βxt=μ+β2x0+β2i=0tε2i+ε1tβ2x0β2i=0tε2i

ut=βxt=μ+ε1t

We see that by defining a correct cointegrating vector the two stochastic trends cancel and the relationship between them is stationary (ut=βxtI(0)). If x1t was I(0) then the stochastic trend in x2t would not be deleted by defining a cointegrating relationship. So yes you need both your series to be I(1)!

(3) The last question. Yes OLS is valid to use on the two stochastic series since it can be shown that the OLS estimator for the static regression (Eq. (1)) will be super consistent (variance converges to zero at T2) when both series are I(1) and when they cointegrate. So if you find cointegration and your series are I(1) your estimates will be super consistent. If you do not find cointegration then the static regression will not be consistent. For further readings see the seminal paper by Engle and Granger, 1987, Co-Integration, Error Correction: Representation, Estimation and Testing.

Plissken
fonte