مدل بردارهای خودبرگشتی

بردارهای خود برگشتی یکی از مدل‌های اقتصادسنجی است که برای کنترل کردن همبستگی‌های بینابینی در میان چند سری زمانی استفاده می‌شود و در واقع تعمیمی از مدل‌های خودرگرسیونی است. تمامی متغیرها در مدل برداهای خود برگشتی به صورت نظام مند توسط متغیرهای دوران گذشته خود و دیگر عناصر مدل در یک معادله تعریف می‌شوند. بر این اساس Christopher Sims، از مدل بردارهای خودبرگشتی به عنوان روشی فارغ از تئوری دفاع می‌کنند . .

تعریف

یک مدل بردارهای خودبرگشتی به دنبال توضیح رویهٔ تکاملی یک مجموعه $k$ متغیره (که به آنها متغیرهای درون زا گفته می‌شود) در دورهٔ آماری یکسان و با استفاده از تابع خطی تنها از مقادیر قبلی شان می‌باشد. متغیرها در یک بردار k × ۱ بعدی به نام y_t جمع می‌شوند که عنصر i^th آن y_i،t است، عنصر مشاهده شده در دورهٔ t از متغیر y_i. یک مدل کاهشی از مرتبهٔ $p$ بردارهای خودبرگشتی که با $VAR(p)$ نمایش داده می‌شود به شکل زیر است،

 :$y_t = c + A_1 y_{t-1} + A_2 y_{t-2} + \cdots + A_p y_{t-p} + e_t,$

جاییکه c یک بردار  × ۱ از مقادیر ثابت، A_i یک ماتریس k × k، و e_t یک بردار  × ۱ از عناصر خطا می‌باشد که در خصوصیات زیر صدق می‌کنند،

1. $\mathrm{E}(e_{t}) = 0\,$
2. $\mathrm{E}(e_{t}e_{t}') = \Omega\,$
3. $\mathrm{E}(e_{t}e_{t-k}') = 0\,$

مشاهدهٔ l دوره قبل y_t−l l امین تاخیر y می‌شود. در نتیجه به مدل بردارهای خودبرگشتی مرتبهٔ p مدل بردارهای خودبرگشتی با p تاخیر نیز گفته می‌شود.

مرتبهٔ تجمیع متغیرها

باید دقت کرد که تمامی متیرها باید مرتبهٔ تجمیع یکسانی داشته باشند. در این صورت ما موارد پایین را خواهیم داشت:

• همهٔ متغیرها $I(0)$ هستند(یعنی مانا هستند).
• همهٔ متغیرها $I(d)$ هستند (نامانا) با $d>0$.
  • متغیرها هم تجمیعی هستند.: عنصر تصحیح خطا باید در مدل وارد شود. مدل تبدیل به مدل تصحیح خطای برداری می‌شود (VECM) که در واقع نوعی مدل بردارهای خودبرگشتی مقید است.
  • متغیرها هم تجمیعی نیستند: ابتدا لازم است تا از متغیرها d مرحله تفاضل گیری شود تا به مدل بردارهای خودبرگشتی تفاضلی برسیم.

نمایش ماتریسی

مدل بردارهای خودبرگشتی از مرتبهٔ p را می‌توان بطور خلاصه با ماتریس‌ها به شکل زیر نمایش داد:

$Y=BZ +U \,$

مثال

یک مدل بردارهای خودبرگشتی از مرتبهٔ ۱ را می‌توان به فرم ماتریسی زیر نوشت:

$\begin{bmatrix}y_{1,t} \\ y_{2,t}\end{bmatrix} = \begin{bmatrix}c_{1} \\ c_{2}\end{bmatrix} + \begin{bmatrix}A_{1,1}&A_{1,2} \\ A_{2,1}&A_{2,2}\end{bmatrix}\begin{bmatrix}y_{1,t-1} \\ y_{2,t-1}\end{bmatrix} + \begin{bmatrix}e_{1,t} \\ e_{2,t}\end{bmatrix},$

و یا معادلا به صورت دستگاه دو معادلهٔ زیر:

$y_{1,t} = c_{1} + A_{1,1}y_{1,t-1} + A_{1,2}y_{2,t-1} + e_{1,t}\,$

$y_{2,t} = c_{2} + A_{2,1}y_{1,t-1} + A_{2,2}y_{2,t-1} + e_{2,t}.\,$

باید دقت کرد که برای هر متغر مدل یک معادله وجود دارد. همچنین سطح یک متغر در دورهٔ t به تاخیرهای خود و دیگر متغیرهای مدل مرتبط است.

نوشتن $VAR(p)$ به فرم $VAR(1)$

یک مدل داده‌های خودبرگشتی از مرتبهٔ p همیشه می‌تواند با دوباره جایگذاری متغیر وابسته به مرتبهٔ ۱ تبدیل شود. برای مثال، مدل $VAR(2)$

$y_{t}=c + A_{1}y_{t-1} + A_{2}y_{t-2} + e_{t}$

را می‌توان به فرم زیر از $VAR(1)$ نوشت.

$\begin{bmatrix}y_{t} \\ y_{t-1}\end{bmatrix} = \begin{bmatrix}c \\ 0\end{bmatrix} + \begin{bmatrix}A_{1}&A_{2} \\ I&0\end{bmatrix}\begin{bmatrix}y_{t-1} \\ y_{t-2}\end{bmatrix} + \begin{bmatrix}e_{t} \\ 0\end{bmatrix},$

جایی که I ماتریس واحد است. مدل$VAR(1)$ بدست آمده برای تحلیل راحت تر است.

منابع و مراجع

• Walter Enders, Applied Econometric Time Series, 2nd Edition, John Wiley & Sons 2003, ISBN 0-471-23065-0
• James D. Hamilton. Time Series Analysis. Princeton University Press. 1995.
• Helmut Lütkepohl. New Introduction to Multiple Time Series Analysis. Springer. 2005.
• Zellner (1962) An Efficient Method of Estimating Seemingly Unrelated Regressions and Tests for Aggregation Bias. Journal of the American Statistical Association, Vol. 57, No. 298 (Jun., 1962), pp. 348–368.
• Hacker, R. S. and Hatemi-J, A. (2008). "Optimal lag-length choice in stable and unstable VAR models under situations of homoscedasticity and ARCH," Journal of Applied Statistics, vol. 35(6), pages 601-615.
• Hatemi-J A. (2004). "Multivariate tests for autocorrelation in the stable and unstable VAR models," Economic Modelling, Vol. 21(4), Pages 661-683.
• Hatemi-J A. & R. S. Hacker, (2009). "Can the LR test be helpful in choosing the optimal lag order in the VAR model when information criteria suggest different lag orders?," Applied Economics, vol. 41(9), pages 1121-1125.