Error Vector Correction Model (MCVE) on VAR-mudeli laiendus, mis tähendab autoregressioonis mahajäänud vea parandustermini lisamist, et teha hinnang, võttes arvesse kahe muutuja koosintegreerumist.
Teisisõnu sisaldab MCVE mudel kointegreerimist, kasutades VAR-mudeli uue sõltumatu muutujana veaparandusterminit.
Sel viisil saame teha sõltuva muutuja hinnanguid, võttes arvesse selle mahajäänud väärtusi, teise muutuja mahajäänud väärtusi ja viivitatud veaparandusterminit (kointegratsiooni efekt).
Soovitatavad artiklid: kointegreerimine, VAR-mudel, autoregressiivne mudel.
Koostamine
Koos integreerumine kahe juhusliku muutuja vahel on ühise stohhastilise trendi olemasolu. Teisisõnu, muutujad, hoolimata juhuslikust, jagavad suundumust. Näiteks võib teatud aja jooksul juhtuda, et üks muutuja tõuseb ja teine ka. Sama vastupidise juhtumi puhul.
Kointegratsiooni olemasolu ei tähenda, et muutujad tõusevad või langevad samades suhtelistes ühikutes, vaid pigem seda, et muutujate vahel on heterogeenne hajumine.
Vigade parandamise termin
Veaparandustermin või kointegratsioonikoefitsient ütleb meile, kas kointegreerumine toimub visuaalselt ja ebatäpselt. Sellise otsustava otsuse tegemiseks on soovitatav rakendada statistikat, näiteks EG-ADF kontrast.
Matemaatiliselt määratleme muutuja Xt ja Yt kahe juhusliku muutujana, mis järgivad normaalse normaalse tõenäosuse jaotust 0 ja dispersioon 1.
Seejärel viitab kointegratsiooni olemasolu sellele
See on integreeritud hinne 0.
Parameeter d on kointegreerimise koefitsient. Selle koefitsiendi saamiseks võetakse arvesse, et peate kõrvaldama erinevuse ühise trendi.
Kasutatavad ökonomeetrilised meetodid on üldistatud väikseimate ruutude kombinatsioon Dickey-Fulleri testiga.
Teisisõnu, kui näeme, et kahe seeria erinevus ei järgi ühtegi selget suundumust, siis määrame, et kahe muutuja kointegreerumine on 1. aste ja veaparandustermin on integreerimisaste 0.
Skeemiliselt
- Kui näeme kahe muutuja vahel trendi => kontrollige erinevust => erinevus ei järgi selget suundumust => veaparandustermin on 0 astme integreerimine => kahe muutuja vahel on kointegreerumine (astme 1 integreerimine).
- Me ei näe kahe muutuja vahel trendi => kontrollige erinevust => erinevus, kui on selge trend => veaparandustermin on astme 1 integreerimine => kahe muutuja vahel puudub kointegreerumine (astme 0 integreerimine).
Mudeli valem VAR (p, q):
MCVE aluseks on Vector Autoregressive (VAR) mudel:
VAR-mudeli teisendamiseks MCVE-mudeliks peame:
- Lisage ühe perioodi mahajäämusega vea parandustermin:
- Lisage mahajäämus sõltumatute muutujate mahajäämusse, viidates sellele, et rakendame esimest erinevust.
2-muutuja MCVE mudeli valem
Seejärel kahe muutuja X MCVEt ja Yt (kui k = 2) on:
Teoreetiline näide
Kas saame kindlaks teha, et AlpineSki ja NordicSki aktsiate tootluse vahel on kointegreeritus? Kas AlpineSki ja NordicSki (| A-N |) absoluutväärtuse erinevus ütleb meile midagi?
