Teil D: Einführung in die Kointegrationsmethodologie
Transcription
Teil D: Einführung in die Kointegrationsmethodologie
Teil D: Einführung in die Kointegrationsmethodologie 1. Problem der Scheinregression Makroökonomische Zeitreihen (z.B. Output, Investitionen, Beschäftigung) sind typischerweise trendbehaftetete Zeitreihen. Bruttosozialprodukt und Anlageinvestitionen aller Unternehmen in der Bundesrepublik (in Preisen von 1985) 2500 450 EIP 400 Bruttosozialprodukt (real) 2000 350 300 1500 250 200 1000 150 100 500 Anlageinvestitionen aller Unternehmen (real) XGNP 50 1991 1990 1989 1988 1987 1986 1985 1984 1983 1982 1981 1980 1979 1978 1977 1976 1975 1974 1973 1972 1971 1970 1969 1968 1967 1966 1965 1964 1963 1962 1961 0 1960 0 Jahre Granger/Newbold, 1974 zeigen, daß bei einer Regressionsschätzung mit solchen Zeitreihen die Gefahr einer Scheinregression (spurious regression) auftritt, d.h. man findet scheinbare Abhängigkeiten zwischen unabhängigen Zufallsvariablen. Möglicher Ausweg: Trendbereinigung der Zeitreihen durch Bildung von Veränderungsraten (Differenzen). 1. Differenz XGNP (real) 1. Differenz EIP (real) 120 40 30 100 20 80 1991 1989 1987 1985 1983 1981 1979 1977 1975 1973 1971 1969 1967 1965 0 1963 40 1961 1. Differenz EIP 1. Differenz XGNP 10 60 -10 20 -20 -30 1991 1989 1987 1985 1983 1981 1979 1977 1975 1973 1971 1969 1967 1965 1963 1961 0 -20 -40 Jahr Jahr Regressionsschätzungen dann nur noch mit Veränderungsraten, in der Hoffnung durch die Trendbereinigung dem Problem der Scheinkorrelation zu entgehen. Nachteil: Informationsverlust, Langfristige Beziehungen sind nicht mehr ökonometrisch analysierbar, bzw. testbar. -2- Zur Lösung des Problems der adäquaten Modellierung trendbehafteter Zeitreihen werden in der modernen Ökonometrie in jüngster Zeit sogenannte Fehler-Korrektur-Modelle verwendet: • Fehler-Korrektur-Modelle haben den Vorteil, daß sowohl die kurz- wie auch die langfristigen Abhängigkeiten erfassen. • Die Anwendung von Fehler-Korrektur-Modellen beruht auf bestimmten Annahmen, deren Vorliegen getestet werden muß. Zwei Konzepte sind im Zusammenhang mit Fehler-Korrektur-Modellen von besonderer Bedeutung: • Konzept der Stationarität • Konzept der Kointegration -3- 2. Konzept der Stationarität Definition eines stationären Prozesses: ( ( ) ) • konstanter Erwartungswert E Yt = µ ( 2 • konstante Varianzen Var (Yt ) = E (Yt − µ ) = σ 2 ( [( ) )( )]) • zeitunabhängige Autokovarianzen γ k = E Yt − µ Yt + k − µ unabhängig vom Zeitraum für den die Momente berechnet werden. Definition eines integrieten Prozesses: Ein Prozeß der nach n-maligem differenzieren stationär wird, wird als integriert vom Grade n bezeichnet (I(n)). -4- Random Walk Prozeß Ein integrierter Prozeß der Ordnung 1 (I(1)) ist der Random Walk Prozeß: Yt = Yt −1 + ε t wobei ε t ein White Noise Prozeß ist, mit: E (ε t ) = 0 und σ 2 E (ε t ε t − τ ) = 0 für τ=0 für τ≠0 Bei gegebenen Anfangswert Y0 = ε 1 kann man den Random Walk auch schreiben als: t Yt = ∑ ε j j =1 Diese Darstellung zeigt, daß vergangene Schocks einen dauerhaften Einfluß auf die Entwicklung des Prozesses besitzen. -5- Für den Erwartungswert des Random Walk gilt: t ( ) E (Yt ) = ∑ E ε j = 0 j =1 Für die Varianz erhält man: ( ) Var (Yt ) = Var ∑ ε j = ∑Var ε j = t ⋅ σ 2 t t j =1 j =1 Da die Varianz mit der Zeit variiert erfüllt der Random Walk nicht die Kriterien für eine stationären Prozeß (z.B. im Gegensatz zum White Noise Prozeß). Bildet man die erste Differenz des Random Walks: Yt − Yt −1 = ∆Yt = ε t , so erhält man einen White Noise Prozeß. Die erste Differenz des Random Walks ist somit stationär (I(0)). Damit ist gezeigt, daß der Random Walk ein I(1)-Prozess ist. -6- Dickey-Fuller-Test auf Stationärität Um zu entscheiden, ob eine bestimmte Zeitreihe stationär oder nichtstationär ist, ist es möglich eine Test durchzuführen, der als Null-Hypothese einen bestimmten nichtstationären Prozeß annimmt und zur Konstruktion ein Alternativemodell schätzt, welches den nichtstationären Prozeß als Spezialfall enthält (Prinzip des Dickey und Fuller Tests). Null-Hypothese: Der wahre Prozeß der beobachteten Zeitreihe folgt einem Random Walk Prozeß: Yt = Yt −1 + ut , d.h. einem Prozeß, der integriert ist vom Grade 1 (I(1)). Zur Überprüfung der Null-Hypothese wird ein Alternativmodell geschätzt, das den Random Walk Prozeß als Spezialfall enthält, jedoch die Parameterrestriktion für den Random Walk Prozeß nicht auferlegt. Schätzung eines AR(1)-Prozesses als Alternativmodell: Yt = ρYt −1 + ut -7- Beispiel für einen AR(1)-Prozeß ( Yt = ρYt −1 + ut ) mit ρ = 1 (Random Walk (I(1))) 40 30 20 10 0 0 100 200 300 400 500 -10 -20 -30 Yt ut ~ N(0,1) Zeit -8- 600 700 800 900 1000 Beispiel für einen AR(1)-Prozeß ( Yt = ρYt −1 + ut ) mit ρ = 0,5 (I(0)) 4 3 2 1 0 0 100 200 300 400 500 -1 -2 -3 -4 -5 Yt ut ~ N(0,1) Zeit -9- 600 700 800 900 1000 Die Vorgehensweise des Dickey-Fuller-Tests besteht nun darin, das allgemeine Modell zu schätzen, und die durch die Null-Hypothese implizierten Parameterrestriktionen durch eine geeignete Prüfgröße zu testen. Es ist also zu testen, ob der geschätzte AR Parameter gleich eins ist ( ρ = 1 ), wie von der Null- ( ) Hypothese unterstellt. Wie beim t-Test lautet die Prüfgröße hierfür ρ − 1 σ ρ . Zu beachten ist jedoch, daß diese Prüfgröße unter der Nullhypothese nicht t-verteilt ist. Zur Verteilung der Prüfgröße und den kritischen Werten siehe Hamilton (1994), S. 763. In den folgenden Beispielen wird daher zusätzlich zum t-Wert noch die Irrtumswahrscheinlichkeit unter Berücksichtigung der wahren Verteilung angegeben. Hieraus wird ersichtlich, ob die Null-Hypothese abgelehnt werden kann oder nicht. Der AR(1)-Prozeß läßt sich alternativ auch wie folgt darstellen: ∆Yt = ( ρ − 1)Yt −1 + ut ∆Yt = δYt −1 + ut wobei δ = ρ − 1 . Schätzt man den AR(1)-Prozeß in der alternativen Darstellungsform, so lautet die korrespondierende Null-Hypothese δ = 0 . -10- Ist bei der Schätzung des Alternativmodells das Residuum ut nicht frei von Autokorrelation d.h. nicht White Noise, so kann das Alternativmodell modifiziert werden zu: m ∆Yt = β 1 + β 2 ⋅ t + δYt −1 + α i ∑ ∆Yt −i + ut i =1 ( ) ( ) wobei t eine Trendvariable ist und z.B. ∆Yt − 1 = Yt −1 − Yt − 2 , ∆Yt −2 = Yt −2 − Yt −3 . Man spricht dann vom sogenannten Augmented Dicky-Fuller-Test. Für die Null-Hypothese gilt jedoch nach wie vor: δ = 0 bzw. ρ = 1 . Ziel ist es das Alternativemodell so zu spezifizieren, daß die Residuen ut White Noise sind. -11- Beispiel: Ist die Zeitreihe des realen BSP von 1960 bis 1990 stationär? ∆BSPt = 23,921+ 0,0143⋅ BSPt −1 ( 0 , 979 ) R 2 = 0,0269 ( 0 ,896 / 0 , 9941) DW = 1,249 ∆BSPt = 15,6621+ 0,0089⋅ BSPt −1 + 0,375 ⋅ ∆BSPt −1 ( 0 , 614 ) R 2 = 0,1512 ( 0 ,542 / 0 , 9854 ) DW = 1,837 ∆BSPt = 21,7381+ 0,0097⋅ BSPt −1 + 0,4423⋅ ∆BSPt −1 − 0.5505⋅ ∆BSPt − 2 ( 0 , 77 ) R 2 = 0,1942 ( 0 ,548 / 0 , 9855) ( −1,155) ( 2 .234 ) DW = 1,94 Ergebnis: Die Nullhypothese, daß die Zeitreihe des realen Bruttosozialprodukts integriert ist vom Grade 1 (I(1)), kann nicht verworfen werden (Irrtumswahrscheinlichkeit: 98,55%). -12- 3. Konzept der Kointegration Formale Definition von Kointegration: Es seien X t und Yt I(1)-Prozesse. Dann ist im allgemeinen eine Linearkombination der beiden Prozesse wieder ein I(1)-Prozeß. Gibt es aber einen Parameter β , so daß die Linearkombination: Yt − βX t = ut [ stationär ist, d.h. ut ist I(0), so heißen X t und Yt kointegriert. In diesem Zusammenhang wird 1,−β als kointegrierender Vektor bezeichnet. ] Eine Regression mit nichtstationären Variablen (I(1)) liefert nur dann sinnvolle Abhängigkeiten (und keine scheinbaren Korrelationen), wenn beide Variablen kointegriert sind, d.h., wenn der geschätzte Parameter eine Linearkombination aus beiden Variablen erzeugt, die stationär ist. -13- Verbale Beschreibung von Kointegration: • Rein optisch läßt sich Kointegration so beschreiben, daß zwei nichtstationäre Variablen eine langfristig gemeinsame Entwicklung aufweisen und nicht auseinanderlaufen können. Unterschiedliche Entwicklungen sind nur kurzfristig möglich. • Ökonomisch läßt sich diese Beziehung auch als ein langfristiges Gleichgewicht interpretieren. Von diesem Gleichgewicht kann es zwar Abweichungen geben, diese sind jedoch wegen ökonomische Mechanismen (Arbitrage, Preisunterbietungen, etc.) immer nur kurzfristiger Natur. -14- Ein formales Beispiel für einen kointegrierten bivariaten Prozeß: Gegeben seien die folgenden zwei Prozesse: Yt = βX t + ut ,1 X t = X t −1 + ut ,2 wobei ut ,1 und ut ,2 unkorrelierte White Noise Prozesse sind. Die zweite Gleichung beschreibt einen Random Walk, die erste Gleichung beschreibt Yt als proportional zu diesem Random Walk plus einer White Noise Komponente. Hier liegt nun eine Kointegrationsbeziehung zwischen den Variablen Yt und X t vor, da: 1. Beide Variablen den gleichen Integrationsgrad I(1) auf weisen. Die ersten Differenzen beider Variablen folgend nämlich stationären Prozessen (I(0)): X t − X t −1 = ∆X t = ut ,2 Yt − Yt −1 = ∆Yt = βX t + ut ,1 − βX t −1 − ut −1,1 = β ( X t − X t −1 ) + ut ,1 − ut −1,1 = βut ,2 + ut ,1 − ut −1,1 2. Obwohl Yt und X t I(1) Prozesse sind, ist die Linearkombination aus beiden Variablen: -15- (Y − βX ) = u t t stationär (I(0)). t ,1 [ ] In obigen Kointegrationsbeziehung ist 1,−β der kointegrierende Vektor. -16- Schätzung einer Kointegrationbeziehung und Test auf Kointegration: Ein geeignete Möglichkeit den Kointegrationparameter der beiden I(1)-Prozesse X t und Yt zu schätzen, ist eine Kleinst-Quadrate-Schätzung der Regression: Yt = βX t + ut , Für eine geschätzten Parameter verschieden vom Kointegrationsparameter ergibt sich ein nichtstationärer Restgrößenprozeß. Entspricht jedoch der geschätzte Parameter dem Kointegrationsparameter, dann ist der Restgrößenprozeß stationär. Da Kointegration somit eine stationäre Restgröße impliziert, liegt es nahe, den Dickey-Fuller-Test auf die geschätzten Residuen ( ut ) anzuwenden. Die Null-Hypothese lautet: ut = ut −1 + ε t , d.h. die geschätzten Residuen sind integriert von Grade 1 (I(1)). -17- Entsprechend lautet das Alternativmodell: ut = ρut −1 + ε t bzw. ∆ut = ( ρ − 1)ut −1 + ε t = δut −1 + ε t wobei δ = ρ − 1 . Kann die Null-Hypothese δ = 0 (bzw. ρ = 1 ) verworfen werden, so sind die geschätzten Residuen [ ] ( ut ) stationär, d.h. X t und Yt sind kointegriert, wobei 1,− β der kointegrierender Vektor ist. Mithin liefert die Kleinst-Quadrate-Regression der beiden I(1) Variablen X t und Yt ( Yt = βX t + ut ) eine konsistente Schätzung von β . -18- Beispiel für die Schätzung einer Kointegrationsbeziehung: Schätzung einer theoretische fundierten Arbeitsnachfragefunktion für den Zeitraum 1960-1990. Gemäß der neoklassischen Theorie erhält man für die Faktornachfrage nach Arbeit im Fall einer CES Produktionsfunktion folgenden funktionalen Zusammenhang (siehe z.B. Hansen (1993)): ln( Lt ) = c0 + c1 ⋅ ln(Yt ) + c2 ⋅ ln( wt ) + c3 ⋅ t mit: L: Y: w: t: Arbeit Output Reallohnsatz Zeittrend (beschäftigte Arbeitnehmer) (reales BSP) (reales Durchsch. Eink. je Beschäftigter) 3 Schritte einer Kointegrationsanalyse. -19- 1. Schritt: Test auf Integrationsgrad der verwendeten Variablen unter Verwendung des Augmented Dickey-Fuller-Test: m ∆Yt = β1 + β 2 ⋅ t + δYt −1 + α i ∑ ∆Yt −i + ut i =1 Alle verwendeten Variablen müssen in den Niveaus I(1) sein, d.h. ihre ersten Differenzen I(0). Für Variablen mit ungleichem Integrationsgrad gibt es keine stationäre Linearkombination. Ergebnisse für die Niveaus der verwendeten Variablen: Variable ln( Lt ) ln(Yt ) ln( wt ) β1 β2 δ m DW 0,0343 (0,234) 0,1652 (0,842) 0,1141 (1.136) - -0,0092 (-0.195/0.9285) -0,019 (-0,741/0,8195) -0,0241 (-0,735/0,9609) 2 2,008 4 1,979 1 1,955 -0.0005 (-0.531) -20- Ergebnisse für die ersten Differenzen der verwendeten Variablen: Variable ∆ ln( Lt ) ∆ ln(Yt ) ∆ ln( wt ) β1 β2 δ m DW 0,0057 (2,119) 0,0256 (3,254) 0,0408 (3.383) - -0,7954 (-4,194/0,0026) -0,8482 (-3,759/0,0079) -0,76 (-4.767/0,0199) 1 2,011 1 1,91 - 1,93 -0.0012 (-2.869) 2.Schritt: Schätzung Kointegrationsbeziehung: ln( Lt ) = 0,1317 + 0,5451⋅ ln(Yt ) − 0,2642⋅ ln( wt ) − 0,0024⋅ t ( 0 , 277 ) ( 6 , 004 ) ( −4 , 636 ) ( −1,567 ) R 2 = 0,9586 3. Schritt: Test auf Kointegration: Die Residuen müssen stationär sein Variable ln(ut ) β1 β2 δ m DW -0,0002 (-0,147) - -0,6231 (-3,828/0,0067) 2 2,02 -21- 4. Fehler-Korrektur-Modelle Fehler-Korrektur-Modelle erfassen sowohl die kurzfristige Dynamik wie auch der langfristigen Gleichgewichtsbeziehung. Dabei nutzen sie die Konzepte der Stationarität und Kointegration. Für die beiden I(1)-Prozesse X t und Yt lautet beispielsweise ein Fehler-Korrektur-Modell: p q ∆Yt = α 0 + γ (Yt −1 − βX t −1 ) + ∑ α ⋅ ∆X t − j + ∑ α Yj ⋅ ∆Yt − j + ut , j =0 ( X j j =1 ) wobei Yt −1 − βX t −1 den Fehlerkorrekturterm bezeichnet. Sind Yt und X t kointegriert, so treten im Fehler-Korrektur-Modell nur stationäre Variablen auf. Das Problem der Scheinregression wird somit vermieden. Zweistufiges Engel-Granger-Schätzverfahren: Engel und Granger haben vorgeschlagen das Fehlerkorrekurmodell in zwei Stufen zu schätzen: • Kleinst-Quadrate-Schätzung der Kointegrationsbeziehung. • Kleinst-Quadrate-Schätzung des Fehler-Korrektur-Modells unter Verwendung der geschätzten Residuen aus der Kointegrationsbeziehung als Fehlerkorrekturterm. -22- Aus ökonomischer Sicht bringt das Fehler-Korrektur-Modell folgendes zum Ausdruck: • Der Parameter β im Fehlerkorrekturterm erfaßt die von der Theorie postulierte langfristige Gleichgewichtsbeziehung. • Der Parameter des Fehlerkorrekturterms ( γ ) erfaßt Anpassungsprozesse in der gegenwärtigen Periode (z.B. Arbitrage, Wanderung, etc.) aufgrund einer Abweichungen vom langfristigen Gleichgewicht in der Vorperiode. • Die Parameter α j ( α j ) erfassen Veränderung von Yt im Zeitpunkt t aufgrund von zeitlich verzögerten Veränderungen eben dieser Variablen Y und Veränderungen aufgrund von X in der laufenden Periode und in früheren Perioden. M. a. W. diese Parameter erfassen die kurzfristige, transitorische Dynamik. Y X -23- Beispiel: Schätzung eines Fehler-Korrektur-Modells für eine dynamischen Arbeitsnachfragefunktion für den Zeitraum 1960-1990 (Engel-Granger-Verfahren). ∆ ln( Lt ) = − 0,0053− 0,2109⋅ ∆ ln( wt ) + 0,4723⋅ ∆ ln(Yt ) + 0,5015⋅ ∆ ln( Lt −1 ) − 0,3753⋅ FKTt −1 ( −2 , 401) ( −2 , 907 ) ( 6 , 905) ( 6 , 396 ) ( −3, 780 ) FKT = ln( L) − 0,1317 − 0,5451 ⋅ ln(Y ) + 0,2642 ⋅ ln( w) + 0,0024 ⋅ t R 2 = 0,85 DW = 2,151 Zur Interpretation: Wenn es sich bei den verwendeten Variablen um Logarithmen der eigentlichen Variablen handelt, können die Koeffizienten als Elastizitäten interpretiert werden. Die obige Schätzung weist z.B. eine langfristige (kurzfristige) Lohnelastizität von 0,2642 (0,2109) aus. Ferner wird ein bestehendes Ungleichgewicht der Vorperiode zu etwa einem Drittel in der laufenden Periode abgebaut. -24- Literatur: Franz, W. (1994): Arbeitmarktökonomik, 2. Auflage, Berlin. Gujarati, D. N. (1995): Basic Econometrics, New York. Hamilton, J. D. (1994): Time Series Analysis, Princton. Hansen, G. (1993): Quantitative Wirtschaftsforschung, München. Hujer, R. und J. Grammig (1997): Skriptum zur Vorlesung Zeitreihenökonometrie und Anwendung auf Finanzzeitreihen. Wolters, J. (1995): Kointegration und Zinsentwicklung im EWS - Eine Einführung in de Kointegrationsmethodologie und deren Anwendung - , in: Allg. Statistisches Archiv 79, 146-169. -25-