egcitest

Тест коинтеграции Энгла-Грейнджера

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 (tk) 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

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

Figure contains an axes. The axes contains 3 objects of type line. These objects represent (INT_S) Interest rate (short-term), (INT_M) Interest rate (medium-term), (INT_L) Interest rate (long-term).

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

Figure contains an axes. The axes contains an object of type line.

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.

Введенный в R2011a
Для просмотра документации необходимо авторизоваться на сайте