Modèle à correction d`erreur sous r

Afin d`utiliser toujours l`approche de Box – Jenkins, on pourrait différencier la série et ensuite estimer des modèles tels que ARIMA, étant donné que de nombreuses séries chronologiques couramment utilisées (par exemple en économie) semblent être stationnaires dans les premières différences. Les prévisions d`un tel modèle refléteront toujours les cycles et la saisonnalité qui sont présents dans les données. Toutefois, toute information sur les ajustements à long terme que les données contenues dans les niveaux peuvent contenir est omis et les prévisions à plus long termes ne seront pas fiables. Cette fonction est juste un wrapper pour le lineVar, avec Model = “VECM”. Dans le cas des obligations américaines et des fonds exemple, le modèle de correction d`erreur peut être construit comme dans l`équation ref{EQ: bferrorcorrection12}. linevar tvar et tvecm pour les modèles de seuils de correspondante. linéaire pour le modèle AR univarié. L`approche Engle – Granger décrite ci-dessus souffre d`un certain nombre de faiblesses. À savoir, il est limité à une seule équation avec une variable désignée comme variable dépendante, expliquée par une autre variable qui est supposée être faiblement exogènes pour les paramètres d`intérêt. Il s`appuie également sur le prétest des séries chronologiques pour savoir si les variables sont i (0) ou i (1). Ces faiblesses peuvent être abordées par l`utilisation de la procédure de Johansen. Ses avantages comprennent que le prétest n`est pas nécessaire, il peut y avoir de nombreuses relations de cointégration, toutes les variables sont traitées comme endogènes et les tests relatifs aux paramètres à long terme sont possibles. Le modèle résultant est connu comme un modèle de correction d`erreur vectorielle (VECM), car il ajoute des fonctions de correction d`erreur à un modèle multi-facteur appelé autorégression vectorielle (VAR).

La procédure se fait comme suit: la fonction (R ) qui estime un modèle non linéaire tel que celui de l`équation ref{EQ: bferrorcorrection12} est NLS, ce qui nécessite trois argumants principaux: une formule, qui est le modèle de régression à estimer écrit à l`aide opérateurs mathématiques de texte régulier, un début = liste de valeurs deviné ou autrement approximées des paramètres estimés pour initier un processus d`optimisation numérique Gauss-Newton, et Data = une source de données, une liste ou une image de données d`environnement. Veuillez noter que les données ne peuvent pas être une matrice. La deuxième étape consiste ensuite à estimer le modèle à l`aide des moindres carrés ordinaires: y t = β 0 + β 1 x t + ε t {displaystyle y_ {t} = beta _ {0} + beta _ {1} x_ {t} + varepsilon _ {t}} si la régression n`est pas fausse, comme le déterminent les critères , Les moindres carrés ordinaires ne seront pas seulement valides, mais en fait Super cohérents (stock, 1987). Ensuite, les résidus prévus ε t ^ = y t − β 0 − β 1 x t {displaystyle {hat {varepsilon _ {t}}} = y_ {t}-beta _ {0}-beta _ {1} x_ {t}} de cette régression sont enregistrées et utilisées dans une régression des variables différencées plus un terme d`erreur retardé le modèle utilise r_t à New York pour modèle sur 2 gal de retours à New York et à Londres (équation 3).