3 votos

Agregada función de producción, el factor de acciones y de cointegración

A la hora de estimar una función de producción agregada que ajuste los datos a un seleccionado de la forma funcional de la función de producción, se derivan los parámetros y la inferencia a partir de ahí.


Mi pregunta es, hay una razón para las pruebas de cointegración (es decir, Engle & Granger método) de la producción variables de entrada datos de series de tiempo? ¿Cuál es la información adicional que se pueda derivar de, por ejemplo, vecm que se encuentra en el análisis de estos cointegrated variables, aparte de su relación a largo plazo?

1voto

NVI Puntos 121

Intuitivamente, para hacer la prueba de cointegración, porque si dos variables son cointegrated, sólo representan un "unidimensional" de la familia de puntos de datos - incluso si usted tiene un millón de puntos de datos a partir de esa muestra, que se encuentran cerca del mismo subespacio, y, en general, que significa que usted tendrá muchos de los valores de los parámetros para su regresión problema que le dará un buen ajuste (regresión espuria).

Considere la posibilidad de la regresión lineal de caso - digamos que usted tiene $ y = Ax + \varepsilon $ como problema de regresión, donde $ x $ es un vector columna, $ A $ es un vector fila y $ y $ es un número real. Digamos, además, que el "estructural" de la relación que estamos buscando es $ $ y = Bx $, donde $ B $ es también un vector de fila. Tomar un caso extremo de cointegración - $ x $ es $ 2 $-dimensional, y tenemos una relación lineal entre sus coordenadas, yo.e $ x_2 = c x_1 $ para algunas constantes $ c $. En este caso, cualquier funcional lineal $ A $, que es igual a $ B $ cuando restringida al subespacio generado por $ (1, c) $ proporcionará un ajuste perfecto, y la regresión no ser capaz de distinguir entre ellos. (Hay una dimensión de la familia de tal funcionales, yo.e vectores fila $ A $.)

Lo vecm que se encuentra el análisis que hace es tomar ventaja de las desviaciones cuando la relación no es perfecta. En real las aplicaciones econométricas, usted nunca tendrá una relación que es tan limpio como $ x_2 = c x_1 $ (o $ y = Bx $) para todo el conjunto de datos - de cointegración permite transitorio de ruido blanco en la combinación lineal $ x_2 - c x_1 $. Si la varianza del ruido blanco es relativamente pequeño, un estándar de la regresión regresará similares $ R^2 $ valores para diferentes operadores. En lugar de eso, lo que tienes que hacer es mirar en primeras diferencias: un buen ajuste también debe adaptarse a estas, yo.e debemos tener

$$ Ax_{t+1} - Ax_t \aprox y_{t+1} - y_t $$

donde los subíndices indican el momento de la observación. Correr la regresión de esta manera le permite capturar el ruido blanco en el proceso de cointegración y de utilizar a su ventaja - es una forma de captar la información que un ingenuo de regresión lineal se va a perder.

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X