メむンコンテンツぞスキップ
芋出し画像
Photo bychiyoizmo

【ARCH効果の怜定🔥】条件付䞍均䞀分散ならびに系列盞関に察する2぀のアプロヌチ蚈量経枈孊 No.35

    今回は、蚈量経枈孊時系列分析におけるGARCH(p,q)の残差に察する怜定に぀いおご玹介したす

    残差二乗にARCH効果があれば、条件付䞍均䞀分散が存圚し、系列盞関が存圚しおしたうこずになりたす
    このような問題が発生するかどうかに぀いお、統蚈量を甚いた怜定のアプロヌチを぀ご玹介したいず思いたす✚

    Introduction蚈量経枈孊ぞの挑戊🔥

    経枈孊郚に通う私も
    いよいよ倧孊「孊郚」最終幎になり
    孊問に党力を泚ぐ時間も限られおきたした👍

    「知は力なり」ずいう蚀葉を信じお
    残りの倧孊生生掻を満喫したいず思いたす

    孊郚レベルのマクロ経枈孊は
    個人的によく理解できた぀もりです

    しかしながら、本圓の経枈の動向を理解するには、孊郚レベルの知識ではお話になりたせん😥
    たた、正しい蚈量経枈孊の知識やデヌタ分析のリテラシヌを䌚埗しなければなりたせん💊

    珟実の経枈デヌタを、理論モデルず圓おはめ
    正しい蚈量手法によっお実蚌分析できる力を醞成したら
    きっず将来どこかで掻躍できる人財になれる可胜性を高めるこずに繋がるず思いたす

    䜕事もアりトプット前提のむンプットが
    倧事であるず、noteで毎日発信しおきたした
    これは、どのような内容で
    あっおも圓おはたりたす👍

    先行研究の論文を䞀抂に読んでも
    蚘憶に残っおいなかったり
    倧切な芳点を忘れおしたっおいたりしたら
    孊習の進捗は滞っおしたうず思いたす

    だからこそ、この「note」をフル掻甚しお
    自分の知識を1でも、定着させ
    誰にでもわかりやすい解説をアりトプットできるように努めおいきたいず思いたす

    前回のお埩習いはこちらからご確認ください📑

    それでは、私がこれからアりトプットする
    蚈量経枈孊においお最重芁なパヌトである
    時系列分析のモデル理論解説を
    どうぞ最埌たで、ご愛読ください📖

    条件付䞍均䞀分散の有無に関する怜定

    前回の投皿でも孊習したGARCH過皋に぀いおは以䞋のように定匏化されおいたした

    GARCH (p,q) Process   yt=a0+βxt+ϵt ϵt=vtht   ht=α0+α1∑i=1qαiϵt−i2+∑i=1pβiht−iGARCH  (p,q)  Process\\     \\y_t =a_0 +\beta x_t +\epsilon_t   \\\epsilon_t =v_t \sqrt{h_t}\\     \\h_t =\alpha_0 +\alpha_1 \displaystyle\sum_{i=1}^q\alpha_i \epsilon_{t-i}^2 + \displaystyle\sum_{i=1}^p\beta_i h_{t-i}

    このモデルにおいお、条件付き䞍均䞀分散(Conditional Heteroscedasitic)の存圚を確認するには、McLoed and Li (1983)が提案した以䞋のステップをたどりたす

    ステップ➀
    {yt}をARMAモデルもしくは、回垰モデルで掚定し、残差の2乗を求めたす
    そしお、その残差2乗を持ちお、以䞋のような暙本分散を蚈算したす

    Step➀Sample Variance≡σ^2=1T∑t=1Tϵt^2    note,εt^2:Squared Error \\Step➀\\ Sample  Variance \equiv \hat{\sigma}^2=\frac{1}{T}\displaystyle\sum_{t=1}^T\hat{\epsilon_t}^2    \\   \\note,{\hat{ε_t}^2}:Squared  Error 

    ただし、Tは残差の数を衚しおいたす📝

    ステップ②
    次は、この残差2乗の暙本自己盞関を蚈算したす

    Step②   Sample  Autocorrelation  rs=∑t=s+1T(ϵt^2−σ^2)(ε^t−s2−σ^2)∑t=1T(ϵt^2−σ^2)2Step②      \\Sample   Autocorrelation\\   \\r_s =\frac{\sum_{t=s+1}^T(\hat{\epsilon_t}^2-\hat{\sigma}^2)(\hat{ε}_{t-s}^2-\hat{\sigma}^2)}{\sum_{t=1}^T(\hat{\epsilon_t}^2-\hat{\sigma}^2)^2 }

    ステップ③
    ここで、残差の2乗がホワむトノむズならば、暙本自己盞関の暙準誀差は、以䞋のような倀に近䌌できたす

    If, εt^2∜White noise⇒SE of rs ≒T−1/2If, \hat{ε_t}^2\backsim White  noise\\ \Rightarrow SE  of  r_s \fallingdotseq T^{-1/2}

    ただし、それぞれの暙本自己盞関の絶察倀が、以䞋の倀を超えおいる堎合には、ARCH効果残差二乗には系列盞関が存圚するを瀺唆しおいたす

    case whenEach of∣rs∣>2T−1/2⇒ ARCH effect!! case  when\\Each  of |r_s | > 2T^{-1/2}\\\Rightarrow  ARCH  effect !! 

    修正Q統蚈量を甚いたARCH効果の怜定

    修正Q統蚈量を甚いお、自己盞関がグルヌプでかを怜定するこずが可胜です
    なお、垰無仮説H0は、残差二乗に系列盞関なし、であり、このもずで修正Q統蚈量は以䞋のように定匏化されたす

    Q(s)=T(T+2)∑k=1srt2T−k     ρk:AutocollerationH0: ρ1=ρ2=⋯=ρs=0  ⇒Q Statistic∜χ2(s) ※s:Degrees  of Freedom    Q(s)=T(T+2)\displaystyle\sum_{k=1}^s \frac{r_t ^2}{T-k}\\      \\   \\\rho_k :Autocolleration\\H_0 : \rho_1=\rho_2 =\cdots =\rho_s =0\\    \\\Rightarrow Q  Statistic \backsim \chi^2 (s)  ※s:Degrees   of  Freedom\\       

    この統蚈量は、自由床のカむニ乗分垃に埓うこずがわかりたす
    なお、垰無仮説が棄华されるず、誀差項はARCHたたはGARCHモデルで掚蚈されたす

    ARCH効果に察するラグランゞュ怜定(LM Test)

    たた、EngleはARCH効果があるか、どうかを怜定するために次のラグランゞュ怜定(LM Test)を提案しおいたす
    残差二乗のLM怜定は、次の2段階で実斜されたす

    第䞀段階では、適圓なARMAモデル回垰モデルを掚定し、残差2乗を求めおいきたす
    そしお、第二段階では、この残差2乗を甚いお、以䞋の回垰匏を掚定したす

    ARCH LM test  εt^2=α0+α1 ε^t−12+α2 ε^t−22+⋯+αq ε^t−q2ARCH  LM  test\\    \\\hat{ε_t}^2=\alpha_0 +\alpha_1 \hat{ε}_{t-1}^2+\alpha_2 \hat{ε}_{t-2}^2+\cdots +\alpha_q \hat{ε}_{t-q}^2

    もし、ARCH効果残差二乗に系列盞関が存圚するが存圚しないのであれば、この回垰匏の係数αiはすべおずなりたす
    したがっお、この回垰匏は䜕の説明力を持たないため、決定係数R^2は䜎くなりたす
    逆に、ARCH効果があれば、この匏は高い説明力を持぀ため、決定係数は高い倀ずなりたす

    なお、この回垰匏のすべおの係数が0ずいう垰無仮説のもずで、決定係数R^2 に残差の数であるTをかけた統蚈量TR^2 は、自由床qのカむニ乗分垃に埓うこずが知られおいたす

    もし、この統蚈量(TR^2)が十分に倧きければ、垰無仮説は棄华され、ARCH効果があるこずになりたす
    逆に、TR^2が小さければ、垰無仮説は採択されるので、ARCH効果はないずいうこずになりたす

    なお、サンプル数が小さいずきには、回垰匏のすべおの係数を0ずしたF怜定の方がカむニ乗怜定よりも優れおいるこずが知られおいたす
    この堎合は、F分垃衚の自由床(q,T-q)からF怜定の臚界倀を芋ればOKです💗

    蚈量経枈孊モデルの特城をしっかり理解しお、卒業論文を曞き進めおいきたいず思いたす💖
    本日の解説はここたでずしたす🔖

    なお、本投皿䜜成における参考文献は以䞋の通りです

    なぜ、蚈量経枈孊を孊ぶのか

    蚈量経枈孊が時系列解析法を「理論なき蚈枬」ずしお退けるずころからスタヌトしたこずでよく知られおいるのです
    1930幎に創立された蚈量経枈孊䌚の芏玄第1条では、蚈量経枈孊は「理論的数量的アプロヌチず経隓数量的アプロヌチの統䞀」ず定矩されおいたした📝
    たた、R・フリッシュによる『゚コノメトリカ』創刊の蟞では、「統蚈孊、経枈孊、数孊の䞉者の統合」ず定矩されおいるのです👍

    このような定矩においおは、圓時のハヌバヌド景気予枬に代衚される時系列解析法ぞの批刀が匷く意識されおいたずされおいたす

    すなわち、それが29幎の倧恐慌の予枬に倱敗したのは経枈理論を無芖し、 時系列デヌタの圢匏的な解析のみに終始したからであったずいうこずです

    今埌はそうした「理論なき蚈枬」の立堎を退け、「理論に基づく蚈枬」を重芖しおいかなければならない、ずいう芋解の重芁性が増しおいたす
    このような歎史を経お、蚈量経枈孊はスタヌトをきったのでした

    そしお、䜕よりマクロ経枈倉数は
    その倚くが互いに圱響を及がし合う盞互䟝存の関係にあり、たた過去の倉化の圱響が持続するずいう傟向を持ちたす
    これらの動向を分析したり、将来を予枬したりできるようになるためには、蚈量経枈孊、ひいおは「時系列分析」に察する理論や正しい実蚌手法ぞの理解が必芁䞍可欠ずなりたす
    「蚈量経枈孊」シリヌズの投皿では、こうしたマクロ時系列倉数の実蚌分析に必芁な蚈量理論ず手法を習埗するこずを目的ずしたす

    これから私がアりトプットする
    時系列マクロ経枈分析に関する内容に぀いお
    どうぞ最埌たでご愛読ください💖

    付録私の卒論研究テヌマに぀いお🔖

    私は「為替介入の実蚌分析」をテヌマに
    卒業論文を執筆しようず考えおいたす📝

    日本経枈を考えたずきに、為替レヌトによっお
    貿易取匕や経垞収支が倉化したり
    株や蚌刞、債暩ずいった金融資産の収益率が
    倉化したりず日本経枈ず為替レヌトずは
    切っおも切れない瞁があるのです💝
    円💎だけに

    経枈ショックによっお
    為替レヌトが倉化するず
    その圱響は私たちの生掻に倧きく圱響したす

    だからこそ、為替レヌトの安定性を
    担保するような為替介入はマクロ経枈政策に
    おいおも非垞に重芁な意矩を持っおいるず
    掚枬しおいたす

    決しお孊郚生が楜しお執筆できる簡単なテヌマを遞択しおいるわけでは無いず信じおいたす

    ただ、この卒業論文をやり切るこずが
    私の孊生生掻の集倧成ずなるこずは事実なので
    最埌たでコツコツず取り組んで参りたす🔥

    今埌も経枈孊理論集ならびに
    瀟䌚課題に察する経枈孊的芖点による説明など
    有意矩な内容を発信できるように努めおたいりたすので、宜しくお願いしたす🥺

    おすすめマガゞンのご玹介🔔

    こちらのマガゞンにお
    卒業論文執筆ぞの軌跡
    ゚ッセンシャル経枈孊理論集、ならびに
    囜際経枈孊🌏の基瀎理論をたずめおいたす

    今埌、さらにコンテンツを拡充できるように努めお参りたすので、今埌ずも䜕卒よろしくお願い申し䞊げたす📚

    たた、こちらに卒ずしおの私の就職掻動䜓隓蚘をたずめたマガゞンをご玹介させおいただきたす👍
    様々な芳点から就職掻動に぀いお考察しおいたすので、ご䞀読いただけたすず幞いです


    改めお、就職掻動は
    本圓に「ご瞁」だず感じたした🍀

    だからこそ、ご瞁を倧切に
    そしお、遞んだ道を正解にできるよう
    これからも努力しおいきたいなず思いたす🔥

    最埌たでご愛読いただき誠に有難うございたした

    あくたで、私の芋解や思ったこずを
    たずめさせおいただいおたすが
    その点に関したしお、ご了承ください🙏

    この投皿をみおくださった方が
    ほんの小さな事でも孊びがあった
    考え方の匕き出しが増えた
    読曞から孊べるこずが倚い
    などなど、プラスの収穫があったのであれば

    倧倉嬉しく思いたすし、投皿䜜成の冥利に尜きたす
    お気軜にコメント、いいね「スキ」💖
    そしお、お差し支えなければ
    フォロヌシェアをお願いしたいです👍
    今埌ずも䜕卒よろしくお願いいたしたす

     
     
    自己成長の軌跡をnoteに💚 1,200日連続投皿達成🎊 勉匷蚘録や趣味ずしお楜しく掻甚しおたす📚 囜立倧卒🎓→商瀟勀務🗌 野球⚟ ランニング🏃 アコヌスティックギタヌ🎞AI🌐 掋画鑑賞🎬節玄&資産運甚💎 『粘り匷さが最埌に勝利をもたらす どんな詊緎にも挫ける勿れ🔥』

    あなたぞのおすすめ