Каузални зависимости


Категория на документа: Икономика


320.6798
Adjusted R-squared
0.979791
S.D. dependent var
197.8155
S.E. of regression
28.12095
Sum squared resid
21351.28
Durbin-Watson stat
2.325778















Имаме 3 зависими променливи GDP, EXPORT и MONEY. Ще проверим GDP:
Equation: GDP = C(1)*GDP(-1) + C(2)*GDP(-2) + C(3)*EXPORT(-1) + C(4)
*EXPORT(-2) + C(5)*MONEY(-1) + C(6)*MONEY(-2) + C(7)

Първо проверяваме дали EXPORT(-1) и EXPORT(-2) ще доведат до GDP , използвайки Wald Test, проверяваме дали коефициентите С(3)=С(4) и получаваме вероятност Р=18,90% >5%, т.е. приемаме Н0 хипотеза- EXPORT ( lag 1 и lag2) не зависи от GDP. След това проверяваме дали MONEY (-1) и MONEY(-2) ще доведат до GDP,използвайки отново Wald Test, проверяваме дали коефициентите С(5)=С(6)=0 и получаваме вероятност Р=31,73%>5%, т.е приемаме Н0 хипотеза - MONEY( lag 1 и lag2) не зависи от GDP.

По същия начин се процедира и за другите зависими променливи.

> тест на Haugh-pierce

Тази процедура която е била предложена първо от L.D.Haugh (1976) и по-късно от L.D.Haugh и D. A. Pierce (1977) е базирана на взаимовръзки ρab(k) между остатъците "a" и "b" от унивариантните ARMA модели за X и Y. Първо тези модели трябва да бъдат оценени. Като се използва Box-Pierce Q статистика (или Box-Ljung Q статистика) се проверява дали нулевата хипотеза-това че очакваните остатъци са white noise- не могат да бъдат отхвърлени. След това аналогично на Q статистиката се пресмята следната статистика:

(1) S=T. k=k1k2ρab2(k)

Нулева хипотеза Н0: ρab(k)=0, за всяко k, при k1 ≤ k ≤ k2, тази статистика е асимптотична χ2 - разпределена с k2-k1+1 степени на свобода. Може да бъде проверено за k1 <0 ∧ k2 >0, дали има някаква причинно-следствена връзка. Ако тази хипотеза може да бъде отвхърлена може да бъде проверена за k1=1 ∧ k2≥ 1, дали има проста причинно-следствена връзка от Х до Y. В обратна връзка за k1≤-1 ∧ k2= -1, може да бъде проверено дали има причинно-следствена връзка от Y до Х. Накрая може да се тества чрез ρab(0) дали съществува мигновена връзка.

G. William Schwert (1979) показва че силата на тази процедура, която използва взаимовръзки, е подобен на силата на Granger процедурата, която използва регресии. По този начин, този тест може да бъде само първа стъпка към анализа на причинно-следствена връзка между сериите. От друга страна информацията от отношенията между двете времеви серии, съдържащи се в кръстосани съотнощения, могат да бъдат полезни дори и да не е приложен формален тест. Тази информация предлага по-дълбока проницателност с причинно-следствена връзка която се извършва чрез "F "и " t" статистиката на Granger процедурата.

> тест на Hsiao.

Процедурата за индентификация и оценяване на двумерните времеви сериини модели предложени от Cheng Hsiao (1979) първоначално съответства на предназначението на Granger процедурата. Въпреки че, дължините на лаговете са определени с информационен критерий C. Hsiao предложил употребата на финална прогнозна грешка.

Продпоставката е, че двете променливи са слабо стационарни. Процедурата е разделена на 6 стъпки:
1) Оптималния лаг k1 на унивариантен авторегресивен процес на y е определен
2) С фиксирането на k1 оптималната дължина на лага k2, на представената променлива Х в уравнението на Y, е определено



Сподели линка с приятел:





Яндекс.Метрика
Каузални зависимости 9 out of 10 based on 2 ratings. 2 user reviews.