Sunteți pe pagina 1din 10

Curs 14 Econometrie 15 ian. 2014 Modele de Regresie pentru date Serii de Timp Regresii aparente. Cointegrare.

n econometrie relaiile dintre variabilele economice propuse prin teoria economic sunt studiate n cadrul modelelor de regresie liniare. Datele privind cele mai multe variabile economice sunt culese sub forma unor serii de timp. n procesul de estimare a modelelor de regresie cu date de tip serii cronologice apar probleme specifice. Multe rezultate privind proprietile estimatorilor obinui prin metoda celor mai mici ptrate i inferena se bazeaz pe ipoteza de staionaritate a variabilelor explicative. n practic, cele mai multe variabile macroeconomice sau financiare sunt nestaionare, prezentnd o tendin de-a lungul timpului. Din punct de vedere econometric, prezena unui trend determinist n variabilele explicative nu produce nicio problem. Multe serii cronologice economice sunt nestaionare chiar i dup eliminarea trendurilor deterministe, datorit prezenei rdcinilor unitare, ceea ce nseamn c aceste serii sunt generate prin procese integrate. Regresii aparente (spurious regressions) Atunci cnd ntr-un model de regresie sunt folosite date serii de timp nestaionare, se pot obine legturi aparent semnificative ntre variabile fr nicio legtur. Acest fenomen este numit regresie ndoielnic. Granger i Newbold (1974) au estimat modele de regresie de forma: yt = 0 + 1 xt + u t , unde y t i xt sunt procese de mers la ntmplare fr legtur:
2 yt = 1t , 1t ~ iid (0, 12 ) ; xt = 2t , 2t ~ iid (0, 2 )

Deoarece xt nici nu afecteaz, nici nu este afectat de y t , ne-am atepta ca 1 s tind la 0 i coeficientul de determinaie R 2 , de asemenea, s tind la 0. Totui, s-a gsit n mod frecvent c ipoteza nul (nu exist legtur ntre variabile) nu poate fi respins cnd R2 este foarte mare i statistica Durbin-Watson foarte mic. Ca urmare a acestor rezultate, Granger i Newbold au sugerat c obinerea unei valori mari pentru R2 i a unei valori mici pentru statistica Durbin-Watson, reprezint un semnal asupra unei regresii ndoielnice. Rezultatele de regresie ndoielnic se datoreaz nestaionaritii variabilelor. - O prim abordare a acestei probleme este de a elimina trendul din serii prin aproximarea unui trend determinist sau prin includerea unei funcii de timp n modelul de regresie, cu scopul de a lua n consideraie comportamentul nestaionar al seriilor. Totui, Phillips (1986), a artat c aceasta nu rezolv problema dac seriile sunt integrate. Rapoartele t din modelul de regresie cu un trend determinist nu urmeaz o distribuie Student i deci inferenele standard nu ar fi corecte. - A doua abordare pentru a lucra cu serii nestaionare este de a cuta relaii ntre serii de timp care devin staionare prin difereniere. Totui, trebuie s se in cont de faptul c, prin difereniere, se pierd informaii despre relaia pe termen lung i c relaia economic poate fi diferit ntre niveluri i ntre cantitile obinute prin difereniere. Cointegrare Cnd sunt estimate modele de regresie folosind date serii de timp, este necesar s se tie dac variabilele sunt staionare sau nestaionare pentru a evita problemele de regresie ndoielnic. Engle i Granger au artat c o combinaie liniar a dou sau mai multe serii nestaionare poate conduce la o serie care este staionar. n cazul n care exist o astfel de combinaie liniar staionar, se spune c seriile nestaionare care intr n aceea combinaie sunt cointegrate. De exemplu, dac variabilele economice y t i xt sunt I(1), combinaia lor liniar, notat z t , va fi, n general, I(1). Este posibil ca anumite combinaii liniare ale acestor serii nestaionare s fie staionare. n acest caz spunem c seriile y t i xt sunt cointegrate. Noiunea de cointegrare este important pentru a analiza relaiile pe termen lung dintre serii de timp economice. Ca exemple sunt venitul disponibil i consumul sau cheltuielile guvernamentale i veniturile din taxe. Teoria economic sugereaz c seriile de timp economice ar fi caracterizate prin relaii de echilibru pe termen lung, de tip cauz-efect. Intuitiv, dou serii cronologice considerate drept cointegrate trebuie percepute ca evolund n acelai ritm. Cointegrarea implic faptul c aceste perechi de variabile au

trenduri stochastice similare. n plus, dinamica variabilelor economice sugereaz c ele pot devia de la acest echilibru pe termen scurt i, cnd variabilele sunt cointegrate, termenul z t este staionar. Definiia cointegrrii poate fi generalizat la o mulime de N variabile. Componentele vectorului y t sunt numite cointegrate de ordin d,b i se noteaz yt ~ CI (d , b) , dac: i) toate componentele lui y t sunt I(d); ii) exist un vector de cointegrare ( 0) astfel nct zt = yt ~ CI (d b) , b > 0 .
Relaia y t = 0 reprezint echilibrul pe termen lung. Termenul y t = z t reprezint abaterea de la echilibrul pe termen lung aa c el este numit eroare de echilibru. n general, ntre N variabile pot exista mai multe relaii de cointegrare, cu un maxim de N-1. n cazul a dou variabile I(1), echilibrul pe termen lung poate fi scris ca yt = 0 + 1 xt i vectorul de cointegrare este (1, 1 ) . Vectorul de cointegrare nu este unic deoarece, dac nmulim ambii membri ai egalitii y t = z t cu un scalar, egalitatea rmne valid. Testarea cointegrrii Pentru a testa dac vectorul y t este cointegrat se pot folosi statistici standard de rdcini unitare. Testul ADF (Augmented Dickey-Fuller) poate testa staionaritatea termenului eroare de echilibru. De exemplu, n cazul a dou variabile xt , yt ~ I (1) , a testa ipoteza nul de cointegrare este echivalent cu a testa staionaritatea erorii aleatoare u t = y t 0 1 xt . Cum termenul eroare ut nu este observabil, va fi x . = y aproximat prin reziduurile obinute prin MCMMP: u
t t 0 1 t

t = + u t 1 + t ; Pentru a efectua testul Dickey-Fuller putem estima regresiile: u t = + t + u t 1 + t i putem analiza statisticile corespunztoate . Deoarece testul ADF este bazat pe u valorile estimate ale lui ut , valorile critice trebuie s fie corectate. Estimarea Vectorul de cointegrare poate fi estimat prin MCMMP, adic minimiznd suma ptratelor abaterilor de la echilibrul z t . n cazul a dou variabile I(1), acest criteriu este: min tn=1 ( yt 0 1 xt ) 2 . Deci, pentru a estima vectorul de cointegrare, aplicm MCMMP regresiei de cointegrare: y t = 0 + 1 xt + u t . Pentru c variabilele sunt cointegrate, estimatorii OLS au proprieti bune. Seriile cointegrate conduc la o analiz de regresie de calitate: estimatorii sunt consisteni, deoarece converg rapid ctre valorile reale ale parametrilor, iar testele t i F sunt performante.

Modele de corectare a erorilor Aa cum am menionat deja, o abordare clasic de a construi modele de regresie pentru variabile nestaionare este de a diferenia seriile cu scopul de a induce staionaritatea i de a analiza relaiile dintre variabilele staionare. n aceast situaie, informaiile despre relaia pe termen lung sunt pierdute. Dar prezena cointegrrii dintre regresori i variabila dependent implic faptul c nivelurile acestor variabile sunt legate pe termen lung. Astfel, dei variabilele sunt nestaionare, n aceast situaie pare mai potrivit s estimm relaia dintre niveluri, fr a diferenia datele, adic, s estimm relaia de cointegrare. Pe de alt parte, putem fi interesai n a formula un model care combin att comportamentul pe termen lung ct i cel pe termen scurt al variabilelor. Un model de corectare a erorilor (Error Correction Models-ECM) leag modificarea unei variabile de abaterile de la echilibrul pe termen lung din perioada anterioar. De exemplu, un ECM pentru dou variabile I(1) poate fi scris sub forma: y t = 0 + 1 ( y t 1 0 1 xt 1 ) + 2 xt + vt .

Eroarea de echilibru a perioadei anterioare apare ca variabil explicativ n aceast reprezentare i ne permite s ne deplasm ctre un nou echilibru, iar termenul eroare vt este o perturbaie staionar care produce abaterea tranzitorie de la starea de echilibru. Parametrul 1 msoar viteza de deplasare ctre noul echilibru.
Acest model poate fi generalizat astfel: un vector de serii de timp, y t , are o reprezentare de corectare utiliznd erorile, dac poate fi exprimat sub forma: A( L)(1 L) yt = z t 1 + vt , unde vt este o perturbaie multivariat staionar, A(0) = I , A(1) are toate elementele finite, z t = y t i 0 . Parametrii formei yt . t = erorii de corectare sunt estimai nlocuind dezechilibrul z t prin estimaia z Estimarea relaiilor dintre mai multe serii de timp utiliznd modele VAR i VEC Modelele VAR i VEC sunt foarte des utilizate n Analiza seriilor de timp pentru c sunt foarte flexibile i uor de folosit. Nu exist variabile exogene i nu sunt necesare restricii arbitrare pentru identificarea sistemului de ecuaii. Trebuie stabilite variabilele care vor fi introduse n model i numrul de lag-uri. Modelele VAR i VEC pot evidenia structura dinamic a mai multor variabile simultan i efectul pe care l are asupra sistemului un oc ce acioneaz asupra uneia dintre variabile. Aceste modele permit separarea relaiei pe termen lung de dinamica pe termen scurt i identificarea acestora. Modelele dinamice VAR pot fi rescrise sub forma unor modele de corectare a erorilor (VEC) care permit determinarea elasticitilor pe termen scurt. Modelul vector autoregresiv, VAR(p) Un model vector autoregresiv descrie evoluia dinamic a mai multor variabile de tip serii de timp, pe baza istoriei lor comune. Un astfel de model se utilizeaz atunci cnd se studiaz interaciunea dintre mai multe variabile. Este folosit n mod frecvent pentru o descriere a datelor serii de timp macroeconomice. Avantaje ale utilizrii unui model VAR: - modelul este flexibil i uor de estimat; - ofer informaii despre relaia pe termen lung i relaia pe termen scurt, dintre var. investigate; - toate variabilele sunt endogene, deci nu este necesar s se precizeze care variabile sunt endogene i care sunt exogene; - poate include multe caracteristici ale datelor; permite ca valoarea unei variabile s depind i de alte variabile, nu numai de propriile lag-uri sau de combinaii de termeni zgomot alb. n acest fel, un model VAR este mai general dect modelarea ARMA. - dac nu exist termeni contemporani n partea dreapt a ecuaiilor, putem folosi MCMMP pentru fiecare ecuaie, separat. - prognozele obinute sunt mai bune dect cele obinute prin modelele structurale tradiionale. Dezavantaje ale utilizrii unui model VAR: - modelele VAR sunt a-teoretice (ca i modelele ARMA); - cum se poate alege lungimea decalajului potrivit? - exist prea muli parametri; dac avem k ecuaii pentru k variabile i considerm p lag-uri pentru fiecare din variabilele din fiecare ecuaie, avem de estimat k+pk2 parametri. De exemplu, pentru k=3 i p=3 vom avea k+pk2=30 parametri de estimat. - cum interpretm coeficienii ntr-un astfel de model? - trebuie s ne asigurm c toate componentele modelului VAR sunt staionare? (nu). Un model vector autoregresiv studiaz cteva variabile endogene mpreun. Fiecare variabil endogen este explicat prin valori ale sale din trecut i prin valorile din trecut ale tuturor celorlalte variabile din model. Model vector autoregresiv, VAR(p), n forma sa standard sau redus, este exprimat prin relaia: yt = A1 yt 1 + A2 yt 2 + ... + A p yt p + B + t , unde y t este vectorul variabilelor endogene (kx1), fiecare cu p lag-uri, A1 , A2 ,K, A p , B sunt matrici ale coeficienilor ce trebuie determinai, iar t este un vector (kx1) de erori sau inovaii, care pot fi corelate contemporan, dar necorelate cu trecutul lor sau cu variabilele din partea dreapt a ecuaiei. Modelul VAR(p) este stabil dac rdcinile ecuaiei det( I k A1 z A2 z 2 .... Ap z p ) = 0 au modulul mai mare dect unu.

Modelul VAR este nerestricionat dac n fiecare ecuaie apare acelai numr de lag-uri ale tuturor variabilelor. n specificarea modelului VAR(p) trebuie s se in seama de numrul de observaii disponibile deoarece, pentru k variabile dependente, numrul de coeficieni de estimat este k 2 p . Modelul vector de corectare a erorilor VEC (Vector Error-Correction) Modelul VEC este un model VAR restricionat. El este testat folosind date staionare. Modelul VEC permite s se includ n acelai model nivelurile variabilelor i diferenele acestora. Astfel, sunt modelate att relaii pe termen scurt ct i relaii pe termen lung ntre serii de timp integrare. 1 y t = y t 1 + 1y t 1 + 2 yt 2 + ... + p 1yt p +1 + t = yt 1 + ip= 1 i y t i + t unde = A1 + A2 + L + Ap I k , iar i = ( Ai +1 + Ai + 2 + ... + A p ) , i = 1,2,K, p 1 . Deoarece yt ~ I (1) , nseamn c y t nu conine trend stochastic. Ar trebui ca termenul yt 1 ~ I (0) , deci s existe o relaie de cointegrare. Matricile i conin parametrii de ajustare pe termen scurt. Matricea conine informaii despre proprietile pe termen lung ale modelului. Principiul din spatele modelelor VEC este c, adesea, ntre mai multe variabile economice, exist o relaie de echilibru pe termen lung. Totui, pe termen scurt, poate exista un dezechilibru. Cu ajutorul mecanismului de corectare a erorilor, o proporie a dezechilibrului dintr-o perioad, este corectat n urmtoarea perioad. Modelul VEC restricionaz comportamentul pe termen lung al variabilelor endogene, pentru a converge ctre relaiile sale de cointegrare, n timp ce permite ajustarea pe termen scurt.

Aplicaie 1. Analizm seriile de timp economice ce trebuie studiate Considerm datele observate cu privire la 5 serii cronologice economice cu frecven trimestrial, n perioada anilor 1985-2006, un total de 88 observaii pentru fiecare serie de timp. Seriile sunt: Produsul Intern Brut (PIB), Venitul Personal Disponibil (VPD), Cheltuielile de Consum Personal (CCP), Profiturile i Dividendele. Valorile observate se afl n fiierul Excel cu numele Date Aplicatie 5 Serii Timp.xls. Un prim pas n analiza oricrei serii de timp este de a privi graficul valorilor observate n raport cu timpul. Figura 1 prezint graficele seriilor PIB, VPD, CCP, Profituri i Dividende.

Figura 1. Graficele seriilor de timp PIB, VPD, CCP, Profituri i Dividende.

Prima impresie pe care o obinem din graficele seriilor este aceea c ele au o tendin cresctoare, dei trendul nu este neted, mai ales n cazul seriei Profiturilor. Se observ c media, variana i autocovarianele fiecrei serii nu par a fi invariante n raport cu timpul. Aceste serii sunt serii de timp nestaionare. 2. Testarea staionaritii seriei de timp, pe baza corelogramei Un test simplu al staionaritii seriei este bazat pe funcia de autocorelaie (ACF). Graficul funciei de autocorelaie n raport cu decalajul k, se numete corelogram. Mai jos avem corelograma seriei cu date trimestriale privind PIB-ul , realizat n EViews.

Cum interpretm corelograma? Observm c ncepe cu valori foarte mari (0,969 la lag-ul 1) i scade treptat. Chiar la lag-ul 14, coeficientul de autocorelaie are o valoare destul de mare (0,5). Acest tip de corelogram reprezint un indiciu c seria este nestaionar. Deci, pentru serii nestaionare coeficienii de autocorelaie scad foarte ncet. Prin contrast, dac un proces stochastic este pur aleator, autocorelaia la orice lag k > 0 , va fi zero. Semnificaia statistic a oricrui coeficient de autocorelaie de selecie k = k 0 poate fi apreciat prin eroarea sa standard. rk = Bartlett a artat c, dac o serie de timp este pur aleatoare, coeficienii de autocorelaie de selecie sunt k ~ N (0,1 / n) . aproximativ normal distribuii, cu media 0 i variana 1 / n , unde n este volumul seleciei. Putem determina un interval de ncredere 95% n care se afl k . k );1,96 * se( k )) , deci k (1,96 *1 / n ; 1,96 *1 / n ) . k (1,96 * se( k este 1/88, iar eroarea standard este n exemplul dat, deoarece n=88, variana lui

1 / 88 = 0,1066 .

Conform proprietilor distribuiei normale standard, intervalul de ncredere 95% pentru orice k va fi 1,96(0,1066) = 0,2089 . Astfel, dac un k estimat se afl n intervalul (0,2089;0,2089) , nu respingem ipoteza c k real este zero. Dac k estimat se afl n afara intervalului (0,2089;0,2089) , atunci putem respinge ipoteza c k real este zero. Intervalul de ncredere 95% este marcat prin dou linii punctate. n

k pn la decalajul 23 sunt semnificativi statistic, adic sunt corelogram se observ c toi coeficienii statistic diferii de 0. Pentru a testa ipoteza c toi coeficienii de autocorelaie sunt simultan nuli, folosim statistica Ljung-Box: H 0 : toti k = 0 (seria este staionar);

H 1 :exista k 0

(seria este nestaionar)

2 m k 2 ~ m . Q = LB = n(n + 2 ) k =1 n k n seleciile de volum mic, statistica Q s-a dovedit a avea proprieti mai bune dect statistica Q . Pentru seria de date PIB, statistica Q bazat pe 25 de decalaje are valoarea 891, deci este semnificativ diferit de 0; probabilitatea de a obine o astfel de valoare 2 este zero. Concluzia este c nu toi

coeficienii k sunt zero. Concluzia bazat pe corelogram, este c seria de timp PIB este nestaionar.

3. Testul pentru staionaritate sau pentru o rdcin egal cu 1 yt = y t 1 + t Dac = 1 , spunem c variabila y t are o rdcin unitar.

y t = ( 1) y t 1 + t = y t 1 + t
Ipoteza de rdcin unitar-Unit Root H 0 : seria are rdcin unitar i este nestaionar; H 1 : seria este staionar Testul Dickey-Fuller(Unit Root Test) Dac = 1 sau = 0 , atunci seria nu este staionar. Dac < 1 , atunci seria este staionar = DF = se() . Dac | | > | | respingem H i acceptm c seria este staionar.
calc crt 0

Dac | calc | < | crt | acceptm c seria este nestaionar. Dickey i Fuller au propus trei ecuaii de regresie diferite: i) y t = y t 1 + t ; ii) y t = y t 1 + + t ; iii) y t = y t 1 + + t + t Dac = 0 , seria conine o rdcin egal cu 1. Pentru a permite posibilitatea de a exista o corelaie serial n t folosim testul ADF. Testul ADF include termeni AR(p) ai termenului y t n cele trei modele alternative. Dac termenul eroare este autocorelat, ultimul din cele trei modele va fi: yt = yt 1 + + t + i yt i + t .
i =1 p

Cazul cnd avem intercepie dar nu avem trend:

IB = 28,7190 0,0033 PIB + 0,3197 PIB Am obinut rezultatele: P t t 1 t 1 t = (1,2143) (-0,5472) (3,0888) ; R2=0,1047; DW= 2,0405 Pentru scopul nostru este important statistica t ( =tau) a variabilei PIBt-1. Ipoteza nul este c = 0 , echivalent cu = 1 , sau exist o rdcin unitar. Pentru modelul nostru, valorile critice sunt -3,508326, 2,895512 i -2,584952, corespunztoare nivelurilor de semnificaie de 1%, 5% i 10%. Valoarea calculat pentru statistica este -0,547205, care n valoare absolut este mai mic dect valorile critice. Nu putem respinge ipoteza nul, c exist o rdcin unitar, deci seria PIB este nestaionar.

Cazul cnd avem intercepie i trend. Am obinut urmtoarele rezultate: IB = 234,9729 + 1,892199 t 0,078661 PIB + 0,355794 PIB P t t 1 t 1 t = (2,383391) (2,15226) (-2,215287) (3,464708) ; R2=0,152615 ; DW= 2,085875 Pentru scopul nostru este important statistica t ( =tau) a variabilei PIBt-1. Ipoteza nul este c = 0 , echivalent cu = 1 , sau exist o rdcin unitar. Pentru modelul nostru, valorile critice sunt -4,06829, 3,462912 i -3,157836, corespunztoare nivelurilor de semnificaie de 1%, 5% i 10%. Valoarea calculat pentru statistica este -2,215287, care n valoare absolut este mai mic dect valorile critice. Nu putem respinge ipoteza nul, c exist o rdcin unitar, deci seria PIB este nestaionar. 4. Seria de timp PIB devine serie staionar dup aplicarea operatorului de difereniere

Pentru a aplica operatorul de difereniere, n EViews scriem: series DPIB=D(PIB). Pentru seria transformat realizm graficul i comparm graficul seriei PIB cu cel al seriei DPIB. Seria difereniat, DPIB, nu mai prezint trend.

Am aplicat testul ADF seriei difereniate i am obinut urmtoarele rezultate:

IB = 16,00498 0,682762 DPIB DP t t 1


DW=d=2,034425 t = (3,640211) (-6,630339) R2=0,343552 Pentru modelul nostru, valoarea calculat pentru statistica este -6,630339, care n valoare absolut este mai mare dect valorile critice. Respingem ipoteza nul, c exist o rdcin unitar, deci seria difereniat, DPIB, este o serie staionar.

5. Regresii ndoielnice sau aparente Ne propunem s regresm Cheltuielile de Consum Personal (CCP) n raport cu Venitul Personal Disponibil (VPD), pentru a determina legtura dintre cele dou variabile. Am obinut urmtoarele rezultate:

Avem R2 = 0,994, deci foarte aproape de 1, iar nclinaia marginal spre consum este pozitiv i panta este semnificativ. Singura problem o ridic statistica D-W. Dac R2>DW, exist suspiciunea c regresia este ndoielnic. Dac efectum testul Dickey-Fuller pentru fiecare din cele dou serii (CCP i VPD) gsim c fiecare are o rdcin unitar, adic sunt serii nestaionare. Difereniem aceste dou serii i obinem seriile staionare CCP i VPD. Deoarece seriile CCP i VPD sunt staionare, este bine s regresm CCP n raport cu VPD? Rspunsul este NU!, deoarece, lund diferenele de ordinul nti ale seriilor, putem pierde relaia pe termen lung dintre variabile, relaie care este dat prin nivelurile variabilelor. O teorie economic este stabilit ca o relaie pe termen lung ntre variabilele date sub form de niveluri i nu sub form de diferene de ordinul nti. i n acest caz particular, nivelul consumului este funcie de nivelul venitului; relaia nu este enunat n termeni de diferene de ordinul 1 ale acestor variabile. Din graficele celor dou serii se vede c, dei au o tendin cresctoare stochastic, totui, cele dou serii par a se modifica mpreun, n acelai ritm, fiind pe aceeai lungime de und. Cele dou serii sunt serii cointegrate. Combinaia liniar a celor dou serii CCP i VPD ar putea fi staionar. Putem scrie modelul: t = CCPt 1 2VPDt . Gsim c t ~ I (0) sau staionar. n concluzie, dac reziduurile, dintr-o regresie cu date serii de timp, reprezint o serie I(0), adic staionar, metodologia de regresie clasic, ce include testele t i F, este valabil i aplicabil i datelor de tip serii cronologice. O asfel de regresie se numete regresie de cointegrare, iar parametrul 2 este numit parametru de cointegrare. Pentru a testa cointegrarea putem folosi dou metode: 1) aplicm unul din testele DF sau ADF seriei reziduurilor estimate din regresia de cointegrare. 2) testul Durbin-Watson din regresia de cointegrare (CRDW). Numim Serii cointegrate seriile integrate de acelai ordin, ce admit o combinaie liniar care este I(0) sau integrat de un ordin mai mic dect ordinul de integrare al seriilor iniiale. Estimarea unui model de regresie cu serii cronologice nestaionare, prin MCMMP, duce la valori foarte mari att ale coeficientului de determinaie, ct i ale statisticilor t, chiar dac nu exist nici o relaie ntre variabile. Granger i Newbold au sugerat urmtoarea regul de a stabili regresiile ndoielnice: dac R 2 > DW sau R 2 1 , atunci regresia este una fals, aparent. Revenim la modelul CCPt = 1 + 2VPDt + t . Estimaiile modelului sunt n ultimul tabel EViews. Aplicm reziduurilor obinute din aceast regresie testul DF de rdcin unitar. Am obinut: t = 0,2753 t 1 R 2 = 0,142205 t = (-3,7791) Deoarece valoarea absolut a statisticii este 3,7791 i este mai mare dect valorile critice (-2,5918, 1,9446 i -1,6143, corespunztoare nivelurilor de semnificaie de 1%, 5% i 10%), concluzia ar fi c seria reziduurilor este staionar, adic nu exist rdcin unitar. Rezult c seriile CCP i VPD sunt cointegrate.

6. Cointegrarea i mecanismul de corectare utiliznd erorile Am artat c seriile CCP i VPD sunt cointegrate, adic exist o relaie de echilibru pe termen lung ntre ele. Desigur c, pe termen scurt ar putea exista dezechilibru. Se poate trata termenul eroare t = CCPt 1 2VPDt ca eroarea de echilibru. Se poate folosi acest termen eroare pentru a pune n legtur comportamentul pe termen scurt al lui CCP cu valoarea lui pe termen lung. Folosim modelul t 1 + t . CCPt = 0 + 1 VPDt + 2

t 1 este estimaia empiric a termenului eroare de echilibru. Aceast ultim regresie leag modificarea din
CCP de modificarea din VPD i eroarea de echilibru din perioada anterioar. n aceast regresie t 1 capteaz ajustarea ctre echilibrul VPD capteaz perturbaiile pe termen lung din VPD, iar termenul

pe termen lung. Dac 2 este semnificativ statistic, el arat ce proporie a dezechilibrului din CCP ntr-o perioad, este corectat n perioada urmtoare.

P = 11,69183 + 0,2906VPD 0,0867 t 1 CC t t


t = (5,324936) (4,171715) (-1,600311) R2=0,171727, DW=d=1,923381 Aceste rezultate arat c modificrile pe termen scurt din VPD au efect pozitiv semnificativ asupra seriei CCP i c 0,0867 din discrepana dintre valoarea actual i cea de echilibru, sau pe termen lung, a lui CCP este eliminat sau corectat pe fiecare trimestru. Dar, pentru c p-value pentru coeficientul 2 este 0,1133, acest coeficient nu este semnificativ. Dac privim regresia de cointegrare, nclinaia marginal spre consum era 0,96725, care sugereaz c exist practic o relaie unu la unu ntre CCP i VPD i c CCP se ajusteaz la creterea pe termen lung destul de rapid, urmnd o perturbaie.

Procedee de staionarizare Cum inducem staionaritatea n medie? -Prin diferene de ordinul 1 sau 2. -Prin difereniere sezonier. De exemplu dac ACF la lagul 12 tinde foarte greu la 0, avem o sezonalitate de ordinul 12 i vom calcula diferene de ordinul 12: Yt Yt 12 Cum inducem staionaritatea n dispersie? -Dac dispersia seriei iniiale nu este constant, atunci seria se logaritmeaz. -Dac i dup logaritmare exist un trend n date, se calculeaz diferenele de ordinul 1. Atenie: NU se logaritmeaz dup ce s-au efectuat diferene de ordinul 1.

10