Modelli econometrici
9. Regressione con dati in serie storica
Sergio Pastorello
9.1 Introduzione
I Serie storiche e cross-section hanno caratteristiche diverse
I In serie storica,
1. Le osservazioni tendono a essere (auto-)correlate
I Come verificare la presenza di autocorrelazione?
I Come descrivere l’autocorrelazione nei dati?
2. Esiste un ordinamento naturale delle osservazioni
I Fondamentale tenerne conto nelle previsioni
9.1.1 Relazioni dinamiche
I Come descrivere la relazione dinamica fra variabili
economiche?
1. Modello a ritardi distribuiti:
yt = f (xt , xt−1 , xt−2 , . . .)
2. Modello autoregressivo a ritardi distribuiti:
yt = f (yt−1 , yt−2 , . . . , xt , xt−1 , xt−2 , . . .)
3. Modello con errori autocorrelati:
yt = f (xt ) + et , et = g (et−1 , et−2 , . . .)
9.1.2 Minimi quadrati e stazionarietà
I In serie storica RM4 diventa:
Cov(yt , ys ) = Cov(et , es ) = 0 for t 6= s
I RM4 è violato se esiste una relazione dinamica
I Servono test per rilevare l’autocorrelazione
I Ipotesi: tutte le variabili sono stazionarie (tutte le
osservazioni sono tratte dalla stessa distribuzione
marginale)
9.1.2a Stazionarietà
9.1.2a Stazionarietà
9.1.2a Stazionarietà
9.3 Correlazione seriale
I Molte variabili economiche evolvono lentamente nel
tempo: sono
I Autocorrelate, o
I Serialmente correlate
I Gli errori possono essere autocorrelati perchè:
I Includono variabili omesse che lo sono, o
I Il modello non spiega adeguatamente l’autocorrelazione
in y
I Come rilevare l’autocorrelazione?
I Graficamente
I Usando test statistici
9.3.1 Autocorrelazione nella crescita del PIL
I [Link]:
I Tasso di crescita del PIL USA (G )
I Tasso di disoccupazione USA (U)
I Osservazioni da 1985Q1 a 2009Q3
I Per Stata, tutti i campioni sono cross-section
I Per definire una serie storica bisogna:
1. Avere una variabile che definisca l’ordinamento temporale
2. Digitare tsset nome_variabile
I Per una serie storica, il ritardo di ordine p si genera con
gen ritardo = [Link]
9.3.1 Autocorrelazione nella crescita del PIL
9.3.1 Autocorrelazione nella crescita del PIL
9.3.1 Autocorrelazione nella crescita del PIL
9.3.1a Calcolare l’autocorrelazione
I Fra Gt e Gt−1 esiste una relazione positiva
I Coefficiente di autocorrelazione di ordine 1:
Cov(Gt , Gt−1 ) Cov(Gt , Gt−1 )
ρ1 = p =
Var(Gt ) Var(Gt−1 ) Var(Gt )
I Coefficiente di autocorrelazione campionaria di ordine 1:
1
PT
Cov(G t=2 (Gt − Ḡ )(Gt−1 − Ḡ )
d t , Gt−1 )
r1 = = T −1 1 PT
2
Var(G t=1 (Gt − Ḡ )
c t)
T
I Facile definire autocorrelazioni di ordine k > 1
9.3.1a Calcolare l’autocorrelazione
I Per verificare H0 : ρk = 0 usiamo la statistica test
√
Z = T rk ∼ N (0, 1) se H0 è vera
I Dato che H1 : ρk 6= 0, rifiutiamo H0 per α = 5% se
√ √
T rk < −1.96 oppure T rk > 1.96
9.3.1a Calcolare l’autocorrelazione
0.60 0.40
Autocorrelations of g
0.00 0.20
−0.20
1 2 3 4
Lag
Bartlett’s formula for MA(q) 95% confidence bands
9.3.1b Il correlogramma
0.60 0.40
Autocorrelations of g
0.00 0.20
−0.20
0 5 10 15
Lag
Bartlett’s formula for MA(q) 95% confidence bands
9.3.2 Errori autocorrelati
I Il correlogramma si usa per verificare autocorrelazione
negli errori
I Esempio: phillips_aus.dta
INFt = β1 + β2 DUt + et
I Date le stime dei MQ di β1 e β2 possiamo calcolare êt e il
loro correlogramma
9.3.2a La curva di Phillips
9.3.2a La curva di Phillips
0.60 0.40
Autocorrelations of ehat
−0.20 0.00 0.20
−0.40
0 5 10 15
Lag
Bartlett’s formula for MA(q) 95% confidence bands
9.4 Altri test di autocorrelazione
I Nel correlogramma si considerano test separati
I Per un test congiunto si usa il test ML o di Breusch e
Godfrey
I Se et è autocorrelato al primo ordine, ρ 6= 0 in
et = ρet−1 + vt
I Sostituendo per et :
yt = β1 + β2 xt + ρet−1 + vt
I Per fare il test, usiamo i residui
9.4.1 Test ML
yt = β1 + β2 xt + et
I H0 : Cov(et , et−1 ) = 0
I Procedura:
1. Stimare il modello e calcolare êt
2. Stimare la regressione ausiliaria:
yt = β1 + β2 xt + ρêt−1 + vt
3. Verificare H0 : ρ = 0
I Esistono diverse versioni del test tutte valide
asintoticamente
I Stata ne calcola una automaticamente
9.4.1 Test ML
9.4.1a Test di autocorrelazioni di ordine superiore
I Se H0 : Cov(et , et−k ) = 0, k = 1, . . . , K :
1. Stimare il modello e calcolare êt
2. Stimare la regressione ausiliaria:
yt = β1 + β2 xt + ρ1 êt−1 + . . . + ρK êt−K + vt
3. Verificare H0 : ρ1 = 0, . . . , ρK = 0
9.4.2 Test di Durbin-Watson
I Il test ML è asintotico
I In alternativa, possiamo usare il test di Durbin-Watson:
DW ≈ 2(1 − r1 )
1. Il test DW è esatto
2. Considera solo autocorrelazione di ordine 1
3. Non è valido se fra le esplicative vi sono ritardi di y
4. Stata calcola DW ma non i valori critici o il [Link]
9.5.1 MQ con errori autocorrelati
I Conseguenze sui MQ di errori autocorrelati?
I Le stesse dell’eteroschedasticità:
1. È corretto
2. Non è più efficiente
3. Le formule classiche degli se non sono più valide
I Per lo stimatore efficiente serve un’ipotesi
sull’autocorrelazione degli errori
I Oppure possiamo usare i MQ utilizzando se robusti
9.5.1 MQ con errori autocorrelati
I Servono standard error HAC (Heteroskedasticity and
Autocorrelation Consistent)
I Nome alternativo: se di Newey-West
I Sono validi per T elevato
I Sono validi anche se l’autocorrelazione è assente
I A partire dagli se robusti si calcolano statistiche test
robuste
9.5.1 MQ con errori autocorrelati