Ch. 12: Zaman Serisi Regresyonlarında Ardışık Bağıntı (Serial Correlation) ve Değişen Varyans

Transkript

1 Yıldız Teknik Üniversitesi İktisat Bölümü Ekonometri II Ders Notları Ders Kitabı: J.M. Wooldridge, Introductory Econometrics A Modern Approach, 2nd. ed., 2002, Thomson Learning. Ch. 12: Zaman Serisi Regresyonlarında Ardışık Bağıntı (Serial Correlation) ve Değişen Varyans

2 Bölüm 11 de gördüğümüz gibi, herhangi bir modelin dinamik özellikleri doğru belirlendiği takdirde hata teriminde ardışık bağıntının (otokorelasyonun) olmaması gerekir. Bununla beraber bazı statik modellerde ve FDLM modellerinde spesifikasyon hatası olmasa bile hata terimlerinde otokorelasyon olabileceğini ini gördük. Bu bölümde ardışık bağıntı nın (serial correlation) nelere yol açacağını ve ne tür önlemler alabileceğimizi göreceğiz.

3 Bölüm 12 Planı Altbölüm 12.1 de hata teriminde ardışık bağıntı varken OLS tahmin edicilerin özelliklerini göreceğiz. Altbölüm 12.2 de ardışık bağıntı testlerini göreceğiz. Testler, açıklayıcı değişkenler kesin dışsal (strictly exogenous) iken geçerli olan testleri ve asimptotik olarak geçerli testleri kapsayacaktır. Altbölüm 12.3 de x ler kesin dışsal iken serial correlation i nasıl gidereceğimizi göreceğiz. Altbölüm 12.4 de farkı alınmış seriler kullanıldığında ardışık bağıntının nasıl ortadan kalktığını inceleyeceğiz. Altbölüm 12.5 de ardışık bağıntı varken OLS standart hataları ve test istatistiklerinin nasıl düzeltileceği konusunu ele alacağız. 3

4 Hata terimlerinde ardışık bağıntı (serial correlation) varken OLS tahmin edicilerinin özellikleri nasıldır? CH 10 da TS.1- TS.3 varsayımları altında OLS nin sapmasız olduğunu gördük. Burada sapmasızlığı sağlayan x lerin kesin dışsal (strictly exogenous) oluşuydu. Artıklarda otokorelasyon olması önemli değildi. Değişen varyans OLS t.e.nin sapmasızlığına zarar vermiyordu. Benzer şekilde kesin dışsallık altında serial correlation da sapmasızlığı zedelemez. CH 11 de kesin dışsallık varsayımının yerine verinin zayıf bağımlı (weakly dependent) olması koşulunu koyarak yumuşattık. Bu halde OLS sapmasız olmasa bile tutarlı (consistent) oluyordu ve bu sonuç ardışık bağımlılık tan etkilenmiyordu. 4

5 Etkinlik (efficiency) ve hipotez testleri Teorem 10.4 (Gauss-Markov teoremi) BLUE için hem homoscedasticity hem de hatalarda ardışık bağıntı olmaması koşulunu getiriyordu. O halde, hata teriminde otokorelasyon olması durumunda OLS tahmin edicileri artık BLUE değildir. Test istatistikleri ve se ler asimptotik olarak bile geçerli değildir. Bunu, Gauss-Markov varsayımlarının ilk 4 ü geçerli ve artıklar AR(1) süreci izliyor iken OLS tahmin edicilerin varyansını hesaplayarak gösterebiliriz. 5

6 e(t), sıfır ortalamalı ve sabit varyanslı ilişkisiz bir rassal değişkendir (uncorrelated random variable). (12.2), daha önce gördüğümüz gibi kararlılık (stability) koşuludur. Basit bir regresyonda β 1 eğim katsayısının OLS tahmin edicisini şöyle yazabiliriz : 6

7 (12.4) de ilk terim Gauss-Markov varsayımları altında ρ=0 durumunda ki standart OLS varyansıdır. Eğer serial correlaton varsa (ρ o) (12.4) de ikinci terimi ihmal etmemiz varyans tahmininde sapmaya yol açacaktır. 7

8 Pek çok ekonomik seride ρ>0 ve x ler zaman içinde kendi geçmişleriyle pozitif yönde ilişkili olduğu için (12.4) deki ikinci terimin ihmal edilmesi varyansın olduğundan daha düşük tahmin edilmesine (underestimation) yol açacaktır. Betaşapkaların apkaların se leri bu varyansların kare köküne eşit oluğu için varyansdaki sapma tüm test istatistiklerini(t, F, LM) geçersiz kılacaktır. Düşük hesaplanan varyans, daha yüksek t değerleri demek olduğu için, aslında sıfırdan farklı olmayan katsayıların anlamlı imiş gibi çıkmalarına sebep olacktır. 8

9 Ekonometri kitapları çoğu kez regresyonda gecikmeli bağımlı değişken varsa ve hata terimleri otokorelasyon içeriyorsa OLS tutarsızdır şeklinde ifadeler içerir. Bu çok muğlak bir ifadedir ve doğru değildir. Daha kesin (precise) bir ifade bulmamız gerekir. 9

10 Burada {u(t)} nin otokorelasyona sahip olmasını yasaklayan bir koşul yoktur. Koşul (12.7) u(t) ile y(t-1) in ilişkisiz olması gerektiğini söylüyor, ancak u(t) ile y(t-2) ilişkili olabilir. u(t-1) = y(t-1) βo β1.y(t-2) olduğu için Cov [u(t), u(t-1)] = -β1 Cov [u(t),y(t-2)] ye eşittir ve sıfır olması için bir zorunluluk yoktur. Yani, hata terimlerinin serial correlation içerdiği ve y(t-1) in bağımsız değişken olduğu (12.6) daki regresyonda OLS betaları tutarlıdır (consistent). Çünkü bu betalar (12.5) deki koşullu beklenen değer denkleminin parametreleridir. Bu durumda serial correlation varyansın sapmalı çıkmasına ve test istatistiklerinin geçersiz olmasına yol açacak, ancak tutarlılığı (consistency) etkilemeyecektir. 10

11 Peki, y(t-1) in açıklayıcı değişken olarak yer aldığı ve artıkların otokorelasyon içerdiği bir regresyonda beta katsayıları ne zaman tutarsız (inconsistent) olacaktır? (12.6) daki regresyonda u(t) nin (12.1) deki gibi bir AR(1) süreci izlemesi durumunda OLS betaşapkaları tutarsız olacaktır. 11

12 Ancak, burada şu nokta gözden kaçmamalı : Eğer (12.6) da u(t) AR(1) süreci izliyorsa, bu, y(t) nin bir AR(2) süreci izlediğini, dolayısıyla da (12.6) modelinde spesifikasyon hatası olduğunu gösterir. Bunu (12.6) ile (12.1) i birleştirerek görebiliriz : 12

13 AR(2) modelinin kararlılık (stability) koşulları (Section 12.3 de göreceğiz) altında, (12.9) un OLS tahminleri tutarlı (consistent) ve asimptotik olarak normal dağılmış tahmin edicilerdir. Demek ki, regresyona hem gecikmeli bağımlı değişken koyup hem de hataların belli bir model izlediğini varsaydığımız durumlarda çok dikkatli olmalıyız. Aksi halde, tutarsız tahmin ediciler elde edebiliriz. Dinamik modellerde hata teriminin serial correlation içermesi çoğu kez modelimizin eksik spesifikasyonuna delalet eder. Yukarıdaki örnekte (12.6) daki regresyona y(t-2) değişkenini ekleyince sorun kalmadı. 13

14 Otokorelasyon Testleri İlk önce x lerin kesin dışsal (strictly exogenous) olduğu durumda çoklu regresyonda hata terimlerinin serial correlation içerip içermediğini teşhise yönelik çeşitli testler göreceğiz. Kesin dışsallık, u(t) nin x lerin tüm dönemlere ait (geçmiş, şimdiki zaman ve gelecek) değerleriyle ilişkisiz olduğu u anlamına geliyordu. Dolayısıyla, gecikmeli bağımlı değişken kullanılan modellere bu testler uygulanamaz. (i) u(t) AR(1) izlesin ve x ler kesin dışsal : Artık terimler çok farklı biçimde otokorelasyon gösterebilir. En basit model, artıkların (12.1) ve (12.2) deki gibi AR(1) süreci izlemeleri halidir. 14

15 Kesin dışsallık varsayımı dolayısıyla u(t) nin beklenen değeri x lerin tüm geçmiş, cari ve gelecek değerlerine koşullu olarak sıfırdır : 15

16 16

17 17

18 18

19 Durbin-Watson (1950), CLM varsayımları altında DW istatistiğinin dağılımını türetti. Hata terimlerinin Normal dağıldığı varsayımı da dahil tüm CLM varsayımlarının sağlanması gerekmektedir. Orijinal regresyonda sabit terim (intercept) olmak zorundadır. Yine, regresyonda açıklayıcı değişkenler arasında gecikmeli bağımlı değişken, y(t-1) gibi, olmayacakır. Kritik değerler gözlem sayısı (n) ve x sayısına (k ) göre değişen alt (dl) ve üst (du) limitlerden oluşmaktadır. 19

20 20

21 21

22 Açıklayıcı değişkenler kesin dışsal (strictly exogenous) değilse, bu durumda herhangi bir x(tj) u(t-1) ile ilişkili olabileceğinden ne (12.14) deki t testi ne de DW testi geçerli olacaktır. Hatta büyük örneklerde bile bunlar geçerli olmayacaktır. Kesin dışsallığın olmadığı modellere en iyi örnek gecikmeli bağımlı değişkenlerin, y(t-1), bulunduğu modellerdir. Bu modelde y(t-1) ile u(t-1) açıktır ki ilişkili olacaklardır. x lerden bazılarının kesin dışsal olmadığı durumda Durbin inşu alternatif testi uygulanır : 22

23 23

24 24

25 25

26 26

27 27

28 28

29 Artıklar AR(1) süreci izliyor ve değişkenlerimiz kesin dışsal iseler ardışık bağıntı durumunda test istatistiklerinde bazı düzeltmeler yapabiliriz. 29

30 30

31 31

32 32

33 33

34 34

35 35

36 36

37 37