Modèle à correction d`erreur économétrie

Modèle à correction d`erreur économétrie

150 150 logikaldev

L`approche Engle – Granger décrite ci-dessus souffre d`un certain nombre de faiblesses. À savoir, il est limité à une seule équation avec une variable désignée comme variable dépendante, expliquée par une autre variable qui est supposée être faiblement exogènes pour les paramètres d`intérêt. Il s`appuie également sur le prétest des séries chronologiques pour savoir si les variables sont i (0) ou i (1). Ces faiblesses peuvent être abordées par l`utilisation de la procédure de Johansen. Ses avantages comprennent que le prétest n`est pas nécessaire, il peut y avoir de nombreuses relations de cointégration, toutes les variables sont traitées comme endogènes et les tests relatifs aux paramètres à long terme sont possibles. Le modèle résultant est connu comme un modèle de correction d`erreur vectorielle (VECM), car il ajoute des fonctions de correction d`erreur à un modèle multi-facteur appelé autorégression vectorielle (VAR). La procédure se déroule comme suit: la première étape de cette méthode est de prétester la série temporelle individuelle on utilise afin de confirmer qu`ils sont non stationnaires en premier lieu. Cela peut être fait par l`unité standard DF test andADF test (pour résoudre le problème des erreurs corrélées en série). Prenez le cas de deux séries différentes x t {displaystyle x_ {t}} et y t {displaystyle y_ {t}}. Si les deux sont I (0), l`analyse de régression standard sera valide. S`ils sont intégrés à un ordre différent, par exemple l`un étant i (1) et l`autre étant i (0), il faut transformer le modèle.

Dans ce réglage, un changement Δ C t = C t − C t − 1 {displaystyle Delta _ _ {t} = _ _ {t}-_ _ {t-1}} dans le niveau de consommation peut être modélisé comme Δ C t = 0,5 Δ Y t − 0,2 (C t − 1 − 0,9 Y t − 1) + ε t {displaystyle Delta c _ {t} = 0.5 Delta y_ {t}-0.2 (c: {t-1}-0.9 y_ {t-1}) + varepsilon _ {t}}. Le premier terme dans le RHS décrit l`impact à court terme du changement dans Y t {displaystyle y_ {t}} sur C t {displaystyle _ {t}}, le second mot explique la gravitation à long Run vers la relation d`équilibre entre les variables, et le troisième terme reflète le hasard chocs que le système reçoit (par exemple, les chocs de confiance des consommateurs qui affectent la consommation). Pour voir comment fonctionne le modèle, considérez deux types de chocs: permanents et transitoires (temporaires). Pour simplifier, laissez ε t {displaystyle varepsilon _ {t}} être zéro pour tous les t. Supposons que dans la période t − 1, le système est en équilibre, c.-à-d. C t − 1 = 0,9 Y t − 1 {displaystyle ^ _ {t-1} = 0.9 y_ {t-1}}. Supposons que dans la période t Y t {displaystyle y_ {t}} augmente de 10, puis retourne à son niveau précédent. Ensuite, C t {displaystyle _ {t}} d`abord (dans la période t) augmente de 5 (la moitié de 10), mais après la deuxième période C t {displaystyle _ {t}} commence à diminuer et converge à son niveau initial.

En revanche, si le choc à Y t {displaystyle y_ {t}} est permanent, alors C t {displaystyle _ {t}} converge lentement vers une valeur qui dépasse le C t − 1 initial {displaystyle _ {t-1}} par 9. Modèle de correction d`erreur (ECM) données du panneau EVIEWS 9https://www.youtube.com/watch? v = ZgCwrb6kI7wvideo introduire le concept d`un modèle de correction d`erreur (ECM) données du panneau EVIEWS 9. WhatsApp: + 6285227746673PIN BB: D04EBECBIG: @olahdatasemarang afin de toujours utiliser l`approche de Box – Jenkins, on pourrait différencier la série, puis estimer des modèles tels que ARIMA, étant donné que de nombreuses séries chronologiques couramment utilisées (par exemple en économie) semblent être stationnaires dans les premières différences. Les prévisions d`un tel modèle refléteront toujours les cycles et la saisonnalité qui sont présents dans les données. Toutefois, toute information sur les ajustements à long terme que les données contenues dans les niveaux peuvent contenir est omis et les prévisions à plus long termes ne seront pas fiables. Les ECMs sont une classe de modèles utilisés dans l`analyse de séries chronologiques multivariées pour traiter principalement le problème de la cointégration. Fondamentalement, ils ont deux types de dynamique (à long terme et à court terme les tendances) et l`erreur sur la relation à long terme (cela signifie que tous les temps, nous voyons un écart de cette tendance) est corrigé à brève échéance, influençant ces dynamiques. Un des modèles les plus célèbres dans ce sens est le modèle de correction d`erreur vectorielle (VECM), qui regarde les cointégrations entre un ensemble de variables multiples et de cette façon corrige la dynamique des modèles VAR (modèles autorégressifs multivariés simples, qui considèrent chaque variable non cointégrée avec les autres).