Основной
вывод состоит в том, что использование рег-
рессии на время имеет серьезные последствия, когда в дей-
ствительности временной ряд относится к классу DSP и,
следовательно, адекватной процедурой для исключения трен-
да является переход к разностям.
Теперь предположим, что истинной является модель ли-
нейного тренда, а мы перешли к разностям. Тогда ошибка
имеет характер скользящей средней, и в
худшем
случае
иг-
норирование этого приведет к неэффективным оценкам.
Например,
пусть истинная модель
гдем, — независимы, с нулевым средним и постоянной диспер-
сией.
Если перейти к первым разностям, то получим
где ошибка V,
==
Дм,
—
u
t
—
«,_, является скользящей средней
и,
следовательно, автокоррелированной. В этом
случае
оце-
нивание
МНК уравнения для первых разностей все еще
дает
состоятельные оценки. Таким образом, последствия перехо-
да к разностям, когда этого не требуется, намного менее
серьезны, чем те, что связаны с непереходом к разностям,
когда это обусловлено свойствами ряда, т.е. когда истинная
модель относится к классу DSP.
Нельсон
и Плоссер применили критерий Дикки — Фул-
лера для проверки широкого круга исторических времен-
ных рядов, описывающих экономику США, и пришли к вы-
воду,
что во
всех
случаях
следует
принять гипотезу DSP, за
исключением нормы безработицы. Они
делают
вывод, что
для большинства экономических временных рядов модель
DSP
более адекватна, а модель TSP была бы подходящей
только, если предположить, что ошибки u
t
в
(12.1)
сильно
автокоррелированы.
Таким
образом, для
учета
тренда на практике
лучше
использовать переход к разностям и строить регрессии на
их основе, чем регрессии для уровней с временем в качестве
Дополнительной объясняющей переменной.
А теперь рассмотрим подробнее процедуру Дикки -
Фуллера.
272