UI10 Aplicatie Modele multivariate stationare

Modele VAR. Cauzalitate Granger.

Să se testeze existenţa unei corelaţii semnificative între variabilele Y1 şi Y2, folosind datele lunare
din fişierul “VAR_Y1_Y2.wf1”

1) Testaţi dacă seriile Y1 şi Y2 au rădăcină unitară (utilizaţi testul ADF)

2) Estimaţi un model VAR(1) dat sub forma:
Y1𝑡 = 𝑐1 + 𝑎11 Y1𝑡−1 + 𝑎12 Y2𝑡−1 + 𝜀1𝑡
Y2𝑡 = 𝑐2 + 𝑎21 Y1𝑡−1 + 𝑎22 Y2𝑡−1 + 𝜀2𝑡
Scrieţi ecuaţia modelului estimat, scrieţi Standard Errors în paranteze ( ) şi t-Statistics în [ ] şi comentaţi
legătura dintre Y1 şi Y2.
3) Estimaţi un model VAR(2) dat sub forma:
Y1𝑡 = 𝑐1 + 𝑎11 Y1𝑡−1 + 𝑎12 Y2𝑡−1 + 𝑏11 Y1𝑡−2 + 𝑏12 Y2𝑡−2 + 𝜀1𝑡
Y2𝑡 = 𝑐2 + 𝑎21 Y1𝑡−1 + 𝑎22 Y2𝑡−1 + 𝑏21 Y1𝑡−2 + 𝑏22 Y2𝑡−2 + 𝜀2𝑡
Scrieţi ecuaţia modelului estimat, scrieţi Standard Errors în paranteze ( ) şi t-Statistics în [ ] şi comentaţi
legătura dintre Y1 şi Y2.
4) Alegeţi numărul optim de lag-uri pentru modelul VAR (utilizând criteriile informaţionale)
5) Folosiţi rezultatele pentru a testa cauzalitatea Granger.

Rezolvare:
Cerinţă esenţială în construirea unui model VAR - seriile de timp din model să fie staţionare.

1) Testăm dacă seriile Y1 şi Y2 sunt I(0) sau I(1).

Testul ADF (Augmented Dickey-Fuller Unit Root Test)

𝐻0 : seria Yi are rădăcină unitară şi este nestaţionară (i=1,2)

𝐻1 : seria Yi este staţionară

Ambele serii sunt staţionare, deoarece Prob=0,00000,05  respingem H0 şi acceptăm H1.

Vom estima un model VAR(1) cu două variabile dat ca:

Y1 = 𝑐1 + 𝑎11 Y1𝑡−1 + 𝑎12 Y2𝑡−1 + 𝜀1𝑡
{ 𝑡
Y2𝑡 = 𝑐2 + 𝑎21 Y1𝑡−1 + 𝑎22 Y2𝑡−1 + 𝜀2𝑡
Fiecare ecuaţie conţine ca variabile explicative lag-urile variabilelor endogene (Y1𝑡−1 ,Y2𝑡−1).
Pentru a specifica un model VAR în Eviews vom selecta
Quick/Estimate VAR….
Selectăm VAR Type: Unrestricted VAR…. (1 1)
1
Name: VAR01

Fiecare coloană din tabel corespunde unei ecuaţii din modelul VAR. Pentru fiecare variabilă din partea
dreaptă a ecuaţiei Eviews afişează coeficientul estimat, eroarea sa standard şi statistica t.

Ecuatia lui Y1: Ecuatia lui Y2:

̂ 𝟏𝒕 = 𝟕, 𝟎𝟑𝟖𝟗 + 𝟎, 𝟎𝟏𝟗𝟑 ⋅ Y1𝒕−𝟏 + 𝟎, 𝟒𝟒𝟎𝟓 ⋅ Y2𝒕−𝟏
𝒀 Y2𝒕 = 𝟕, 𝟔𝟓𝟔𝟕 + 𝟎, 𝟐𝟒𝟎𝟖 ⋅ Y1𝒕−𝟏 + 𝟎, 𝟐𝟖𝟑𝟒 ⋅ Y2𝒕−𝟏
(2,4174) (0,1034) (0,0979) (2,9343) (0,1255) (0,1188)
[2,9118] [0,1866] [4,4982] [2,6093] [1,9185] [2,3842]

Pe meniul ecuaţiei VAR01 selectăm View/Representation şi obţinem.aceste ecuaţii.

3) Vom estima un model VAR(2), deci cu două lag-uri pentru fiecare variabilă:

2
Ecuatia lui Y1:
Y1𝑡 = 7,2181 − 0,0521 ⋅ Y1𝑡−1 + 0,4758 ⋅ Y2𝑡−1 + 0,0858 ⋅ Y1𝑡−2 − 0,0406 ⋅ Y2𝑡−2
(2,6082) (0,1369) (0,1127) (0,1078) (0,1145)
[2,7675] [-0,3802] [4,2210] [0,7967] [-0,3546]
Ecuatia lui Y1:
Y2𝑡 = 8,5605 + 0,2871 ⋅ Y1𝑡−1 + 0,3172 ⋅ Y2𝑡−1 + 0,0281 ⋅ Y1𝑡−2 − 0,1551 ⋅ Y2𝑡−2
(2,6082) (0,1369) (0,1127) (0,1078) (0,1145)
[2,6900] [1,7187] [2,3060] [0,2135] [-1,1096]

4) Alegeţi numărul optim de lag-uri pentru modelul VAR (utilizând criteriile informaţionale).

3
Putem estima un model VAR cu un număr oarecare de lag-uri (de exemplu 1 sau 2). Pe meniul acestui
model vom selecta:
View → Lag Structure → Lag Length Criteria.

Pentru fiecare ordin al modelului VAR (Coloana ”Lag”, de la 0 la 7), se calculează mai multe criterii
informaţionale şi indicatorii privind eroarea de previziune. Sunt marcate valorile minime ale indicatorilor,
rezultând că numărul optim de lag-uri al modelului VAR este 1.

̂ 𝟏𝒕 = 𝟕, 𝟎𝟑𝟖𝟗 + 𝟎, 𝟎𝟏𝟗𝟑 ⋅ Y1𝒕−𝟏 + 𝟎, 𝟒𝟒𝟎𝟓 ⋅ Y2𝒕−𝟏

𝒀 Y2𝒕 = 𝟕, 𝟔𝟓𝟔𝟕 + 𝟎, 𝟐𝟒𝟎𝟖 ⋅ Y1𝒕−𝟏 + 𝟎, 𝟐𝟖𝟑𝟒 ⋅ Y2𝒕−𝟏
(2,4174) (0,1034) (0,0979) (2,9343) (0,1255) (0,1188)
[2,9118] [0,1866] [4,4982] [2,6093] [1,9185] [2,3842]

În output-ul unui model VAR estimat găsim valorile coeficienţilor, abaterile lor standard (în paranteze
rotunde) şi valorile statisticilor t (în paranteze drepte). Deorece numărul de observaţii este mare, putem
considera 𝑡𝑐𝑟𝑡 = 2. Vom considera că un coeficientul este statistic semnificativ dacă valoarea statisticii t,
în valoare absolută, este mai mare decât 2.
În prima ecuaţie, cea pentru 𝑌1𝑡 , coeficientul variabilei 𝑌2𝑡−1 este semnificativ. Înseamnă că variabila
𝑌2𝑡−1 are influenţă asupra variabilei 𝑌1𝑡 .
În a doua ecuaţie, cea pentru Y2, coeficientul variabilei 𝑌2𝑡−1 este semnificativ, dar coeficientul variabilei
𝑌1𝑡−1 nu este semnificativ. Înseamnă că variabila 𝑌1𝑡−1 nu are influenţă asupra variabilei 𝑌2𝑡 .

5) Analiza cauzalităţii dintre variabile. Testăm pentru cauzalitatea Granger.

Modelul VAR este utilizat şi pentru a reprezenta noţiunea de cauzalitate Granger.

În sensul abordării propuse de Granger (1969) X este cauza pentru Y, sau X explică pe Y, dacă X ajută
la predicţia lui Y.
Spunem că X cauzează Granger pe Y dacă modificările în variabila X au loc primele şi ele sunt urmate
de modificări ale variabilei Y.

4
Variabila X cauzează Granger pe Y dacă valorile curente ale lui Y pot fi prognozate mai bine cu
valorile decalate ale lui X decât fără ele.
În urma aplicării celor două teste sunt posibile patru concluzii:
• cauzalitate unidirecţională: X este cauză pentru Y (X →Y) dacă ipoteza nulă se respinge la 1) şi se
acceptă la 2);
• cauzalitate unidirecţională: Y este cauză pentru X (Y → X) dacă ipoteza nulă se respinge la 2) şi se
acceptă la 1);
• cauzalitate bidirecţională: X  −  Y dacă ipoteza nulă se respinge atât la 1) cât şi la 2).
• cele două variabile sunt independente dacă ipoteza nulă se acceptă la 1) şi la 2)

Pe VAR01→Proc→Make Endogenous Group→ Granger Causality

𝐻0 : Y2 nu influenţează Granger pe Y1
𝐻1 : Y2 influenţează Granger pe Y1
Vom admite că Y2 cauzează Granger pe Y1 dacă respingem H0.
Din output (primul rând) se vede că F-Statistic = 20,2341 şi Prob = 0,0000. Respingem ipoteza nulă la pragul de
semnificaţie de 5% şi admitem că Y2 influenţează Granger pe Y1.

Vom admite că Y1 influenţează Granger pe Y2 dacă respingem H0.

𝐻0 : Y1 nu influenţează Granger pe Y2
𝐻1 : Y1 influenţează Granger pe Y2
Din output (al doilea rând) se vede că F-Statistic = 3,6808 şi Prob = 0,0591. Nu putem resping ipoteza nulă la pragul
de semnificaţie de 5% şi admitem că Y1 nu influenţează Granger pe Y2.

Pe VAR02→Proc→Make Endogenous Group→ Granger Causality

𝐻0 : Y2 nu influenţează Granger pe Y1

𝐻0 : Y1 nu influenţează Granger pe Y2