Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Notes
- 1.
- 2.
Beachten Sie, dass die Beobachtungen t = −p + 1, …, 0, 1, …, T aufgrund der bis zum Lag p verzögerten abhängigen Variablen als Regressoren einer effektiven Stichprobengröße T für das Regressionsmodell entsprechen. Die ersten t = −p + 1, …, 0 Beobachtungen werden als fix und gegeben angenommen. In Abschn. 13.3 wird aus diesem Grund von der bedingten Likelihood-Funktion gesprochen.
Darüber hinaus vereinfacht diese Annahme die Notation in den Beweisen, da die Summen, im Unterschied zur univariaten Betrachtung in Abschn. 5.2, von 1, …, T laufen und nicht von p + 1, …, T. Klarerweise ist es nur eine Geschmacksfrage, wie man die in der Praxis verfügbare Stichprobe bezeichnet.
- 3.
Alternativ kann man natürlich auch direkt die Gleichung Y = ΦX′ + Z transponieren. Ausgehend von Y ′ = XΦ′ + Z′ kann man dieselben Eigenschaften des vec-Operators und des Kronecker-Produkts wie in Gl. (13.2) verwenden, ohne Kommutationsmatrizen bemühen zu müssen.
- 4.
Die entsprechende Varianz-Kovarianzmatrix des Fehlervektors vec Z′ kann man ebenfalls einfach berechnen, direkt oder durch Anwendung der Kommutationsmatrix KnT auf die obige Varianz-Kovarianzmatrix.
- 5.
Es gilt sogar ein allgemeineres Resultat (siehe Deistler und Scherrer [74, Kapitel V]): Sei Γ(h) die Autokovarianzfunktion eines stationären Prozesses Xt mit positiv-definiter Varianz-Kovarianzmatrix der Innovationen und sei \(X_t(s) = (X_t^{\prime },X_{t-1}^{\prime }\), \(\ldots ,X_{t-s+1}^{\prime })'\). Dann gilt, analog definiert zur Matrix Γp von oben, dass die entsprechend zusammengefügte Block-Varianz-Kovarianzmatrix \(\boldsymbol {\Gamma }_s = \mathbb {V}(X_t(s)X_t(s)')\) positiv-definit ist für alle s ≥ 1.
- 6.
Der Unterschied bezüglich Mittelwertsbereinigung verschwindet im Wesentlichen, wenn man Parameterschätzung in einem VAR-Modell mit Konstante betrachtet, siehe etwa Lütkepohl [187].
- 7.
Konsistenz und asymptotische Normalität mit der exakt gleichen Grenzverteilung folgen auch ohne die in diesem Unterabschnitt zusätzlich unterstellte Normalitätsannahme. Unter den zuvor gemachten Annahmen ist die Quasi-Maximum-Likelihood-Schätzung asymptotisch exakt gleich effizient wie im Fall von normalverteilten Fehlern.
Es handelt sich bei L(Φ, Σ|Y ), wie zuvor erwähnt, um die bedingte Likelihood-Funktion, da die Beobachtungen X−p+1, …, X0 als gegeben betrachtet werden.
- 8.
Aufgrund des kleineren Strafterms führt die Schätzung mittels AIC-Kriterium zu höheren geschätzten Ordnungen als die Schätzung mit den beiden konsistenten Informationskriterien.
- 9.
Dieser erste Schritt steht ein wenig im Widerspruch zur Motivation zur Verwendung des Verfahrens, dass man kein parametrisches Modell spezifizieren muss, da man zwei univariate AR-Modelle zu spezifizieren hat. Darüber hinaus gilt, dass selbst wenn es sich beim bivariaten Prozess um einen vektor-autoregressiven Prozess handelt, die beiden Komponenten im Allgemeinen autoregressive Moving-average-Prozesse sind, siehe Zellner und Palm [287], was dazu führen kann, dass die AR-Ordnungen der geschätzten univariaten Modelle sehr groß sein können. Nicht zuletzt aus diesem Grund ist dieser Ansatz eher weniger gebräuchlich.
- 10.
- 11.
Es lohnt sich zu überlegen, warum die Konvergenz der Erwartungswerte einer Folge von integrierbaren nichtnegativen Zufallsvariablen Xt gegen null impliziert, dass die Wahrscheinlichkeit P(Xt > ε) gegen null konvergiert für jedes ε > 0. Außerdem ist sich in Erinnerung zu rufen, dass bei konstantem Grenzwert, Konvergenz in Verteilung und Konvergenz in Wahrscheinlichkeit äquivalent sind, siehe Theorem C.12 in Appendix C.
References
Andersen, L.C., Carlson, K.M.: A monetarist model for economic stabilization. Fed. Bank St. Louis Rev. 52, 7–25 (1969)
Andersen, L.C., Jordan, J.L.: Monetary and fiscal actions: A test of their relative importance in economic stabilization. Fed. Bank St. Louis Rev. 50, 11–23 (1968)
Brockwell, P.J., Davis, R.A.: Time Series: Theory and Methods, 2. Aufl. Springer, New York (1991)
Deistler, M., Scherrer, W.: Modelle der Zeitreihenanalyse. Birkhäuser, Basel (2018)
Geweke, J.F.: Inference and causality in economic time series models. In: Griliches, Z., Intriligator, M.D. (Hrsg.) Handbook of Econometrics, Bd. 2, Kap. 19, S. 1101–1144. Elsevier, Amsterdam (1984)
Granger, C.W.J.: Investigating causal relations by econometric models and cross-spectral methods. Econometrica 37, 424–438 (1969)
Hannan, E.J., Deistler, M.: The Statistical Theory of Linear Systems. Wiley, New York (1988)
Haugh, L.D.: Checking the independence of two covariance stationary time series: A univariate residual cross-correlation approach. J. Am. Stat. Assoc. 71, 378–385 (1976)
Lütkepohl, H.: New Introduction to Multiple Time Series Analysis. Springer, Berlin (2005)
Magnus, J.R., Neudecker, H.: Matrix Differential Calculus with Applications in Statistics and Econometrics. Wiley, Chichester (1988)
Neumann, M.J.M.: Zur relativen Bedeutung fiskalischer und monetärer Impulse. WSI-Mitteilungen 26, 14–25 (1973)
Pauly, P.: Monetarismus versus Fiskalismus: Theorie und empirische Evidenz. Wirtschaftsdienst 54, 373–380 (1974)
Pierce, D.A., Haugh, L.D.: Causality in temporal systems – Characterization and survey. J. Econ. 5, 265–293 (1977)
Reinsel, G.C.: Elements of Multivariate Time Series Analysis. Springer Series in Statistics. Springer, New York (1993)
Schönfeld, P.: Methoden der Ökonometrie. Band 1: Lineare Regressionsmodelle. Vahlen, Berlin/Frankfurt (1969)
Shaman, P., Stine, R.A.: The bias of autoregressive coefficient estimators. J. Am. Stat. Assoc. 83, 842–848 (1988)
Sims, C.A.: Money, income, and causality. Am. Econ. Rev. 62, 540–552 (1972)
Sims, C.A.: Comparison of interwar and postwar business cycles: Monetarism reconsidered. Am. Econ. Rev. 70, 250–257 (1980)
Tjøstheim, D., Paulsen, J.: Bias of some commonly-used time series estimates. Biometrika 70, 389–399, Corrigendum: 71 (1984), 656 (1983)
Tobin, J.: Money and income: Post hoc ergo propter hoc? Q. J. Econ. 84, 310–317 (1970)
Wiener, N.: The theory of prediction. In: Beckenbach, E.F. (Hrsg.) Modern Mathematics for Engineers, Series 1, S. 165–1987. McGraw-Hill, New York (1956)
Zellner, A.: An efficient method of estimating seemingly unrelated regressions and tests for aggregation bias. J. Am. Stat. Assoc. 57, 348–368 (1962)
Zellner, A.: Causality and econometrics. Carn.-Roch. Conf. Ser. Public Policy 10, 9–54 (1979)
Zellner, A., Palm, F.: Time series analysis and simultaneous equation econometric models. J. Econ. 2, 17–54 (1974)
Author information
Authors and Affiliations
Section Editor information
Rights and permissions
Copyright information
© 2022 Der/die Autor(en), exklusiv lizenziert durch Springer-Verlag GmbH, DE, ein Teil von Springer Nature
About this chapter
Cite this chapter
Neusser, K., Wagner, M. (2022). Schätzung und Modellierung vektor-autoregressiver Modelle im stationären Fall. In: Zeitreihenanalyse in den Wirtschaftswissenschaften. Studienbücher Wirtschaftsmathematik. Springer Gabler, Berlin, Heidelberg. https://doi.org/10.1007/978-3-662-64650-2_13
Download citation
DOI: https://doi.org/10.1007/978-3-662-64650-2_13
Published:
Publisher Name: Springer Gabler, Berlin, Heidelberg
Print ISBN: 978-3-662-64649-6
Online ISBN: 978-3-662-64650-2
eBook Packages: Life Science and Basic Disciplines (German Language)