1 Bibliografia Akaike, H. [1973], “Information Theory and an
Transcript
1 Bibliografia Akaike, H. [1973], “Information Theory and an
Bibliografia Akaike, H. [1973], “Information Theory and an Extension of the Maximum Likelihood Principle”, in Petrov B.N., Csàki F. (a cura di), 2nd International Symposium on Information Theory, Académiai Kiadò, Budapest, pp. 267-281. Amisano, G., Giannini, C. [1997], Topics in Structural VAR Econometrics, Second Edition, Springer Verlag, New York. Bartlett M.S. (1946), “On the Theoretical Specification and Sampling Properties of Auto-Correlated Time Series”, Journal of the Royal Statistical Society (Supplement) 8, pp. 24 – 41. Bernanke B.S. (1986), “Alternative Explanations of the Money-Income Correlation”, NBER Working Paper N. 1842. Bernanke, B.S., Mihov I. [1998], “Measuring Monetary Policy”, Quarterly Journal of Economics, 3, pp. 869-902. Beveridge, S., Nelson, C.R.,(1981), “A New Approach to Decomposition of Economic Time series into Permanent and Transitory Components with Particular Attention to the Measurement of the Business Cycle”, Journal of Monetary Economics, 7, pp.151-174 Blanchard J. O. (1981), “What is left of the multiplier-accelerator?”, American Economic Review Proceedings, 71, pp. 150-154. Blanchard J. O. e Fisher S (1989), Lectures on Macroeconomics, Cambridge (MA): The MIT Press. Blanchard, O.J., Quah, D.T. [1989], “The Dynamic Effects of Aggregate Demand and Supply Disturbances”, American Economic Review, 79, pp. 655-673. Blanchard O. and M. Watson, (1984), “Are Business Cycles All Alike?”, NBER Working Paper N. 1392 Box, G.E.P., Jenkins, G.M. [1970], Time Series Analysis, Forecasting and Control, San Francisco: Holden Day. Box G.E.P. e Pierce D.A. (1970), “Distribution of Residual Autocorrelations in Autoregressive Moving Average Time Series Models, Journal of the American Statistical Association 65, pp. 1509 – 1526. Burns A. F. e Mitchell W. C. (1946), Measuring Business Cycle, New York: National Bureau of Economic Research. 1 Buys-Ballot C.H.D (1847), Les changements périodiques de température, Kemink et Fils, Utrecht. Campbell J. e Mankiw N.G. (1987), “Are Output Fluctuations Transitory?”, Quarterly Journal of Economics, 102, pp. 857-880. Carlucci F. (1971), “Spettro e struttura rappresentativa nelle serie storiche stazionarie”, in Studi di probabilità, statistica, e ricerca operativa in onore di Giuseppe Pompilj, Gubbio: Oderisi, pp. 35-50. Davis H.T. (1941), The Analysis of Economic Time Series, Cowles Commission for Research in Economics Monograph N. 6. Enders, W., Lee, B.S. [1997], “Accounting for Real and Nominal Exchange Rate Movements in the Post-Bretton Woods Period”, Journal of International Money and Finance, 2, pp. 233-254. Favero C. A. (2001), Applied Macroeconometrics, Oxford University Press. Hamilton, J.D. (1994), Time Series Analysis Jarque C.M. e Bera, A.K. [1980], “Efficient Tests for Normality, Homoskedasticity and Serial Independence of Regression Residuals”, Economics Letters, 6, pp. 255-9. Kirchgässner G. e Wolters J (2007), Introduction to Modern Time Series Analysis, Berlin: Springer. Kydland F. e Prescott E. C. (1980), “A Competitive Theory of Fluctuations and the Feasibility and Desirability of Stabilization Policy, in Stanley Fisher, ed., Rational Expectations and Economic Policy, NBER, Chicago, IL: University of Chicago Press. Ljung G.M. e Box G.E.P. (1978), “On a Measure of Lack of Fit in Time Series Models”, Biometrika 65, pp. 297 – 303. Lucas R. E. jr, (1973), “Some International Evidence on Output-Inflation Tradeoffs”, American Economic Review, 63, pp.326-334. Nelson C.R. e Plosser C.I. (1982) “Trends and Random Walks in Macroeconomic Time Series”, Journal of Monetary Economics, 10, pp. 139-162. Newey W. e West K. (1987), “A simple positive semidefinite, heteroscedastic and autocorrelation consistent covariance matrix”, Econometrica, 55, pp.863-898. OECD, Economic Outlook: Statistics and Projections, Paris, OECD Publishing, 2014. 2 Priestley M.B. [1981], Spectral Analysis and Time Series, London: Academic Press. Sargent T. J. (1978), “Estimation of Dynamic Labor Demand Schedules under Rational Expectations”, Journal of Political Economy, 86, pp.1009-1044. Schwarz, G. [1978], “Estimating the Dimension of a Model”, Annals of Statistics, 6, pp. 461-464. Sims, C.A. [1980], “Macroeconomics and Reality”, Econometrica, 48, pp. 1-48. Slutsky E. (1927), “The Summation of Random Causes as the Source of Cyclic Processes” (in Russian), in Problems of Economic Conditions, Mosca: The Conjuncture Institute, Stock J.H and Watson M.W. (1988), “Variable Trends in Economic Time Series”, Journal of Economic Perspectives, 2, pp. 147-174. Strongin, S. [1994], “The Identification of Monetary Policy Disturbance: Explaining the Liquidity Puzzle”, Journal of Monetary Economics, 35, pp. 463-498. Tsay R.S. (2005), Analysis of Financial Time Series, Wiley. Walker G. (1931), “On Periodicity in Series of Related Terms”, Proceedings of the Royal Society, 131, Ser. A, pp. 518-532. White H. (1980), “A heteroscedastic consistent covariance matrix estimator and a direct test for heteroscedasticity”, Econometrica, 48, pp.827-838. Wold, H. [1938], A Study in the Analysis of Stationary Time Series, Uppsala: Almqvist e Wiksell Wold, H. [1963], Demand Analysis: A Study in Econometrics, New York: Wiley; trad. it. Analisi della domanda: uno studio di Econometria, Milano: Feltrinelli, 1966. Yule G.U. (1927), “On a Method of Investigating Periodicities in Disturbed Series, with Special Reference to Wölfer’s Sunspot Numbers”, Philosophical Transactions of the Royal Society, 226 (A), pp. 267-298. Zanella, A. [1982], “Il reperimento di un processo ARMA con assegnata funzione di autocovarianza”, Rivista di Statistica applicata, 15, n. 4, pp.213-252. 3 4 5 Francesco Carlucci ECONOMETRIA II Contents Preface 1 Introduction 1.1 Serie storiche e loro modelli 1.2 Sommario ragionato 2 Basic elements: Univariate time series 2.1 La scomposizione classica delle serie storiche economiche Il ciclo negli USA Il ciclo in Italia Alcuni tipi standard di tendenza La tendenza come curva logistica Il livellamento esponenziale La tendenza a media mobile Le limitazioni della scomposizione classica 2.2 Trasformazioni rilevanti delle serie storiche La media mobile Il saggio di crescita La trasformazione logaritmica Il saggio di variazione approssimato con una differenza logaritmica 2.3 L’operatore di ritardo L Un’utile uguaglianza 2.4 Il processo aleatorio stazionario Definizione di processo stazionario Motivazioni economiche per la stazionarietà 2.5 Il rumore bianco ed altri esempi di processi stazionari Il rumore bianco Processi periodici 2.6 Alcune definizioni di contorno Il processo stazionario in senso forte Le autocorrelazioni di Yule e di Slutsky Il processo generatore dei dati 6 3 Basic elements: Wold’s theorem and autoregressive (AR) models 3.1 La scomposizione del Wold Il filtro lineare La funzione di risposta all’impulso 3.2 Il modello autoregressivo a somma mobile (ARMA) Lo schema a somma mobile MA(q) La funzione di risposta all’impulso in Economia Lo schema autoregressivo AR(p) Schemi autoregressivi come forme ridotte Lo schema ARMA(p,q) 3.3 Il modello autoregressivo del primo ordine Equivalenza di uno schema AR(1) con un MA(∞) Stazionarietà Momenti La procedura di Cochrane ed Orcutt La passeggiata aleatoria 3.4 Richiamo sui numeri complessi Forma trigonometrica del numero complesso Formula di De Moivre 3.5 Il modello autoregressivo di ordine p generico Equivalenza di uno schema AR(p) con un MA(∞) Momenti Le equazioni di Yule-Walker 3.6 Il modello autoregressivo del secondo ordine Equivalenza dello schema AR(2) con un MA(∞) Momenti 3.7 Il ciclo economico medio La costante nella tendenza L’oscillazion ciclica nel modello AR(2) 4 Basic elements: Moving-sum (MA) models and projection 4.1 I modelli a somma mobile L’ invertibilità L’identificazione 4.2 I modelli ARMA Il modello ARMA(p,q) Il modello ARMA(1,1) Stazionarietà ed invertibilità per il processo ARMA(1,1) I coefficienti del processo MA(∞) equivalente La funzione di risposta all’impulso del modello ARMA(2,2) 4.3 I modelli ARMA per il PIL in Italia e negli USA Il PIL in Italia Il PIL negli USA 7 4.4 La proiezione La proiezione per il processo AR(1) stazionario La proiezione per il processo AR(p) stazionario La proiezione per il processo MA(1) invertibile La proiezione per il processo ARMA(p,q) stazionario ed invertibile 4.5 Il processo integrato e il modello ARIMA 4.6 La persistenza 4.7 La stagionalità L’eliminazione della stagionalità con le variabili di comodo Stagionalità variabile Stagionalità additiva o moltiplicativa L’eliminazione della stagionalità con i modelli ARIMA stagionali 5 I momenti campionari ed i minimi quadrati 5.1 La costruzione del modello Ergodicità 5.2 La stima dei momenti campionari Gli intervalli di confidenza di Bartlett Applicazioni Le stime di Yule-Walker 5.3 Alcune proprietà asintotiche degli stimatori Convergenza in distribuzione Convergenza in probabilità Consistenza Il test del “portmanteau” Il test di normalità di Jarque e Bera 5.4 La stima dei minimi quadrati La stima approssimata dei minimi quadrati per il modello ARMA Il criterio dei minimi quadrati L’ortogonalità (deterministica) dei disturbi stimati rispetto alle variabili esplicative 5.5 Il coefficiente di determinazione Il coefficiente di determinazione centrato Il coefficiente di determinazione corretto 5.6 I disturbi come enti aleatori: le ipotesi deboli Lo stimatore dei minimi quadrati per il modello lineare multiplo Consistenza dello stimatore dei minimi quadrati La stima della varianza dei disturbi Matrici di dispersione robuste La matrice di correlazione degli stimatori dei parametri di regressione Il teorema di Gauss-Markov e gli stimatori BLU 5.7 La stima dei fattori di destagionalizzazione con i minimi quadrati Conformazione stabile Conformazione variabile 5.8 Le ipotesi forti sui residui Disturbi con distribuzione di probabilità normale Normalità dello stimatore dei minimi quadrati Intervalli di confidenza per i parametri del modello lineare con 2 noto Verifica delle ipotesi con 2 noto Caso della varianza ignota Il test della t di Student 8 Stima intervallare della varianza dei residui 5.9 Stima dei minimi quadrati per il PIL in Italia e negli USA Il modello per il PIL in Italia Il modello per M1 negli USA 5.10 Qualche richiamo di algebra delle matrici Equazione caratteristica di una matrice e sue soluzioni La traccia di una matrice ed alcune sue proprietà Forme quadratiche e matrici definite positive e negative Matrici idempotenti e loro proprietà Proprietà degli autovalori e autovettori 5.11 Verifica di ipotesi lineari multiple Caso di una sola ipotesi lineare Caso di più ipotesi lineari Verifica della bontà di adattamento complessiva di un modello Il test della F di Fisher 5.12 Il cambiamento strutturale Test di cambiamento strutturale nel caso in cui k<n2 Il cambiamento strutturale in Italia dopo il 2006 5.13 Appendice Le condizioni sufficienti per i minimi quadrati ordinari La distorsione della varianza campionaria Dimostrazione del teorema di Gauss-Markov 6 La massima verosimiglianza e la costruzione dei modelli ARMA 6.1 Il criterio della massima verosimiglianza La verosimiglianza Interpretazione del criterio di stima della massima verosimiglianza La log-verosimiglianza L’estremo inferiore di Cramèr-Rao Proprietà dello stimatore di massima verosimiglianza per n finito Proprietà asintotiche dello stimatore di massima verosimiglianza 6.2 La distribuzione normale e la stima del modello ARMA Il caso della distribuzione normale La log-verosimiglianza del modello ARMA La stima di massima verosimiglianza condizionata per il modello ARMA La stima di massima verosimiglianza esatta per il modello ARMA 6.3 Il test LR del rapporto delle verosimiglianze Il test del rapporto delle verosimiglianze nel cambiamento di struttura 6.4 Il test LR asintotico e il test dei moltiplicatori di Lagrange Interpretazione geometrica dell’equivalenza dei test LR ed LM 6.5 Criteri di scelta del modello 6.6 La procedura Box-Jenkins di costruzione del modello Le autocorrelazioni parziali Schema AR(1) Schema AR(2) Schema MA(1) Schema MA(2) Schemi di ordine superiore al secondo 9 6.7 Costruzione degli schemi ARIMA I minimi quadrati non lineari La retroproiezione 6.8 La costruzione di modelli per tre serie storiche in Italia I prezzi al consumo Il livello degli ordini interni L’indice generale della produzione industriale 6.9 Appendice Condizioni sufficienti per il massimo della log-verosimiglianza nel caso normale 7 Modelli a spazio degli stati e filtro di Kalman 7.1 La rappresentazione a spazio degli stati 8 I modelli stazionari rispetto alla differenza 8.1 La tendenza stocastica 8.2 I modelli stazionari rispetto alla tendenza (TS) e alla differenza (DS) 8.3 La scomposizione di Beveridge e Nelson La scomposizione per mezzo delle proiezioni 9 Eteroschedasticità condizionata 10 I modelli multivariati 10.1 le critiche del Sims ai modelli strutturali Il modello VAR Relazione tra il modello VAR ed il sistema di equazioni simultanee 10.2 Il modello in ambiente stocastico: la stazionarietà La tendenza stocastica multivariata 10.3 La scomposizione del Wold ed il rumore bianco multivariato L’analisi delle risposte all’impulso o dei moltiplicatori La strutturalizzazione del processo aleatorio Il modello VAR e la scomposizione del Wold 10.4 L’ortogonalizzazione dei disturbi La fattorizzazione di Choleski 10.5 Il modello ARMA vettoriale Trasformazione del VARMA(p,q) nel VAR(∞) Trasformazione del VARMA(p,q) nelVMA(∞) Caratteri dei modelli VAR 10.6 Alcuni richiami di algebra delle matrici Proprietà degli autovalori e autovettori Operazione di vettorizzazione di A vec(A) Prodotto del Kronecker 10.7 Il modello VAR(1) Trasformazione del VAR(1) nel VMA( ) Le matrici di dispersione Le equazioni di Yule-Walker 10.8 Un esempio di modello VAR(1): i tassi di crescita negli USA, in Giappone e in Italia 10.9 Il modello VAR(p) Equivalenza di uno schema VAR(p) con un VMA( ) Le equazioni di Yule-Walker 10 10.10 Il modello VMA(q) Equivalenza di uno schema VMA(q) con un VAR( ) Invertibilità del modello VMA(q) Le matrici di dispersione 11 Inferenza statistica per i modelli VARMA 11.1 La stima dei minimi quadrati La stima dei minimi quadrati 11.2 Lo stimatore dei minimi quadrati Non distorsione Consistenza Validità delle ipotesi per la consistenza Normalità asintotica Un esempio 11.3 La stima di Yule-Walker Un esempio 11.3 La massima verosimiglianza La funzione di verosimiglianza La stima di massima verosimiglianza Gli stimatori di massima verosimiglianza 12 Proiezione e causalità secondo Granger 13 Identificazione e VAR strutturali 14 VAR di cointegrazione 15 VAR e CVAR bayesiani 16 La rappresentazione frequenziale 11 12 Chapter 1 Introduction 1.1 Serie storiche e loro modelli Alcuni dei dati socioeconomici forniti dalle istituzioni statistiche (gli istituti di statistica nazionali ed internazionali, i ministeri, le banche centrali, e così via) sono rilevati in un tempo t prefissato. Sono i cosiddetti dati sezionali e riguardano in generale il comportamento di un gruppo di operatori, come le famiglie, i lavoratori, gli investitori, … Se questo gruppo è costituito, al variare del tempo, dagli stessi operatori, si hanno i dati di pannello, usati, ad esempio, nell’analizzare il comportamento delle famiglie o dei lavoratori da un periodo all’altro. Se invece ciò che interessa è l’andamento nel tempo di una o più variabili, i relativi dati costituiscono una serie storica, univariata nel primo caso, multivariata nel secondo. Delle serie storiche interessano a noi i fatti stilizzati, cioè quei caratteri che vengono considerati più importanti e che valgono in tutto il periodo in cui sono rilevati i dati: la tendenza, ad esempio, è uno di questi. Il presente testo mostra come su tali fatti stilizzati vengono costruiti dei modelli rappresentativi delle serie storiche nel periodo di osservazione. Nelle Figure 1.1, 1.2, 1.3 ed 1.4 sono esposti i grafici di quattro serie di carattere economico, utili a rappresentare le caratteristiche più rilevanti della generica serie. Nella 1.1 è riportata la serie annuale (a) del PIL reale in Italia dal 1970 al 2006, mentre nella 1.2 ne compare una (b), analizzata spesso dagli studiosi, relativa al numero mensile dei passeggeri nelle aerolinee internazionali. Essa fu inizialmente studiata nel testo che ha dato origine alla moderna modellistica delle serie storiche 1, con un periodo di osservazione che va dal gennaio 1949 al dicembre 1960. Nella terza 1 Box e Jenkins (1970). 13 figura, la 1.3, è riportata la serie (c) delle variazioni mensili …..dal … al …, mentre nella 1.4 compare quella (d) dei rendimenti giornalieri delle azioni IBM a Wall Street dal 17 maggio 1961 al 2 novembre 1962. Il carattere più evidente della serie del PIL, arrestata al 2006 per evitare gli anni della Grande Crisi, riguarda la sua tendenza, che indica la componente di crescita (o decrescita) approssimativamente costante, mentre quella del numero di passeggeri nelle aerolinee internazionali è caratterizzata, oltreché da una tendenza crescente, anche da una conformazione che si ripresenta in modo simile all’interno di ogni anno di rilevazione, la cosiddetta stagionalità. 1800000 Real GNP in Italy 1600000 1400000 1200000 1000000 800000 600000 1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 GNP Trend Figura 1.1 – Serie storica annuale del PIL reale in Italia, in migliaia di euro, interpolato mediante una tendenza polinomiale lineare, dal 1970 al 2006. (Fonte: OECD, 1914) Nella serie a si nota poi una variabilità nel tempo essenzialmente costante, mentre nella b la variabilità è chiaramente crescente. Ambedue le serie, inoltre, al netto della tendenza e della stagionalità, sono caratterizzate da un’oscillazione di ampiezza variabile che costituisce il ciclo, e che può essere considerata come una modulazione dei dati intorno alla tendenza. 14 Figura 1.2 – Serie storica mensile del numero di passeggeri sulle linee aeree internazionali, in migliaia, dal gennaio 1949 al dicembre 1960. (Fonte: Box e Jenkins,1970) La serie c viene riportata perché indica il caso in cui non si ha né tendenza, né stagionalità, né ciclo, e deve quindi essere rappresentata tramite un modello nel quale siano presenti, se esistono, soltanto le relazioni tra gli elementi della serie storica e quelle rappresentative di un’eventuale variabilità non costante nel tempo. La serie d si muove costantemente intorno allo zero ma la sua variabilità è approssimativamente costante nei primi 235 giorni ma poi aumenta o diminuisce repentinamente nei giorni successivi. Un suo modello, quindi, deve essere in grado di rappresentare questa variabilità dipendente dal tempo. 15 Figura 1.3 – Serie storica dei I modelli possono essere deterministici, come ad esempio nel caso della tendenza costituita da un polinomio nel tempo, ed allora essi generano direttamente i dati della serie storica. Oppure possono essere costruiti in ambito stocastico, ed allora essi individuano un processo aleatorio che genera i dati stessi. In altre parole i dati sono prodotti dal modello tramite un processo aleatorio che è chiamato processo generatore dei dati (DGP). I modelli costruiti con le serie univariate, composta da elementi relativi ad una sola variabile, non possono che basarsi sulle relazioni esistenti tra i valori della stessa variabile misurati in tempi diversi, mentre quelli costruiti con le serie multivariate, cioè di più serie storiche considerate congiuntamente, si basano anche sulle relazioni eventualmente presenti tra le variabili, anch’esse determinate possibilmente con distanze temporali diverse. Figura 1.4 – Serie storica dei rendimenti giornalieri delle azioni IBM a Wall Street dal 17/05/1961 al 2/11/1962. (Fonte: Box e Jenkins,1970) 1.2 Sommario ragionato 16