egcitest

Тест коинтеграции Энгла-Грейнджера

свернуть все на странице

Синтаксис

[h,pValue,stat,cValue,reg1,reg2] = egcitest(Y)
[h,pValue,stat,cValue,reg1,reg2] = egcitest(Y,Name,Value)

Описание

Тесты Энгла-Грейнджера оценивают нулевую гипотезу никакой коинтеграции среди временных рядов в Y. Тест регрессирует Y(:,1) на Y(:,2:end), затем тестирует остаточные значения на модульный корень.

[h,pValue,stat,cValue,reg1,reg2] = egcitest(Y) выполняет тест Энгла-Грейнджера на матрице данных Y.

[h,pValue,stat,cValue,reg1,reg2] = egcitest(Y,Name,Value) выполняет тест Энгла-Грейнджера на матрице данных Y с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы.

Входные параметры

Y

numObs-by-numDims матрица, представляющая наблюдения numObs за numDims - размерные временные ряды y (t), с последним наблюдением новое. Y не может иметь больше чем 12 столбцов. Наблюдения, содержащие NaN значения удалены.

Аргументы в виде пар имя-значение

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

'creg'

Вектор символов, такой как 'nc', или вектор ячейки из векторов символов, указывающих на форму cointegrating регрессии, где y 1 = Y(:,1) регрессируется на Y 2 = Y(:,2:end) и дополнительные детерминированные условия в X:

y 1 = X a + Y 2b + ε

Значения:

  • 'nc'— никакая константа или тренд в X

  • 'c'— постоянный, но никакой тренд в X

  • 'ct' — постоянный и линейный тренд в X

  • 'ctt' — постоянный, линейный тренд и квадратичный тренд в X

Значение по умолчанию: 'c'

'cvec'

Вектор или вектор ячейки из векторов, содержащих коэффициенты [a; b], чтобы считаться зафиксированным в cointegrating регрессии. Длина a 0, 1, 2 или 3, в зависимости от creg, с содействующим порядком: постоянный, линейный тренд, квадратичный тренд. Длина b является numDims  − 1. Это принято что коэффициент y 1 = Y(:,1) был нормирован к 1. NaN значения указывают на коэффициенты, которые будут оценены. Если cvec полностью задан (никакой NaN значения), никакая cointegrating регрессия не выполняется.

Значение по умолчанию: Абсолютно незаданный cointegrating вектор (все значения NaN).

'rreg'

Вектор символов, такой как 'ADF', или вектор ячейки из векторов символов, указывающих на форму остаточной регрессии.

Значения:

  • 'ADF' — увеличенный Более полный Дики тест остаточных значений cointegrating регрессии

  • 'PP' — Тест Phillips-крыльца

Тестовые статистические данные вычисляются путем вызова adftest и pptest с набором параметра модели к 'AR', принятие данных было унижено или детрендировано, по мере необходимости, в cointegrating регрессии.

Значение по умолчанию: 'ADF'

'lags'

Скаляр или вектор из неотрицательных целых чисел, указывающих на количество задержек, используются в остаточной регрессии. Значение параметра зависит от значения rreg (см. документацию для lags параметр в adftest и pptest).

Значение по умолчанию: 0

'test'

Вектор символов, такой как 't1', или вектор ячейки из векторов символов, указывающих на тип тестовой статистической величины, вычисляется из остаточной регрессии.

Значения:

  • 't1' — “тест τ”

  • 't2' — “тест z”

Значение параметра зависит от значения rreg (см. документацию для тестового параметра в adftest и pptest).

Значение по умолчанию: t1

'alpha'

Скаляр или вектор из номинальных уровней значения для тестов. Значения должны быть между 0,001 и 0.999.

Значение по умолчанию: 0.05

Одноэлементные значения параметров расширены до продолжительности любого векторного значения (количество тестов). Векторные значения должны иметь равную длину. Если значение является вектором-строкой, все выходные параметры являются векторами-строками.

Выходные аргументы

h

Вектор из булевых решений для тестов, с длиной равняются количеству тестов. Значения h равняйтесь 1 TRUE) укажите на отклонение пустого указателя в пользу альтернативы для коинтеграции. Значения h равняйтесь 0 ложь) укажите на отказ отклонить пустой указатель.

pValue

Вектор из p - значения тестовой статистики, с длиной равняются количеству тестов. p - значения являются вероятностями лево-хвоста.

stat

Вектор из тестовой статистики, с длиной равняются количеству тестов. Статистическая величина зависит от rreg и test значения (см. документацию для adftest и pptest).

cValue

Вектор из критических значений для тестов, с длиной равняются количеству тестов. Значения для вероятностей лево-хвоста. Поскольку остаточные значения оцениваются, а не наблюдаются, критические значения отличаются от используемых в adftest или pptest (если cointegrating вектор полностью не задан cvec). egcitest таблицы загрузок критических значений из файла Data_EGCITest.mat, затем линейно интерполирует тестовые значения из таблиц. Критические значения в таблицах были вычислены с помощью методов, описанных в [3].

reg1

Структура статистики регрессии от cointegrating регрессии.

reg2

Структура статистики регрессии от остаточной регрессии.

Количество записей в reg1 и reg2 равняется количеству тестов. Каждая запись имеет следующие поля:

numПродолжительность ответа регрессии y, с NaNs удаленный
sizeЭффективный объем выборки, настроенный для задержек, различие*
namesИмена коэффициента регрессии
coeffПредполагаемые содействующие значения
seПредполагаемые содействующие стандартные погрешности
CovПредполагаемая содействующая ковариационная матрица
tStatsСтатистика t коэффициентов и p - значения
FStatСтатистическая величина F и p - значение
yMuСреднее значение y, настроенного для задержек, различие*
ySigmaСтандартное отклонение y, настроенного для задержек, различие*
yHatПодходящие значения y, настроенного для задержек, различие*
resОстаточные значения регрессии
DWStatСтатистическая величина Дербин-Уотсона
SSRСумма квадратов регрессии
SSEОшибочная сумма квадратов
SSTПолная сумма квадратов
MSEСреднеквадратическая ошибка
RMSEСтандартная погрешность регрессии
RSqR 2 статистических величины
aRSqНастроенный R 2 статистических величины
LLЛогарифмическая правдоподобность данных под Гауссовыми инновациями
AICКритерий информации о Akaike
BICБайесов (Шварц) информационный критерий
HQCКритерий информации о Ханане-Квинне

*Отставание и дифференцирование временные ряды уменьшают объем выборки. Отсутствующий любые преддемонстрационные значения, если y (t) задан для t = 1:N, то изолированная серия y (t −k) задана для t = k +1:N. Дифференцирование уменьшает основу времени до k +2:N. С изолированными различиями p общей основой времени является p +2:N, и эффективным объемом выборки является N − (p +1).

Примеры

свернуть все

Скрипт Open Live Script

Загрузите данные по структуре термина процентных ставок в Канаде.

load Data_Canada
Y = Data(:,3:end);
names = series(3:end);
plot(dates,Y)
legend(names,'location','NW')
grid on

Протестируйте на коинтеграцию (и воспроизведите строку 1 Таблицы II в [3]).

[h,pValue,stat,cValue,reg] = egcitest(Y,'test',...
    {'t1','t2'});
h,pValue
h = 1x2 logical array

   0   1


pValue = 1×2

    0.0526    0.0202

Постройте предполагаемое cointegrating отношение y1-Y2b-Xa.

a = reg(2).coeff(1);
b = reg(2).coeff(2:3);
plot(dates,Y*[1;-b]-a)
grid on

Алгоритмы

Подходящее значение для lags должен быть определен для того, чтобы чертить допустимые выводы из теста. См. примечания по lags параметр в документации для adftest и pptest.

Выборки с меньше чем ~20 к 40 наблюдениям (в зависимости от размерности данных) могут дать к ненадежным критическим значениям, и так ненадежные выводы. См. [3].

Если коинтеграция выведена, остаточные значения reg1 выведите может использоваться в качестве данных для срока исправления ошибок в представлении VEC y (t). См. [1]. Оценка авторегрессивных компонентов модели может затем быть выполнена с estimate, обработка остаточного ряда как внешний.

Ссылки

[1] Энгл, R. F. и К. В. Дж. Грейнджер. “Коинтеграция и Исправление ошибок: Представление, Оценка и Тестирование”. Econometrica. v. 55, 1987, стр 251–276.

[2] Гамильтон, J. D. Анализ Временных Рядов. Принстон, NJ: Издательство Принстонского университета, 1994.

[3] Маккиннон, J. G. “Числовые Функции распределения для Модульных Тестов Корня и Коинтеграции”. Журнал Прикладной Эконометрики. v. 11, 1996, стр 601–618.

Смотрите также

| | |

Темы

Введенный в R2011a

Документация Econometrics Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте