Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
Scarica il documento per vederlo tutto.
vuoi
o PayPal
tutte le volte che vuoi
Analisi dei dati
Ydelle endogene al tempo , centrate rispetto al rispettivo valor medio (campionario)tappena calcolato. Essendo l'ordine dell'autoregressione del vettore pari ad uno, layt* *1matrice coincide con , ed ha anch'essa dimensione .(3×82)Z Y−In base alla relazione (2.6.3) si calcola la matrice− 0.48 0.03 0.071 ′⋅ = −* *Z Z 0.03 0.91 0.03 82 0.07 0.03 0.32 ( ) τ =come stima campionaria di e, seguendo la (2.6.8), dove , la matrice0Γ 1ξ 0.22 0.06 0.08 ( ) =Γ 1 0.04 0.02 0.13 y 0.08 0.11 0.02 ( )come stima campionaria di .Γ 1yÈ ora possibile ottenere la matrice dei parametri stimati 0.44 0.08 0.15 ˆ =*Π 0.04 0.01 0.41 (2.7.1) 0.17 0.13 0.02 Si può osservare come i parametri contenuti nella matrice (2.7.1) coincidanoesattamente con gli elementi di contenuti nella (1.8.1).A1 Pagina 2-12Modulo X –
Modelli VAR2.8. La funzione di verosimiglianza
Consideriamo ancora il modello VAR( ) in termini di variabili di scarto (2.6.1) e costruiamo la sua funzione di verosimiglianza sotto l'ipotesi di normalità dei residui. Supponiamo dunque che il vettore dato dalla (2.1.6) abbia distribuzione unormale ~ ( )~ = ∼ × (2.8.1) vec N ,u U 0 I Σn u cioè sia { ( ) }( ) ( ) -1 / 2- 'kn / 2 - = π × - × 1f u 2 I Σ exp u I Σ u / 2n u n u= a che contempla anche ie consideriamo la seguente trasformazione da y vecY u-p+1 valori di precedenti al campione (da a )y 0t [ I 0 0 0... ...k ] - A I 0 0... ... [ 1 k ] ... ... ... ... ... ... ( )- - - += 00A A I 0... ...u y μ [ -1p p k ] -0 A ... ... ... ...p ... ... ... ... ... ... (2.8.2)-0 0 A I... ... p k- - - [ A A A...-p p 1 ]
1 − −0 A A... p 2 ... ... ... ... ( )−+ 0 0Y µ −0 0 A... p ... ... ... ... 0 0 0... 00 0= ′ ′]′ =µ µ µ è un vettore di dimensione e edove nk[ … Y [y′ … y′ ]′−p+10 ∂u0 = ′ ′]′ sono due vettori di dimensione . Lo jacobiano dellapkµ [ µ … µ ∂ytrasformazione (2.8.2) ha determinante pari ad uno, come si controllaimmediatamente, per cui∂u( ) ( ) ( ) −1 / 2− kn / 2= ⋅ = π ⊗ ⋅f fy u 2 I Σn n∂y (2.8.3){ }[ ] [ ]( ) ( ) ( )′′ ′−⋅ − − − ⊗ ⊗ − − ⊗00 * * 1 00 * *exp y µ Z I π I Σ y µ Z I π / 2k n u k Pagina 2-13Modulo X – Modelli VARdove si è fatto uso dell’uguaglianza00 * *− = ′ ⊗
+µy (Z I ) uπkche è l’analoga della (2.1.7) se il modello (2.1.1) viene scritto nella forma (2.6.1), con* *= Πvecπ 0
Se si considerano costanti i valori iniziali contenuti in la log-verosimiglianza delYmodello VAR( ) si trae dalla (2.8.3).
p( ) kn n∗ = − ⋅ π − ⋅ +µ Π Σ Σln , , ln 2 lnL u u2 2[ ]( [ ]( ) ) ( )1 ′′ ′−− ⋅ − − ⊗ ⊗ − − ⊗ =00 * * 1 00 * *y µ Z I π I Σ y µ Z I πk k u k2 kn n= − ⋅ π − ⋅ +Σln 2 ln u2 2 ′
p p n1 ( ) ( ) ( ) ( )∑ ∑ ∑−− ⋅ − − − − − − =1y µ A y µ Σ y µ A y µ − −t i t i u t i t i2 = = =i it 1 1 1 ′
p pn1kn n ∑ ∑ ∑
─ │ ─= - ⋅ π - ⋅ - ⋅ - - +1Σ y A y Σ y A yln 2 ln ├ │ ─ - - ┞u t i t i u t i t i2 2 2 ┞ │ │ ┞│= = =t i i1 1 1 ┞ ┓′ ├├ p p &9474;n∑ ∑ ∑′ ┞- +-+ - 1µ I A Σ y A y &9500; │ │ ┞│-k i u t i t i ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞┞ ┞ζ(2.8.5)Y Π Z U Pagina 2-14
Modulo X – Modelli VAR2.9. Gli stimatori di massima verosimiglianza e le loro proprietà
Derivando la log-verosimiglianza (2.8.4) ed uguagliando a zero si ottengono le stime*(ed i relativi stimatori) dei parametri , e del modello VAR( ) (2.6.1). Leµ π Σ puderivate sono ′′ ∂ p p p pnLln ∑ ∑ ∑ ∑ ∑− − − ⋅ −− == − −1 1nI A Σ y A y I A Σ I A µ −′ k i u t i t i k i u k i∂ µ = = = = =i 1 t 1 i 1 i 1 i 1′ p p pn∑ ∑ ∑ ∑− − −−= − 1 nI A Σ y A y I A µ −k i u t i t i k i = = = =i 1 t 1 i 1 i 1[ ]∂ ( )( ) ( )Lln ′−= ⊗ ⊗ −
- ⊗ =* 1 00 * *Z I I Σ y µ Z I π′ k n u k∂ *π ( )( ) ( )′- -= ⊗ - - ⊗* 1 00 * * 1 *Z Σ y µ Z Z Σ πu u ′∂ ( )( )L nln 1- - -= - + - - =1 1 * * * * * * 1Σ Σ Y Π Z Y Π Z Σu u u∂ Σ 2 2u ′( )( )1 - -= - + - -1 * * * * * * 1Σ n Y Π Z Y Π Z Σ u u 2Uguagliando a zero le derivate si ottengono le stime (e gli stimatori) di massimaverosimiglianza -1 p pn1 ∑ ∑ ∑ -= ⋅ - ˆµ I A y A y (2.9.1) -k i t i t in = = =i 1 t 1 i 1( ) ( )( )-1′ - -= ⊗ ⊗ - =* * * 1 * 1 00ˆπ Z Z Σ Z Σ y µu u[ ] (2.9.2)( ) ( )-1′= ⊗ -* * * 00Z Z ZI y µk ′( )( )1ˆ = − −* * * * * *Σ Y Π Z Y Π Z (2.9.3)u n * * 00, data dalla (2.6.4), di , data dalla (2.6.5), e didove ora nelle definizioni di Z Y µè stata sostituita al posto di .µ̂ µ Pagina 2-15
Modulo X – Modelli VARTramite le derivate seconde della log-verosimiglianza è possibile trovare lecondizioni sufficienti per la sua massimizzazione. Sotto le condizioni di normalità(2.8.1) si dimostra che gli stimatori di massima verosimiglianza (2.9.1), (2.9.2) e(2.9.3) godono delle seguenti proprietà:i) sono consistenti,ii) sono asintoticamente normali, *µ̂ è asintoticamente indipendente da e da ,π̂ Σ̂iii) u* è asintoticamente indipendente da e da .µ̂π̂ Σ̂iv) u Pagina 2-16
Modulo X – Modelli VAR2.10. Scelta dell’ordine del modello processoLa scelta dell’ordine del modello VAR( ), quando questo è considerato ilp pgeneratore
dei dati (DGP), è utilmente effettuata con un criterio che dipende dall'obiettivo che il ricercatore si pone. Ad esempio, se l'obiettivo è la previsione è conveniente adoperare un criterio basato su di essa, come vedremo nel prossimo capitolo. Se invece l'obiettivo è quello di effettuare analisi di risposte all'impulso criteri non basati sulla previsione sono più convenienti, tre dei quali sono esposti di seguito. Il metodo di