Autocorrelación residual versus variable dependiente retardada

Question

Al modelar series de tiempo uno tiene la posibilidad (1) modelo la estructura correlacional de los términos de error como por ejemplo un proceso AR(1) (2) incluir la variable dependiente retardada como una variable explicativa (en el lado derecho)

Entiendo que a veces hay razones sustanciales para ir (2).

Sin embargo, ¿cuáles son las razones metodológicas que tampoco (1) o (2) o incluso los dos?

Answer 1

Hay muchos enfoques para el modelado integrado o casi integrada de datos de series de tiempo. Muchos de los modelos de hacer más específico de supuestos más generales de los modelos de formularios, y por lo tanto podría considerarse como casos especiales. de Boef y Keele (2008) hacen un buen trabajo de la ortografía de varios modelos y señalando donde se relacionan el uno al otro. La única ecuación generalizada de corrección de error del modelo (GECM; Banerjee, 1993) es una agradable porque se trata de (a) agnóstico con respecto a la estacionalidad/no-estacionariedad de las variables independientes, (b) puede alojar múltiples variables dependientes, efectos aleatorios, varias banderas, etc, y (c) tiene más estable de estimación de propiedades de dos en etapa de corrección de errores de los modelos (de Boef, 2001).

Por supuesto, los detalles de cualquier modelado de elección será particular para los investigadores de las necesidades, por lo que su kilometraje puede variar.

Ejemplo sencillo de GECM:

$$\Delta{y_{ti}} = \beta_{0} + \beta_{\text{c}}\left(y_{t-1}-x_{t-1}\right) + \beta_{\Delta{x}}\Delta{x_{t}} + \beta_{x}x_{t-1} + \varepsilon$$

Donde:
$\Delta$ es el cambio de operador;
instantáneo de corto plazo de los efectos de $x$ $\Delta{y}$ se dan por $\beta_{\Delta{x}}$;
quedado corto plazo los efectos de la $x$ $\Delta{y}$ se dan por $\beta_{x} - \beta_{\text{c}} - \beta_{\Delta{x}}$; y
a largo plazo el equilibrio de los efectos de $x$ $\Delta{y}$ se dan por $\left(\beta_{\text{c}} - \beta_{x}\right)/\beta_{\text{c}}$.

Referencias

Banerjee, A., Dolado, J. J., Galbraith, J. W., y Hendry, D. F. (1993). Co-integración, corrección de errores y el análisis econométrico de la no-estacionario de datos. Oxford University Press, Estados Unidos.

De Boef, S. (2001). Modelado del equilibrio de las relaciones: la corrección de Errores de los modelos de una fuerte regresión automática de datos. Análisis Político, 9(1):78-94.

De Boef, S. y Keele, L. (2008). Tiempo de toma en serio. American Journal of political Science, 52(1):184-200.

Answer 2

Una buena presentación de una función de transferencia (tf) es aquí la función de Transferencia en el pronóstico de los modelos de interpretación y, alternativamente, aquí http://en.wikipedia.org/wiki/Distributed_lag . Ya que ambos tienen un y y 1 X por razones de simplicidad, a continuación, creo que uno se puede formar una tf con adecuada supone gal y adecuada supone diferencias de estas dos series que correspondan a la supuesta ECM ilustrando que la ECM es un particular limitado subconjunto de un modelo tf. Tal vez algunos otros lectores ( pesado econometricians ) ya han pasado pensamiento de la prueba/álgebra, pero tendré en cuenta tus positiva sugerencia para ayudar a otros lectores.

Después de una breve búsqueda en la web http://springschool.politics.ox.ac.uk/archive/2008/OxfordECM.pdf discute cómo un ECM fue un caso particular de un ADL (Autoregressive Distribuido Lag Modelo también se conoce como un PDL ). Un ADL/PDL modelo es un caso particular de una Función de Transferencia . Este material de la referencia anterior se muestra la equivalencia de un ADL y el ECM. Tenga en cuenta que las Funciones de Transferencia son más general que la ADL modelos que permiten explicitar la decadencia de la estructura. . Mi punto es que el poderoso modelo de identificación de características disponibles con Funciones de Transferencia debe ser utilizado en lugar de asumir un modelo debido a que se ajusta el deseo de tener explicaciones simples, tales como Corto plazo/Largo plazo, etc. La Función de Transferencia del modelo de enfoque permite robustification por lo que permite la identificación de un arbitrario ARIMA componente y la detección de Gauss Violaciones tales como Pulsos/Nivel de Turnos/Temporada Pulsos (Seasonal Dummies) y la Hora Local de las Tendencias a lo largo de la varianza/cambio de parámetro de los aumentos.

Yo estaría interesado en ver ejemplos de un ECM que no es funcionalmente equivalente a un Modelo ADL y no se recrea como una Función de Transferencia.