SERII DE TIMP COINTEGRATE

Serii cointegrate
 Conceptul de cointegrare a fost introdus de Granger (1983), Granger and Weiss
(1983), Engle si Granger (1987).
 Intuitiv, două serii de timp sunt în relație de cointegrare dacă nu sunt neapărat
corelate dar ele sunt într-o relație de echilibru relativ pe termen lung.
 Noţiunea de cointegrare este strâns legată de cea de „regresii false” cu serii de
timp. Atunci când se estimează regresii cu serii de timp în economie deseori R2 este
mare (R  1) iar statistica Durbin-Watson este mică DW  0 (erorile sunt
corelate). Dacă în plus R2 > DWcalc acesta ar putea fi un semnal ca regresia este
falsă; dependenţa este exagerată iar estimatorii sunt suspecţi. Aceasta se întâmplă
deoarece variabilele din economie sunt deseori nestaţionare şi se comportă ca şi un
proces de tip mers aleator (au rădăcină unitate).
 Observație: Pentru a exista o relaţie pe termen lung între variabile, acestea trebuie să
fie cointegrate.
Serii cointegrate
 Cointegrarea este o proprietate a seriilor de timp nestationare.

 Definiţie:
 1. Spunem că două serii de timp Yt , X t integrate de ordin 1 sunt cointegrate de
ordin CI(1,1) dacă o combinaţie liniară a celor două  t  Yt  X t este staţionară
(integrată de ordin 0), deşi fiecare din ele nu este stationară.
 2. Dacă două serii Yt , X t sunt integrate de acelaşi ordin d şi există  astfel încât
rezidu-ul din regresie  t  Yt  X t are un ordin mai mic de integrare I(d-b) atunci,
conform definitiei Engle-Granger (1987), cele doua serii sunt cointegrate de
ordin CI(d,b).
Serii cointegrate
 Fie două serii de timp Yt , X t integrate de ordin 1 - I(1) pentru care există o
combinație liniară, notată t :
 t  Yt  a0  a1 X t care este staționară I(0)
 Seriile Yt , X t se numesc serii cointegrate de ordinul 1
 Vectorul (1-a1) se numește vector de cointegrare
 Relația Yt  a0  a1 X t   t se numește relație de cointegrare

 Diferenţa Yt  a1 X t rămâne stabilă în jurul unei medii fixe a0 (media lui este zero).
 Dacă constanta este zero, relaţia ce le menţine legate pe termen lung este una de
proporţionalitate Yt  a1 X t
 Variabilele rămân legate pe termen lung prin relaţia de echilibru Yt  a0  a1 X t iar deviaţiile de
la aceasta au loc doar pe termen scurt; această relaţie de echilibru poate fi interpretată ca o
relaţie echilibru pe termen lung, „deranjată” doar de şocuri aleatoare () cu efect pe termen
scurt.
 Relația de echilibru pe termen lung este înţeleasă în sensul de stabilitate a relaţiei de
dependentă.
 Două serii cointegrate au o tendinţă stochastică comună (tendinţe de evoluţie similare), adică
„hoinăresc” împreună (analogie în evoluţie). Relaţia de dependenţă dintre ele este stabilă.
Serii cointegrate
 Posibile relaţii de cointegrare sugerate de teoria economică, variabilele fiind de
regulă considerate în formă logaritmată:
 între venit PIB şi consum C. Raportul C/PIB este constant pe termen lung, astfel ln(C)-
ln(PIB) este staţionar iar ln(C) şi ln(PIB) sunt cointegrate. In mod similar PIB şi învestiţiile;
 cererea de monedă, preţuri, venit
 între cursul valutar, preţurile domestice respectiv preţurile din ţara străină, cursul real
având comportament staţionar (conform teoriei parităţii de cumpărare);
 cursul diferitelor acţiuni;
 rentabilitatea activelor şi rata inflaţiei, diferenţa acestora adică rata reală a rentabilităţii, ce
are comportament staţionar;
 ratele dobânzii pentru diferite maturităţi, diferenţa faţă de rata activului fără risc (rata pe
termen scurt) reflectând prima de risc a investitorilor;
 logaritmul indicelui preţului acţiunilor respectiv al dividendelor diferenţa reprezentând
logaritmul randamentului .
 logaritmul indicelui preţurilor respectiv al salariului , diferenţa reprezentând logaritmul
indicelui salariului real;
 cursurile acţiunilor (de regulă în formă logaritmată) etc.
Serii cointegrate
 Abordări în teoria cointegrării:

 abordări bazate pe o singură ecuaţie, cea mai cunoscută fiind metoda în

două etape propusă de Engle şi Granger;

 abordarea multivariată de tip VAR respectiv VECM; în acest caz ne

așteptăm la existenţa mai multor relaţii de cointegrare. În cazul general,
dat fiind un grup de mai multe variabile nestaţionare suntem interesaţi
dacă acestea sunt cointegrate, şi dacă sunt, care este relaţia de echilibru
pe termen lung dintre ele. Pentru analiza cointegrării între mai multe
procese nestaţionare, cu rădăcină unitate, se apelează la metodologia
dezvoltată de Johansen şi Juseliu (1990), implementată în softurile de
statistică.
Metodologia Engle-Granger
 Etapa 1:Testarea existenței unei relații de cointegrare între cele
două variabile
 a) se testează dacă ambele variabile sunt integrate de ordin 1, Yt , X t  I1 , utilizând teste de
tip unit root, precum testul ADF
 b) se estimează regresia liniară Yt  a 0  a1X t   t prin MCMMP pentru a obţine o estimație
 
a relaţiei (vectorului) de cointegrare. Interesant este că estimatorii obţinuţi pentru a 0 şi a 1
sunt superconsistenţi (în acest caz, când ambele variabile sunt I(1)), chiar dacă erorile sunt
corelate. Erorile standard nu sunt însă de încredere, astfel nu se pot realiza inferenţe privind
modelul pe termen lung. Dacă există o relaţie de cointegrare atunci MMP o va depista, iar
dacă nu există atunci regresia este falsă. Se extrag apoi estimaţiile pentru reziduuri:
  
 t  Yt  a 0  a1X t

 c) se testează dacă reziduurile  t sunt staţionare. Dacă ipoteza existenţei rădăcinii unitate în
seria reziduurilor este respinsă, atunci între cele două procese există relaţia de cointegrare.
Dacă reziduurile sunt staţionare cele două serii sunt cointegrate, relaţia de cointegrare fiind
cea estimată: Yt  aˆ0  aˆ1 X t   t iar relaţia de echilibru pe termen lung este: Yt  aˆ0  aˆ1 X t
 Valorile critice adecvate testului ADF de cointegrare au fost obţinute de către MacKinnon
de asemenea prin simulare şi pot fi găsite în Johnston şi DiNardo (1994):
 T=50  ttab = - 3,29; T=100  ttab = -3,17; T=200  ttab = -3,25
 dacă tcalc < ttab  H0 se respinge  t sunt staţionare  Xt,Yt cointegrate
Metodologia Engle-Granger
 Etapa 2. Elaborarea unui model de tip ECM
 Relaţia pe termen scurt dintre două variabile cointegrate, cu relaţia de
cointegrare:
Yt  a0  a1 X t   t
poate fi descrisă printr-un model de corecţie a erorilor (“error correction
model”), forma simplă a acestuia fiind:
Yt    1X t   (Yt 1  aˆ 0  aˆ1 X t 1 )  t sau
Yt    1X t  ˆt 1  t
  
 Reziduurile din ecuaţia de cointegrare  t 1  Yt 1  a0  a1 X t 1 (ce surprind
dezechilibrele pe termen lung) sunt luate în considerare în modelul dinamic,
fiind introduse ca un factor. Astfel, modificările variabilei Y pe termen scurt
depind de cele ale variabilei X şi de abaterea lui Y de la valoarea sa de
echilibru pe termen lung a  bX t 1 din perioada precedentă.
 O altă modalitate de a detecta existenta unei relaţii de cointegrare
constă în testarea semnificativităţii coeficientului  (cu alternativa
mai mic decât zero) în modelul ECM; dacă acesta este semnificativ
atunci nu există o relaţie de cointegrare între variabile.
Estimarea unui model de regresie între
două serii de timp
 1. Dacă variabilele sunt staţionare sau staţionare relativ la tendinţă (deterministă)
modelul este specificat pentru variabilele observate. Forma generală a modelului
dinamic adecvat în acest scop este:
p q
Yt    t    i Yt i    j X t  j   t
i 1 j o

 Termenul t se include doar dacă una din variabile este staţionară relativ la tendinţă. In acest caz testele
clasice din regresie, bazate pe metoda celor mai mici pătrate sunt asimptotic valide (dacă numărul
datelor e suficient de mare).

 2. Dacă variabilele sunt nestaţionare, staţionare după o singură diferenţiere şi nu

sunt cointegrate, atunci, regresia se va estima pentru variabilele diferenţiate. Modelul
dinamic are forma:
p q
Y      Y    X  
t i t i j t j t
i 1 j o

 3. Dacă variabilele sunt nestaţionare şi cu rădăcină unitate, staţionare după prima

diferenţiere şi cointegrate, atunci regresia: Y  a  a X   furnizează un estimator t 0 1 t t

(super)consistent pentru relaţia de cointegrare pe termen lung dintre variabile

(Johnston şi DiNardo, 1994). Relaţia dintre variabile este estimată utilizând un
model de tip corecţie a erorilor:
Y    t  ˆ    X    Y  
t t 1
unde ˆ  Y  aˆ  aˆ X
m

i t i
n

i t i t t 1 t 0 1 t
i 1 i 1
Analiza cauzalităţii dintre variabile
 În sensul abordării propuse de Granger (1969) X este cauza pentru Y, sau X explică pe
Y, dacă X ajută la predicţia lui Y.
 1. Pentru a testa dacă X este cauză pentru Y, în sens Granger, se estimează ecuaţia de regresie:
k k

* Yt      i Yt i    j X t  j   t unde k este fixat astfel încât erorile să fie zgomot alb.

i 1 j 0

 Relativ la această ecuaţie, ipoteza nulă respectiv alternativa sunt:

H 0 : 1   2  ...   l  0, X nu este cauza pentru Y
H1 :   i  0

 Testarea ipotezei precedente se realizează utilizând un test de tip Fisher-Snedecor:

( SSRr  SSRu ) / k ( Ru2  Rr2 ) / k
F   F (k , n  2k  1)
SSRu /(T  2k  1) (1  Ru2 ) /( n  2k  1)

 unde SSRu şi Ru2 reprezintă suma pătratelor reziduurilor respectiv coeficientul de

determinaţie în ecuaţia fără restricţii (*) iar SSRr şi Rr2 sunt aceleaşi elemente dar în
ecuaţia de regresie cu restricţii (**) ce include doar termenii de tip Yt-i :
k

** Yt      i Yt i   t
i 1
Analiza cauzalităţii dintre variabile
 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).