Chapter 1 · Yt t q tq t. 1 .1 D TH TH H .... 1 Q t q tq t q Y D TH H ปกต แล...
Transcript of Chapter 1 · Yt t q tq t. 1 .1 D TH TH H .... 1 Q t q tq t q Y D TH H ปกต แล...
Chapter 1Regression with Time-Series Data: Stationary Variables
Asst.Prof.Dr. Woraphon Yamakahttps://wyamaka.wordpress.com
1. Regression model
เพ่ือใชศ้กึษาผลกระทบของสิ่งหนึ่งตอ่อีกสิ่งหนึ่ง ตวัอยา่งเชน่
Microeconomic: : Demand and supply equations
Macroeconomic Production function Cost function
EX. Demand equation
𝑌 = 𝑋′𝛽 + 𝜀
Qd P = +
2.1 Dynamic regression model (Autoregressive (AR model)• คือการศกึษาปัจจยัของตวัมนัเองในอดีตสง่ผลตอ่ตวัมนัเองในปัจจบุนัอย่างไร เราจะเขียนแบบจ าลอง AR(p)
• หรอืเราจะเขียนในสมการอย่างย่อไดว้่า
1 1Q Qd d
t t t tP − −= + +
. 1 . 1 ...t t p t p tY Y Y − −= + + + +
. .
1
P
t p t p t
p
Y Y −
=
= + +
EX. Demand equation
ปกตแิล้วเราจะใช้แบบจ าลองนีเ้พือ่การพยากรณค่์าในอนาคต
2.2 Dynamic regression model (Moving Average (MA) model)
• แบบจ าลองนีค้ลา้ยๆกบั AR model แตแ่ทนที่จะที่จะตวัแปรตามจะเป็น 𝑌𝑡.−𝑝 แบบจ าลองนีจ้ะท าการถดถอยดว้ย 𝜀𝑡−1 แทน ดงันัน้สมการที่เราท าการประมาณ MA(q) คือ
• หรอืเราจะเขียนในสมการอยา่งยอ่ไดว้่า. 1 . 1 ...t t q t q tY − −= + + + +
.
1
Q
t q t q t
q
Y −
=
= + +
ปกตแิล้วเราจะใช้แบบจ าลองนีเ้พือ่การพยากรณค่์าในอนาคตเช่นกัน
2.3 Dynamic regression model (Autoregressive Moving Average (ARMA) model)
• แบบจ าลองนีค้ลา้ยๆกบั AR model แตจ่ะเพ่ิมพจน ์MA ขึน้มาในแบบจ าลองดว้ย หรอืกค็ือแบบจ าลองนีร้วมแบบจ าลอง AR และ แบบจ าลอง MA เขา้ดว้ยกนันั่นเอง ดงันัน้แบบจ าลองARMA(p,q) เขียนไดด้งันี ้
• หรอืเราจะเขียนในสมการอยา่งยอ่ไดว้่า
. 1 . 1 1 . 1... ...t t p t p t q t q tY Y Y − − − −= + + + + + + +
. .
1 1
QP
t p t p q t q t
p q
Y Y − −
= =
= + + +
แบบจ าลองอื่น ๆที่ใชพ้ยากรณใ์นอนาคต เชน่ แบบจ าลอง ARIMA, SARIMA และ AFRIMA
ส่ิงแรกท่ีตอ้งค ำนึงถึงเก่ียวกบักำรประมำณดว้ยแบบจ ำลองเศรษฐมิติต่ำง ๆ คืออะไร• ค าตอบ
นกัเศรษฐมิติตอ้งค านงึถงึหวัขอ้วิจยัเป็นอนัดบัแรก และสิ่งท่ีส าคญัท่ีสดุรองลงมาคือความน่าเช่ือถือของขอ้มลู ซึง่ในทางสถิติหรอืทางเศรษฐมิติเราสามารถท าการเช็คความน่าเช่ือถือขอ้มลู จากการทดสอบความน่ิงของขอ้มลู ซึง่เราจะตอ้งท าการทดสอบขอ้มลูก่อนการประมาณแบบจ าลองทางเศรษฐมิติ โดยเฉพาะแบบจ าลองท่ีเป็น time series และ Panel.
ความน่ิงของขอ้มลูถือว่าเป็นอีกสมมตุิฐานหนึ่งท่ีเราตอ้งเพิ่มขึน้มาอีกขอ้ตอ่จาก Gauss Markov Theorem
Stationary data
ขอ้มลูที่น่ิงคืออะไร? -2-1
01
2
x
02
46
81
2
0 20 40 60 80 100
y
Time
plot simulated time serie data
ขอ้มูลท่ีมีลักษณะท่ีน่ิงคือขอ้มูลท่ีคุณสมบัติ คือ มีค่าเฉลี่ย ค่าความแปรปรวน ท่ีน่ิงนั่นเอง
กำรทดสอบควำมน่ิง หรือ Unit root test
• ในการทดสอบความน่ิงของขอ้มลู time series และ Panel จะมีความแตกตา่งกนัอยูบ่า้ง โดยปัจจบุนัสถิติที่ใชข้องแตล่ะขอ้มลูก็มีหลากหลายวิธีดว้ยกนั แตท่ี่เป็นที่นิยมกนัมาก ก็คือ
• Dickey Fuller (DF) test ( Time series data)
• Augmented Dickey Fuller (ADF) test (Time series data)
• Phillips perron test (PP) test (Time series data)
• Kwiatkowski–Phillips–Schmidt–Shin (KPSS) test (Time series data)
• Levin, Lin, and Chu (LLC) test ( Panel data)
ซึง่การทดสอบข้อมูลเหล่านี ้จะใช้สมการของแบบจ าลอง dynamic regression มาประยุกตใ์ช้ในการทดสอบ
DICKEY–FULLER TEST
1t t ty y u − = +
1t t ty y u − = + +
1t t ty y t u − = + + +
ในการทดสอบแบบ DF test เราสามารถท าได ้3 วิธีดว้ยกนั คือ
กรณีไม่มีคา่คงที่และคา่แนวโนม้
กรณีมีคา่คงที่และไม่มีคา่แนวโนม้เวลา
กรณีมีคา่คงที่และมีคา่แนวโนม้เวลา
โดยที่ 𝛥𝑦𝑡 = 𝑦𝑡- 𝑦𝑡−1𝑡 = 1,2,3,…,T
กำรทดสอบภำยใต ้DICKEY–FULLER TEST
• ในกรณีเราจะดวู่า คา่ 𝛾 =0 หรอืไม่ ดงันัน้เราจะตัง้สมมติุฐานไดว้่า
• จากการทดสอบขา้งตน้เราจะเหน็ว่าเป็นการทดสอบตวัแปรเดียว ดงันัน้เราสามารถใช ้T-test ในการทดสอบว่าเราจะยอมรบัหรอืปฎิเสธ 𝐻0
• สรุปคอื ถา้ ยอมรับ –> ข้อมูลไม่น่ิงถา้ ปฎเิสธ –> ข้อมูลน่ิง
จากสมการทัง้ 3 สมการข้างต้น เราควรท าการทดสอบทัง้ 3 สมการเลย และดูว่าใหผ้ลทางเดยีวกันหรือไม่
0
1
: 0 (nonstationary)
: 0 (stationary)
H
H
=
กำรทดสอบภำยใต ้Augmented DICKEY–FULLER TEST
• อยา่งไรก็ตามการทดสอบความน่ิงของขอ้มลูดว้ยวิธี DF test ถกูมองว่ายงัมีปัญหาอยู ่เน่ืองจากอาจเกิดปัญหา autocorrelation และน าไปสู ่OLS ไม่ BLUE ได ้และท าใหเ้กิด Bias ขึน้ในการประมาณ ดงันัน้ เราจงึตอ้งระมดัระวงัปัญหานีใ้นแบบจ าลอง AR ดว้ย
• Augmented DICKEY–FULLER TEST จงึถกูพฒันาขึน้มา โดยปรบัใหส้มการ
1
1
P
t t p t p t
p
y y y u − −
=
= + +
1
1
P
t t p t p t
p
y y y u − −
=
= + + +
1
1
P
t t p t p t
p
y y y t u − −
=
= + + + +
กรณีไม่มีคา่คงที่และคา่แนวโนม้
กรณีมีคา่คงที่และไม่มีคา่แนวโนม้เวลา
กรณีมีคา่คงที่และมีคา่แนวโนม้เวลา
ปัญหาที่จะเกิดในขอ้มลู time series และ Panel ซึง่จะคลา้ยๆ กบั Heteroscedasticity คือเป็นปัญหาที่ตวัแปรรบกวนมีความสมัพนัธก์บัตวัมนัเองในอดีตนัน้เอง 𝑢𝑡 สมัพนัธก์บั 𝑢𝑡−1 ซึง่กรณีนีเ้ราจะเรยีกว่า First order autocorrelation
ปัญหำ Autocorrelation (คร่ำวๆ)
v
แบบจ ำลอง Regression ท่ีจ ำเป็นตอ้งมีขอ้มูลท่ีน่ิง
• แบบจ าลองทางเศรษฐมิติเกือบทกุแบบจ าลองที่ใชข้อ้มลูแบบ Time series และ Panel จะตอ้งมีการทดสอบความน่ิงของขอ้มลูก่อนที่จะน าไปประมาณผลการศกึษา ถา้ขอ้มลูน่ิงเราก็สามารถใชข้อ้มลูนัน้ไปประมาณในแบบจ าลองตอ่ไปได ้แตถ่า้ขอ้มลูไม่น่ิง เราตอ้งมีการแปลงขอ้มลูใหน่ิ้งก่อนที่จะไปใชใ้นแบบจ าลอง
• การแปลงขอ้มลูสามารถท าไดห้ลายวิธีดว้ยกนั เชน่
• 1) ሻln(𝑦𝑡• 2) ሻln(𝑦𝑡 - ሻln(𝑦𝑡−1• 3) ሻ𝛥 (𝑦𝑡
Program training
• R code
• Eview
R code ➔ Unit root test (DF-test)install.packages("readxl")library(readxl)gnp=read_excel(file.choose())gnp=ts(gnp)lag=0lag1=lag+1z=diff(gnp) n=length(z) z.diff=embed(z, lag1)[,1] z.lag.1=gnp[(lag1):n] tt <- lag1:n# no constant and trendsummary(lm(z.diff~-1+z.lag.1)) # has constant and no trendsummary(lm(z.diff~+1+z.lag.1)) # has constant and trendsummary(lm(z.diff~tt+z.lag.1)) # Use Package urcalibrary(urca)m1=ur.df(gnp,type="none",lags=0)m2=ur.df(gnp,type="drift",lags=0)m3=ur.df(gnp,type="trend",lags=0)summary(m1)
R code ➔ Unit root test (ADF-test)lag=1lag=lag+1z=diff(gnp)n=length(z)z.diff=embed(z, lag)[,1]z.lag.1=gnp[(lag):n]z.diff.lag = embed(z, lag)[, 2:lag]tt <- lag:n
# no constant and trendsummary(lm(z.diff~-1+z.lag.1+z.diff.lag ))# has constant and no trendsummary(lm(z.diff~z.lag.1+z.diff.lag ))# has constant and trendsummary(lm(z.diff~tt+z.lag.1+z.diff.lag ))# Use Package urcalibrary(urca)m11=ur.df(gnp,type="none",lags=1)m22=ur.df(gnp,type="drift",lags=1)m33=ur.df(gnp,type="trend",lags=1)m11
R code ➔ แบบจ ำลอง AR, MA และ ARMA
# To create a time-series objectgnp1=ts(gnp,frequency=4,start=c(1947,2))par(mfrow=c(1,1))plot(gnp1)points(gnp1,pch="*")# Find the AR orderm1=ar(gnp,method="mle")m1$orderm2=arima(c(gnp1),order=c(3,0,0))m2
EVIEWs → Unit root test (1)
EVIEWs → Unit root test (2)
Double click
EVIEWs → Unit root test
View
EVIEWs → Unit root test
ตรงนีคื้อใหเ้ราเลือกวา่จะเช็ค Unit root test แบบใด
EVIEWs → Unit root test ผลกำรศึกษำ
P value
ขอบเขตวกิฤต
EVIEWs → AR model
EVIEWs →MA model
พิมพ ์code ค าสั่ง ในตวัอย่างนีคื้อ AR(1) หรือ 𝑌𝑡 = 𝛼 + 𝛽𝑌𝑡−1 + 𝑢
EVIEWs → AR model ผลกำรศึกษำ
EVIEWs →MA model
พิมพ ์code ค าสั่ง ในตวัอย่างนีคื้อ MA(1) หรือ 𝑌𝑡= 𝛼 + 𝛾𝜇𝑡−1 + 𝜇𝑡
EVIEWs →MA model ผลกำรศึกษำ
EVIEWs → ARMA model
พิมพ ์code ค าสั่ง ในตวัอย่างนีคื้อ ARMA(1,1) หรือ𝑌𝑡= 𝛼 + 𝛽𝑌𝑡−1 + 𝛾𝜇𝑡−1 + 𝜇𝑡
EVIEWs → ARMA model ผลกำรศึกษำ
แบบฝึกหดั1) Dynamic regression และ regression เหมือนหรอืตา่งกนัอยา่งไร และจงยกตวัอยา่งหวัขอ้วิจยัท่ีใช้
แบบจ าลอง Dynamic regression และ regression
2) ปัญหาความไมน่ิ่งของขอ้มลู เป็นปัญหาที่ผูวิ้จยัตอ้งค านงึถึงเมื่อใชข้อ้มลู cross section และ Time series ใช้หรอืไม ่ และเหตใุดเราจึงจ าเป็นตอ้งตรวจสอบความนิ่งของขอ้มลู ก่อนการประมาณแบบจ าลอง
3) จากขอ้มลู SET ท่ีใชเ้ป็นตวัอยา่งในบทนี ้อยากใหท้ดสอบตวามนิ่งของขอ้มลูในทกุรูปแบบ โดยใชวิ้ธีการทดสอบ ADF test และ Phillipis-Perron test และแสดงผลการศกึษาในตารางใหพ้อเขา้ใจ (ดตูวัอยา่งจากบทความวิจยัในอดีตว่าแสดงผลการศกึษาอยา่งไร ) พรอ้มทัง้แปลผลการศกึษา
4) ในการพยากรณ ์SET เราจะใชแ้บบจ าลองรูปแบบใด เป็นแบบจ าลองในการพยากรณอ์นาคต (ทดสอบไมเ่กิน lag 3)