Interpretieren Vecm Output In Stata Forex

Ich möchte eine Frage über Fehlerkorrekturausdrücke von VECM stellen, wenn ich kann. Ich arbeite derzeit an einer Menge von Zeitreihen-Daten und eine der Fragen, die ich ansprechen möchte, ist, ob es irgendeine Beziehung zwischen verschiedenen Zeitreihen gibt. Beim Lesen um das Thema, schien es mir, dass die Prüfung für die Kointegration wäre eine gute Möglichkeit zu zeigen, dass zwei oder mehr Zeitreihen wurden in einem langfristigen Gleichgewicht. Jedoch, bevor ich mich auf solche Verfahren begab, wollte ich auf einer Reihe von Dingen klar sein. Erstens, (vorausgesetzt, es ist ein Kointegrationsvektor) habe ich versucht zu erarbeiten, wie die Fehlerkorrektur Begriffe aus einem VECM zu interpretieren. Ich habe das vars-Paket in R verwendet, das die Fehlerkorrektur-Begriffe in der Übersichtstabelle für ein vecm-Modell bereitstellt. Nun, wie ich es verstehe die Fehlerkorrektur Begriffe beschreiben, wie die Zeitreihe auf das Ungleichgewicht anzupassen. Ich frage mich, was der beste Weg, um negative und positive Fehlerkorrektur Bedingungen zu interpretieren war gegeben zwei Zeitreihen Xt und Yt, aus dem, was ich gelesen habe, so weit scheint es, dass negative Fehlerkorrektur Begriffe würde bedeuten, dass wenn Yt-1 ist über seine lange - Run-Ebene, dann ist Yt negativ, zieht Y zurück in Richtung seiner langfristigen Beziehung mit X. Auf der anderen Seite, bin ich weniger sicher über die Interpretation eines positiven Fehlerkorrektur Begriff und ich habe nicht in der Lage, eine einfache Beschreibung zu finden. Schließlich habe ich versucht zu entdecken, wie man ECTs interpretieren könnte, wenn zwei oder mehr cointegrierende Vektoren existieren. So weit, das einzige, was ich in den Zeitungen, die ich durchsucht habe, ist, dass seine sehr schwierig. Vielen Dank für Hilfe, jede Beratung, Klärung etc. wäre sehr geschätzt. ECT ist gut, wenn der Bereich zwischen 0 1 und nicht mehr als 2. ECT in negativer Zahl sein sollte und wenn positiver Wert explosiv und nicht vernünftig ist. Wenn beispielsweise der geschätzte Koeffizient ECT (-1) -0,87 beträgt (der geschätzte Koeffizient zeigt an, dass etwa 87 Prozent dieses Ungleichgewichts zwischen 1 Jahr korrigiert werden (wenn jährlich Daten vorliegen)). Aber wenn das ECT (-1) sind -1.07 als Beispiel (Der geschätzte Koeffizient zeigt, dass etwa 107 Prozent dieses Ungleichgewicht zwischen 1 Jahr korrigiert wird - und das macht keinen Sinn). (Der geschätzte Koeffizient zeigt, dass etwa 107 Prozent dieses Ungleichgewichts zwischen 1 Jahr korrigiert wird - und das macht keinen Sinn). Ich denke, es ist eine theoretische Frage. Es kann sinnvoll sein, wenn wir es interpretieren, wie Quotequilibrium in weniger als einem Jahrquot wiederhergestellt wird. Obwohl, könnte man Fragen über die Schockabsorption Anpassung und Flexibilität der Wirtschaft. Ndash user93356 Ihre Antwort 2017 Stack Exchange, IncWie interpretieren Sie VEC-und VAR-Modelle Koeffizienten Beliebte Antworten Der Beitrag von John Hunter ist sicherlich sehr kompetent, wenn auch ein bisschen detailliert. Ich habe so viele schlechte Anwendungen von VECM gesehen, dass ich möchte einige kurze Hinweise hinzuzufügen. Die erste Empfehlung besteht darin, eine unangemessene Sprache zu verwerfen: In einem VARVECM gibt es keine quotindependentquot-Variablen, es gibt Variablen, auch wenn einige Langzeit-Exogenität gilt. Die zweite Empfehlung besteht darin, die Langzeitbeziehung, den Kointegrationsvektor, als statisch zu sehen. Als statische Gleichgewichtsbeziehung drückt es keine Kausalität aus: Eine Eins-Beziehung zwischen zwei Zinssätzen per se kann als die lange Rate in Abhängigkeit von der kurzen Rate oder umgekehrt angesehen werden, auch wenn sie durch eine Regressionsmethode abgeschätzt wurde , Die ich sowieso nicht empfehlen würde. Im VECM wird Kausalität durch Dynamik ausgedrückt. Die Variablen passen sich auf Abweichungen vom Gleichgewicht an, und die Variable, die die Hauptlast dieser Einstellung trägt, ist ein Slave, während derjenige, der sich nicht anpasst (Nullbelastungskoeffizient), der Master, die Langzeit-Exogen-Variable, ist. Alle verbleibenden Short-Run-Dynamiken sind eher die Trägheit der Bewegung. Wenn daher die erste Differenz der kurzen Rate einen signifikanten Koeffizienten auf dem Fehlerkorrekturterm (lang minus kurzer Verzögerung um eine Zeitperiode) aufweist und die lange Rate eine unbedeutende hat, dann ist die lange Rate langfristig exogen, Wie es einige Ökonomen meinen. Schließlich, wenn Sie mit der Johansen-Methode, die Option meiner persönlichen Präferenz, wird die Software generieren die gesamte Modell Schätzungen in einem Rutsch, gemeinsam mit der Test-Statistiken, ob Stata oder EViews oder R. Nicht neu zu schätzen, indem Sie auf Fehlerkorrekturvariablen von handquot. Das Ergebnis ist eine ineffiziente Schätzung, und ich habe mehrere Papiere abgelehnt, wo dies geschah. Vermeiden Sie direkte Regression der quotEC-two-stepquot Art, das war OK in 1990, aber es ist jetzt veraltet. Die VAR - und die VEC-Repräsentation sind simultan und definieren nicht per Definition exogene Variablen außer infolge einer Reduktion des Systems. Langzeit-Gleichungen, die durch Regression berechnet werden, führen zu Parameterschätzungen, die super konsistent sind, wenn die Reihe nicht stationär ist. (Für eine Diskussion hierzu siehe das Buch von Davidson und MacKinnon (2004) wird auf Burke und Hunter (2005) verwiesen, , Nichtstationäre Wirtschaftszeitreihen, Palgrave). Beachten Sie, dass die VAR-Gleichung durch Gleichung durch OLS-Regression geschätzt werden kann und dass diese Schätzungen der Kurzzeitparameter konsistent sind, wenn die Dynamik korrekt identifiziert wird. Endogenität wird in einem langfristigen und kurzfristigen Kontext verstanden. Endogenität ist auch in schwach, streng, stark und super gebrochen. In Kapitel 5 von Burke und Hunter (2005) gibt es eine gut entwickelte Einführung in diese Konzepte vor allem in einem langfristigen Kontext. Das Buch von Ericsson und Irons (1994), Exogeneity, OUP vereint einige sehr gute Artikel und ein hervorragendes Editorial-Kapitel und ein breites Spektrum von Beispielen. Endogenität ist am einfachsten zu testen, auf lange Sicht. Insbesondere kann die Langzeitkonditionierung auf schwach exogene Variablen erfolgen. Es gibt maximal n-r schwach exogene Variablen in einem n Variablensystem mit r langfristigen Relationen. Bei den Langzeitbeziehungen handelt es sich nicht um Fehlerkorrektur-Terme, und der Langzeitverlauf kann durch diese Variablen erklärt werden. Granger Nicht-Kausalität in der VECM erfordert eine Abwesenheit von langfristigen Beziehungen zusätzlich zu Dynamik für die erzwungene Variable in den forcierenden Variablengleichungen. Dies führt zu dynamischen Gleichungen, die Block dreieckig sind, so dass die endogenen Variablen durch alles verursacht werden und endogene variable Koeffizienten sind alle Null in den exogenen Variablengleichungen. Das Konzept, das zu einer Block-Dreiecksmatrix von Langzeitparametern (pi) führt, wird als cointegrierende Exogenität bezeichnet (Hunter (1992) wird in Ericsson und Irons (1994) nachgedruckt und der Link auf meiner RG-Seite gibt Auskunft Wo dies heruntergeladen werden kann). CE ist eine Voraussetzung für Granger Kausalität Nicht-Kausalität kurzfristig. VARs und VECMs können verwendet werden, um komplette Systeme zu definieren und benötigen daher keine beschränkten Informationsmethoden. Es ist möglich, diese Systeme zu reduzieren, um sowohl Langzeit - als auch Kurzzeitverhalten zu berechnen und zu untersuchen. Dies kann Vorteile haben, erfordert aber eine Anzahl von schwach exogenen Variablen entweder im Langzeit - oder Kurzstrecken-Sinne. Dies dürfte die Notwendigkeit einer Abschätzung unter Verwendung von beschränkten Informationsverfahren wie GMM (obwohl GMM auch auf Systeme angewendet werden kann) übersteigen. OLS verwendet Gleichung durch Gleichung auf unrestricted VARs, aber reduzierte Blöcke von Gleichungen mit aktuellen Variablen erfordern schwache Exogenität für die Schätzung effizient und konsistent von OLS. Wenn sich die interessierenden Parameter ausschließlich auf den Langzeitbetrieb beziehen, dann ist OLS generell zuverlässig, obwohl die Langzeitanwendung für das reduzierte System angemessen berechnet werden kann, kann eine schwache Exogenität erforderlich sein. Die VAR - und die VEC-Repräsentation sind simultan und definieren nicht per Definition exogene Variablen außer infolge einer Reduktion des Systems. Langzeit-Gleichungen, die durch Regression berechnet werden, führen zu Parameterschätzungen, die super konsistent sind, wenn die Reihe nicht stationär ist. (Für eine Diskussion hierzu siehe das Buch von Davidson und MacKinnon (2004) wird auf Burke und Hunter (2005) verwiesen, , Nichtstationäre Wirtschaftszeitreihen, Palgrave). Beachten Sie, dass die VAR-Gleichung durch Gleichung durch OLS-Regression geschätzt werden kann und dass diese Schätzungen der Kurzzeitparameter konsistent sind, wenn die Dynamik korrekt identifiziert wird. Endogenität wird in einem langfristigen und kurzfristigen Kontext verstanden. Endogenität ist auch in schwach, streng, stark und super gebrochen. In Kapitel 5 von Burke und Hunter (2005) gibt es eine gut entwickelte Einführung in diese Konzepte vor allem in einem langfristigen Kontext. Das Buch von Ericsson und Irons (1994), Exogeneity, OUP vereint einige sehr gute Artikel und ein hervorragendes Editorial-Kapitel und ein breites Spektrum von Beispielen. Endogenität ist am einfachsten zu testen, auf lange Sicht. Insbesondere kann die Langzeitkonditionierung auf schwach exogene Variablen erfolgen. Es gibt maximal n-r schwach exogene Variablen in einem n Variablensystem mit r langfristigen Relationen. Bei den Langzeitbeziehungen handelt es sich nicht um Fehlerkorrektur-Terme, und der Langzeitverlauf kann durch diese Variablen erklärt werden. Granger Nicht-Kausalität in der VECM erfordert eine Abwesenheit von langfristigen Beziehungen zusätzlich zu Dynamik für die erzwungene Variable in den forcierenden Variablengleichungen. Dies führt zu dynamischen Gleichungen, die Block dreieckig sind, so dass die endogenen Variablen durch alles verursacht werden und endogene variable Koeffizienten sind alle Null in den exogenen Variablengleichungen. Das Konzept, das zu einer Block-Dreiecksmatrix von Langzeitparametern (pi) führt, wird als cointegrierende Exogenität bezeichnet (Hunter (1992) wird in Ericsson und Irons (1994) nachgedruckt und der Link auf meiner RG-Seite gibt Auskunft Wo dies heruntergeladen werden kann). CE ist eine Voraussetzung für Granger Kausalität Nicht-Kausalität kurzfristig. VARs und VECMs können verwendet werden, um komplette Systeme zu definieren und benötigen daher keine beschränkten Informationsmethoden. Es ist möglich, diese Systeme zu reduzieren, um sowohl Langzeit - als auch Kurzzeitverhalten zu berechnen und zu untersuchen. Dies kann Vorteile haben, erfordert aber eine Anzahl von schwach exogenen Variablen entweder im Langzeit - oder Kurzstrecken-Sinne. Dies dürfte die Notwendigkeit einer Abschätzung unter Verwendung von beschränkten Informationsverfahren wie GMM (obwohl GMM auch auf Systeme angewendet werden kann) übersteigen. OLS verwendet Gleichung durch Gleichung auf unrestricted VARs, aber reduzierte Blöcke von Gleichungen mit aktuellen Variablen erfordern schwache Exogenität für die Schätzung effizient und konsistent von OLS. Wenn sich die interessierenden Parameter ausschließlich auf den Langzeitbetrieb beziehen, dann ist OLS generell zuverlässig, obwohl die Langzeitanwendung für das reduzierte System angemessen berechnet werden kann, kann eine schwache Exogenität erforderlich sein. Der Beitrag von John Hunter ist sicherlich sehr kompetent, wenn auch ein bisschen detailliert. Ich habe so viele schlechte Anwendungen von VECM gesehen, dass ich möchte einige kurze Hinweise hinzuzufügen. Die erste Empfehlung besteht darin, eine unangemessene Sprache zu verwerfen: In einem VARVECM gibt es keine quotindependentquot-Variablen, es gibt Variablen, auch wenn einige Langzeit-Exogenität gilt. Die zweite Empfehlung besteht darin, die Langzeitbeziehung, den Kointegrationsvektor, als statisch zu sehen. Als statische Gleichgewichtsbeziehung drückt sie keine Kausalität aus: Eine Eins-Beziehung zwischen zwei Zinssätzen per se kann als die lange Rate angesehen werden, die von der kurzen Rate oder umgekehrt abhängt, auch wenn sie durch eine Regressionsmethode abgeschätzt wurde , Die ich sowieso nicht empfehlen würde. Im VECM wird Kausalität durch Dynamik ausgedrückt. Die Variablen passen sich auf Abweichungen vom Gleichgewicht an, und die Variable, die die Hauptlast dieser Einstellung trägt, ist ein Slave, während derjenige, der sich nicht anpasst (Nullbelastungskoeffizient), der Master ist, die Langzeit-Exogen-Variable. Alle verbleibenden Short-Run-Dynamiken sind eher die Trägheit der Bewegung. Wenn daher die erste Differenz der kurzen Rate einen signifikanten Koeffizienten auf dem Fehlerkorrekturterm (lang minus kurzer Verzögerung um eine Zeitperiode) aufweist und die lange Rate eine unbedeutende hat, dann ist die lange Rate langfristig exogen, Wie es einige Ökonomen meinen. Schließlich, wenn Sie mit der Johansen-Methode, die Option meiner persönlichen Präferenz, wird die Software generieren die gesamte Modell Schätzungen in einem Rutsch, gemeinsam mit der Test-Statistiken, ob Stata oder EViews oder R. Nicht neu zu schätzen, indem Sie auf Fehlerkorrekturvariablen von handquot. Das Ergebnis ist eine ineffiziente Schätzung, und ich habe mehrere Papiere abgelehnt, wo dies geschah. Vermeiden Sie direkte Regression der quotEC-two-stepquot Art, das war OK in 1990, aber es ist jetzt veraltet. Jamal Bouoiyour middot Universit de Pau und des Pays de l39Adour In der VAR-Modellierung sind alle Variablen abhängig und unabhängig. Dies ist ein quotblack boxquot. In den meisten Fällen sind die Koeffizienten schwierig zu interpretieren, besonders wenn die Lags groß sind. Die Koeffizienten können als kurzfristige (Kausalitäts-) oder langfristige (Kointegrations-) Beziehungen interpretiert werden. Obwohl ich in der Antwort von Roberts Verdienst sehe, ist es immer noch wichtig zu verstehen, dass das kurzfristige Granger-Kausalitätsergebnis mit der I (1) - Reihe auf der Unterteilung der Kointegrationsbeziehungen beruht. In dem Fall mit einer einzigen Kointegrationsbeziehung beruht die Kurzzeit-Kausalität darauf, dass die Langzeit-exogenen Variablenvariablen schwach exogen sind. Bei mehr als r1 Kointegrationsverhältnissen ist die pi-Matrix, die dreieckig ist, notwendig und ausreichend, um die Exogenität zu kointegrieren, ein Langzeit-Analogon der starken Exogenität (Hunter 1992) - ein Link zu einem Google Bücher-Download finden Sie auf meinen RG-Seiten. Dies erfordert mehr als eine dreieckige Matrix von Langzeitparametern in der Johansen-Formulierung der Matrixbeta. In Bezug auf Jamal ist es möglich, eine ausgefeiltere Interpretation langfristiger Beziehungen durchzuführen. Allerdings ist es wichtig zu verstehen, dass jede Kausalanalyse abhängig ist von dem System, innerhalb dessen es betrachtet wird. Vorbehaltlich eines bestimmten Satzes von Variablen erleichtert der reduzierte Rangzustand die Identifikation, da er das Problem auf eine überschaubare Größe reduziert. Zum Beispiel, wenn r1 gibt es eine einzige langfristige Beziehung, die fast trivial (im generischen Sinne) zu einer Normalisierung identifiziert wird. Allerdings ist darauf zu achten, dass das Problem nicht auf eine Variable normiert wird, die langfristig ausgeschlossen ist. Dies ist problematisch, sobald der Vektor auf eine Normalisierung ausgerichtet ist, ist die Empfindlichkeit der Analyse zur Auswahl der normierten Variablen nicht direkt testbar. Allerdings ist das Aufblasen der anderen Koeffizienten im Vektor ein Zeichen für eine unangemessene Normalisierung (dies ist effektiv eine Division durch Null). Ich möchte weiter auf die Prüfung auf schwache Exogenität hinweisen, da die Normalisierung auf einer Variablen, auf der ein Vektor gültig konditionierbar ist, auch wenig Sinn macht (der Artikel von Hunter und Menla Ali (2014) tut dies in Bezug auf einen r-1 Fall - eine frühere Version Steht zum Download auf RG zur Verfügung). Das Finden langer exogener Variablen bestimmt, wie das System orientiert werden kann. Die effektive Dimension des Kointegrationsvektors wird durch das Auffinden lang laufender ausgeschlossener Variablen reduziert, wobei das gleiche Ergebnis in der herkömmlichen Systemidentifikation entsteht, da eine gemeinsame Restriktion über alle Gleichungen in einer langfristigen oder kurzzeitigen Relation zu Identifizierungsbeschränkungen führt, die den Rangzustand brechen . Die langfristigen Beziehungen können dann durch die Normalisierungsregel identifiziert werden, und dies ist einzigartig, wenn es genau n-r schwach exogene Variablen gibt. Unabhängig vom n-r-Fall ist die Konditionierung immer noch gültig, aber es gibt eine Reihe von alternativen Möglichkeiten, die langfristigen Beziehungen im Zusammenhang mit alternativen Normalisierungen darzustellen. Typischerweise sind Engle-Granger-Typtests und - schätzungen zu vermeiden, es sei denn, der Datensatz ist begrenzt. Es ist auch wichtig zu erkennen, dass das Beispiel in Engle und Granger sehr spezifisch ist, da das Modell bivariat und das Einkommen schwach exogen ist. Dies macht keinen Unterschied, wenn man die Kointegration mit einem Dickey-Fuller-Test auf dem Rest aus einer Kointegrationsregression testet. Weiterhin folgt das theoretische Ergebnis, das es gestattet, sich von der Wold-Form zu dem VECM zu bewegen, nur dann, wenn es einen einzigen gemeinsamen stochastischen Trend gibt, wenn die Differenz auf der linken Seite der Wold-Form mit der Einheitswurzel, die aus dem Vektorbewegungsmittel extrahiert wird, aufhebt Polynom. Das führt dazu, dass Engle und Granger die vereinfachende Annahme machen, dass in ihrer Notation d (L) 1 für kompliziertere Fälle. Wie aus Johansen (1995) und den Ergebnissen in Burke und Hunter (2005) Kapitel 4 hervorgeht, verdeutlichen die Ergebnisse von Engle und Granger (1987) nicht, wie sie vorschlagen. Imran Arshad middot Sukkur Institut für Betriebswirtschaftslehre Adamu Jibir middot Gombe State University, Gombe-Nigeria Sehr interessante Gespräche. Die Koeffizienten oder das Ergebnis des VAR-Modells können gleichermaßen als Kausalbeziehung in der kurzen Periode und Kointegrationsbeziehung in der langen Periode behandelt werden. Allerdings hängt alles davon ab, wie die Analyse durchgeführt wird und das Ziel der Forschung, wie von Robert oben erklärt. VARVECM gibt es keine unabhängigen Variablen, es gibt Variablen, auch wenn einige langfristige Exogenität gilt. Die zweite Empfehlung besteht darin, die Langzeitbeziehung, den Kointegrationsvektor, als statisch zu sehen. Als statische Gleichgewichtsbeziehung drückt es keine Kausalität aus: Eine Eins-Beziehung zwischen zwei Zinssätzen per se kann als die lange Rate angesehen werden, die von der kurzen Rate oder umgekehrt abhängt, auch wenn sie durch eine Regressionsmethode abgeschätzt wurde , Die ich sowieso nicht empfehlen würde. Im VECM wird Kausalität durch Dynamik ausgedrückt. Die Variablen passen sich auf Abweichungen vom Gleichgewicht an, und die Variable, die die Hauptlast dieser Einstellung trägt, ist ein Slave, während derjenige, der sich nicht anpasst (Nullbelastungskoeffizient), der Master, die Langzeit-Exogen-Variable, ist. Alle verbleibenden Short-Run-Dynamiken sind eher die Trägheit der Bewegung. Wenn daher die erste Differenz der kurzen Rate einen signifikanten Koeffizienten auf dem Fehlerkorrekturterm (lang minus kurzer Verzögerung um eine Zeitperiode) aufweist und die lange Rate eine unbedeutende hat, dann ist die lange Rate langfristig exogen, Wie es einige Ökonomen meinen. Schließlich, wenn Sie mit der Johansen-Methode, die Option meiner persönlichen Präferenz, wird die Software generieren die gesamte Modell Schätzungen in einem Rutsch, gemeinsam mit der Test-Statistiken, ob Stata oder EViews oder R. Nicht neu zu schätzen, indem Sie auf Fehlerkorrekturvariablen von Hand. Das Ergebnis ist eine ineffiziente Schätzung, und ich habe mehrere Papiere abgelehnt, wo dies geschah. Vermeiden Sie direkte regressio Wie interpretieren Sie VEC und VAR Modelle Koeffizienten - ResearchGate. Erhältlich von: researchgate. netpostHowdoyouinterpretVECandVARmodelscoefficients abgerufen 20. November 2016.