analiza vremenskih serija - university of...
TRANSCRIPT
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 1
1
Analiza vremenskih serija
Zorica Mladenović
2
Struktura
Uvodne napomene Vremenska serija i slučajan proces Stacionarnost i osnovni modeli Uzroci nestacionarnosti. Jedinični koren Relevantnost prisustva jediničnog korena i
regresiona analiza nestacionarnih vremenskih serija
Test jediničnog korena Kointegracija Test kointegracije
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 2
3
Vrste podataka
Podaci vremenskih serija • Godišnji, kvartalni mesečni, dnevni, kako se
obavi transakcija.
Podaci preseka (strukture)• Vrednosti različitih promenljivih koje definišu
strukturu u datom trenutku vremena.
Podaci panela• Kombinacija podataka vremenskih serija i
podataka preseka.
4
Osnovno svojstvo vremenske serije: autokorelacija
Vremenska serija je niz podataka koji je uređen u odnosu na vreme
To uređenje se obično ostvaruje u jednakim vremenskim intervalima: godina, mesec, dan, čas,...
Primer: podatak o indeksu cena u maju 2018. dolazi nakon podatka o datom indeksu u prethodnom mesecu, aprilu 2018.
Uključivanjem novih podataka proširuje se dati niz, dok se postojeći redosled u nizu ne menja.
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 3
5
Osnovno svojstvo vremenske serije: autokorelacija(II)
Uobičajena notacija: Xt, t=1,2,…,T t – linearni trend: indeks koji uzima vrednosti od 1 to T i T je
ukupan broj podataka (obim uzorka) Skraćenica za skup opservacija: X1, X2,…, XT.
Vrlo je verovatno da Xt-1 (bar delimično) određuje nivo Xt: ima smisla analizirati Xt-1 pre nego što se pristupi analizi Xt. Podaci tokom vremena su korelisani. Korelisanost tokom vremena se uobičajeno naziva
autokorelacija.
Osnovni svrha analize vremenskih serija: otkriti tip autokorelacije u datoj vremenskoj seriji.
6
Osnovna razlika između ekonometrijskog i pristupa analize vremenskih serija
Standardni ekonometrijski pristup:
Y=f(X1, X2,…), gde su X1, X2,… promenljive koje sugeriše ekonomska teorija.
Pristup analize vremenskih serija:
Yt=f(Yt-1, Yt-2,…)
Ignorišu se objašnjavajuće promenljive koje sugeriše teorija Ono što se dešavalo sa Yt u prošlosti je dovoljno za modeliranje. Uobičajeni termin za t-1, t-2, itd., je docnja prvog reda, docnja
drugog reda i sl.
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 4
7
Ključna svojstva ekonomskih vremenskih serija
Postojanje trenda
Postojanje sezonskih varijacija
Postojanje nestandardnih opservacija –strukturni lom
Nestabilna varijansa
8
Trend
Označava dugoročnu komponentu u kretanju. Podaci najvećeg broja makroekonomskih vremenskih
serija sistematski rastu ili padaju tokom vremena. Ova tendencija rasta (pada) može biti stohastička ili
deterministička. Stohastički trend: u trenutku t-1 ne možemo znati nivo
promenljive u trenutku t. Deterministički trend: funkcija oblika a+bt (a,b=const)
određuje kretanje vremenske serije u svakom trenutku vremena.
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 5
9
Primer stohastičkog trenda u privredi Srbije: javni dug kvartalni podaci (2008:4 – 2015:4)
20
30
40
50
60
70
80
2008 2009 2010 2011 2012 2013 2014 2015
Javni dug Srbije (udeo u BDP, %)
10
Primer stohastičkog trenda u privredi Srbije: ukupna devizna štednja stanovništva u bankama, mesečni podaci (2004:1 – 2016:12)
0
200,000
400,000
600,000
800,000
1,000,000
1,200,000
04 05 06 07 08 09 10 11 12 13 14 15 16
Ukupna devizna štednja stanovništva
(u milionima dinara na kraju perioda)
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 6
11
Primer determinističkog trenda: konsolidovani javni prihodi u Srbiji (2010:1 – 2017:11)
80,000
100,000
120,000
140,000
160,000
180,000
200,000
2010 2011 2012 2013 2014 2015 2016 2017
Konsolidovani javni prihodi (u milionima dinara)
12
Postojanje sezonskih varijacija
Vremenske serije ispoljavaju pravilnosti u kretanju u toku jedne kalendarske godine.
Kvartalni ili mesečni podaci
Veća korelisanost između podataka istih kvartala (meseci) različitih godina nego između susednih kvartala (meseci) iste godine.
Sezonske varijacije mogu biti stohastičke ili determinističke
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 7
13
Postojanje sezonskih varijacija u mesečnim podacima privrede Srbije
Indeks industrijske proizvodnje (2009:1-2018:2)
70
75
80
85
90
95
100
105
110
2009 2010 2011 2012 2013 2014 2015 2016 2017
Indeks industrijske proizvodnje (2017=100)
Postojanje sezonskih varijacija u mesečnim podacima privrede Srbije II
Indeks proizvodnje električne energije (2005:1-2013:12)
60
70
80
90
100
110
120
130
2005 2006 2007 2008 2009 2010 2011 2012 2013
Indeks snabdevanja elektricnom energijom, gasom i parom (2016=100)
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 8
15
Postojanje strukturnog loma
Egzogeni događaji mogu uticati na promenu u kretanju vremenske serije (tzv. intervencija)
Primeri egzogenih događaja: promena režima ekonomske politike (devalvacija valute i promena
politike dev. kursa, liberalizacija spoljno-trgovinskog poslovanja) globalna recesija promena cene sirove nafte na svetskom tržištu politički događaji promena obračuna ekonomske veličine, itd.
Rezultat: pojava strukturnog loma (engl. outliers) Strukturni lom: jedna ili više opservacija koje nisu saglasne sa
prethodnim skupom podataka
16
Vrste strukturnog loma (II)
Jednokratna promena
Trajna promena determinističke komponente trenda
• Odsečka funkcije trenda
• Nagiba funkcije trenda
• Odsečka i nagiba funkcije trenda
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 9
17
Primer jednokratnog strukturnog loma: indeks snabdevanja el. energijom, gasom i parom u Srbiji (2005:1-2017:1)
50
60
70
80
90
100
110
120
130
05 06 07 08 09 10 11 12 13 14 15 16
Indeks snabdevanja elektricnom energijom, gasom i parom (2016=100)
Poplave
18
Trajna promena odsečka i nagiba funkcije trenda: nominalni devizni kurs u Srbiji
(2002:1 - 2016:12)
50
60
70
80
90
100
110
120
130
02 03 04 05 06 07 08 09 10 11 12 13 14 15 16
Nominalni devizni kurs dinara prema evru (kraj perioda)
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 10
19
Trajna promena odsečka i nagiba funkcije trenda: indeks prometa u trgovini na malou Srbiji (2003:1 - 2018:2)
40
60
80
100
120
140
160
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17
20
Nestabilna (vremenski promenljiva) varijansa
Svojstvo vremenskih serija na finansijskim tržištima (cenafinansijskih instrumenata).
Učesnici na berzi reaguju na svaku novu informaciju tako štoprodaju postojeće ili kupuju nove akcije. To dovodi do promenecene.
Detaljnije sagledavanje nove informacije može uticati nasmirivanje berze, odnosno na pad obima transakcija.
Dolazak nove vesti utiče na rast varijabiliteta, koji se potomsmanjuje, a ponovni rast varijabiliteta se može očekivati sapojavom nove informacije.
Termin: uslovna varijansa (standardna devijacija) – volatilnost.
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 11
21
Dnevna cena nafte (dolar/barel) i stopa rasta (%) Londonska berza, tip ’brent’4. januar, 2005 – 22. januar, 2018.
0
40
80
120
160
06 08 10 12 14 16
Dnevna cena nafte (dolar/barel)
‐20
‐10
0
10
20
06 08 10 12 14 16
Dnevna stopa rasta cene nafte (%)
0
2
4
6
8
06 08 10 12 14 16
Ocenjena uslovna standardna devijacija ‐ volatilnost
stope rasta cene nafte
22
Slučajan proces i vremenska serija
Slučajan proces: niz slučajnih promenljivih koje su uređene u odnosu na vreme
Uobičajena oznaka:
Vremenska serija:
I koncept: jedna realizacija slučajnog procesa
II koncept: ne postoji razlika između vremenske serije i slučajnog procesa
Termine koristimo kao sinonime: vremenski niz slučajnih promenljivih.
,...2,1t,X
,...X,X
t
21
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 12
23
Stacionarnost I
Stacionarnost vremenske serije: vremenska serija se kreće po prepoznatljivoj putanji tokom vremena
Dva koncepta: stroga i slaba stacionarnost
Definicija slabe stacionarnosti:
,...,,..., k,t),k(f)X)(X(EX,Xcov.
,...,t,const)X(EXv.
,...,t,const)X(E.
t-ktktt
tt
t
21213
212
2112
24
Stacionarnost II
Očekivana vrednost i varijansa slabo stacionarne vremenske serije su invarijantne u odnosu na vreme. Transliranjem u vremenu ove dve veličine se ne menjaju.
Kovarijansa između članova vremenske serije zavisi samo od rastojanja (docnje), a ne od vremenskog trenutka. To znači da je za datu docnju k kovarijansa ista:
1,2,... tik dato za cov ,constX,X ktt
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 13
25
Najjednostavniji primer stacionarne vremenske serije: beli šum (engl. white noise)
1,2,...k 1,2,...,t
1,2,...t
,)(E,cov
,const)ε(Eεv
,...,t,)ε(E
kttktt
tt
t
0
21022
Niz nekorelisanih slučajnih promenljivih nulte srednje vrednosti i stabilne varijanse
26
Gausov beli šum
, ,...,t,:
,)(E,cov
,const)(Ev
,...,t,)(E
t
kttktt
tt
t
210Ν
0
210
2
22
1,2,...k 1,2,...,t
epromenljiv sl. nezavisne su serije vremenske Članovi
1,2,...t
Niz nezavisnih slučajnih promenljivih koje su normalno raspodeljene sa nultom srednjom vrednošću i stabilnom varijansom
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 14
27
Gausov beli šum: grafički prikaz
0
2
4
6
8
10
12
14
16
18
20
22
24
26
-2 -1 0 1 2 3
Ser ies: etSample 1 200Observations 200
Mean 0.088759Maximum 2.758193Minimum -2.604917Std. Dev. 0.951387
-3 . 0
-2 . 5
-2 . 0
-1 . 5
-1 . 0
-0 . 5
0 . 0
0 . 5
1 . 0
1 . 5
2 . 0
2 . 5
3 . 0
2 5 5 0 7 5 1 0 0 1 2 5 1 5 0 1 7 5 2 0 0
G e n e r is a n i G a u s o v be l i s u m ( e t )
28
Beli šum - dodatno
Bela svetlost – disperzijom kroz kristalnu prizmu dobijaju se osnovne boje spektra koje se javljaju sa jednakim ponderom
Spektar bele svetlosti: komponente na nižim i višim frekvencijama imaju identičan udeo.
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 15
29
Osnovni modeli stacionarnih vremenskih serija
Autoregresioni modeli (AR)
Modeli pokretnih sredina (PS, engl. MA)
Autoregresioni modeli pokretnih sredina (ARPS, engl. ARMA)
30
Opšte forme modela stacionarnih vremenskih serija
AR(p) model
PS(q) model
ARPS(p,q) model
Parametri modela su:
qtqttt
ptpttt
...
X...XXX
2211
22110
tptpttt X...XXX 22110
qtqtttt ...X 2211
qp ,...,,,,...,,, 21210
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 16
31
Jednostavni modeli:
AR(1):
AR(2):
PS(1):
PS(2):
ARPS(1,1):
ARPS(2,1):
11110 tttt XX
ttt XX 110
tttt XXX 22110
2211 ttttX
11 tttX
1122110 ttttt XXX
32
Značaj modela
Nisu opterećeni postavkama ekonomske teorije
Jednostavni su za ocenjivanje, jer obično ne sadrže veliki broj parametara
Pouzdani za prognoziranje budućeg kretanja vremenske serije za horizont predviđanja do godine dana
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 17
33
Primer AR(1) modela
- 5
- 4
- 3
- 2
- 1
0
1
2
3
4
5
5 0 1 00 1 5 0 2 0 0 2 5 0 3 0 0 3 5 0 4 0 0
X t= 0 .7 * X t- 1 + e t
-5
-4
-3
-2
-1
0
1
2
3
4
5
5 0 1 0 0 1 5 0 2 0 0 2 5 0 3 0 0 3 5 0 4 0 0
X t= - 0 .7 * X t- 1 + e t
34
Primer PS(1) modela
- 5
- 4
- 3
- 2
- 1
0
1
2
3
4
50 100 150 200 250 300 350 400
X t= et+ 0 . 8et-1
- 4.0
- 3.5
- 3.0
- 2.5
- 2.0
- 1.5
- 1.0
- 0.5
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0
50 100 150 200 250 300 350 400
X t= et-0 .8et-1
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 18
35
Uslov stacionarnosti kod AR(1) modela:autoregresioni parametar je po modulu strogo manji od jedan,
.σ
...σ) v(X
. Tada je:i je da vaz neophodnoa konacna,ijansa bilvarDa bi
...σ...v) v(X
X...
...
X
X
X X
t
tttttt
alninicija
tttttt
tttt-
ttt-
tt-t
21
2
1
1
61
41
21
2
1
61
41
21
21
113
312
2111
0111
13312
2111
112312
1
1211
11
11
1
1
21
11
36
Šta se dešava za ?
!!rna!nestaciona je serija Vremenska
).t(ftσ...v) v(X
XX... X
X...X
X X
ttttt
t
jjttttt
ttttttt
tt-t
2
1321
1001321
0111
13312
2111
1
11
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 19
37
Najjednostavnija nestacionarna v. serija: slučajan hod (klasičan)
Prva diferenca serije je stacionarna.
1 01
20
1
2
E( ) , v( )
E( ) 0, v( ) v( )
t
t t t t jj
t t
t t t
t t
t t t
X X X X
X X X t
X X
X
X X
38
Klasičan slučajan hod: grafički prikaz
-8
-4
0
4
8
12
50 100 150 200 250 300
Xt=Xt-1+et
-3
-2
-1
0
1
2
3
4
50 100 150 200 250 300
Xt-Xt-1= et
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 20
39
Alternativni termini za slučajan hod
Vremenska serija sa stohastičkim trendom
Integrisano-stacionarna vremenska serija
Vremenska serija sa jediničnim korenom
40
Alternativni termini:Vremenska serija sa stohastičkim trendom
Na osnovu informacije o prethodnom kretanju vremenske serije ne možemo predvideti njeno kretanje u budućnosti. U suprotnom, kada bi trend bio deterministički, tada bi i prognoza bila pouzdana.
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 21
41
Alternativni termini II:Integrisano-stacionarna vremenska serija
Vremenska serija dobija se na osnovu zbira članova belog šuma.
Operaciji sabiranja u diskretnom prostoru odgovara postupak integraljenja neprekidnih veličina.
Reč je o integrisanom procesu prvog reda, gde red 1 pokazuje koliko puta treba diferencirati seriju da bi se dobila njena stacionarna reprezentacija.
Ako je prva diferenca stacionarna, tada je vremenska serija integrisana reda 1. Oznaka: Xt~I(1).
Za stacionarnu vremensku seriju kažemo da je integrisana reda 0.
• Beli šum: t~I(0).
• Prva diferenca serije Xt~I(1): Xt~I(0).
42
Alternativni termini III:Vremenska serija sa jediničnim korenom
AR(1) model:
Pridružuje se jednačina čije je rešenje (koren) g:
Otuda potiče naziv jedinični koren.
Broj jediničnih korena odgovara nivou integrisanosti vremenske serije, odnosno broju postupaka diferenciranja potrebnih za stacionarnu reprezentaciju vremenske serije.
1 1
1 1
t t t
t t t
X X
X X
1 1
1
- 0
Za 1, koren je jedan.
g g
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 22
43
Rezime uvedenih termina
Ako vremenska serija ima d jediničnih korena, onda je ona integrisana reda d, i treba je diferencirati d puta da bi se obezbedila njena stacionarna reprezentacija.
)0(I~X)d(I~X
korena jedinicnih d ima erijaS
td
t
44
Digresija o diferenci vremenske serije
Prva diferenca primenjena jednom:
Prva diferenca primenjena dva puta, druga diferenca:
1ttt XXX
1 1 2
21 1 22
t t t t
t t t t t t t
X X X X
X X X X X X X
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 23
45
Kako izgleda vremenska serija sa dva jedinična korena?
0
100
200
300
400
500
25 50 75 100
Xt~I(2)
-2
0
2
4
6
8
10
25 50 75 100
Prva diferenca Xt ~ I(1)
-3
-2
-1
0
1
2
3
25 50 75 100
Druga diferenca Xt ~ I(0)
Dva tipa slučajnog hoda
Naziv Forma E(Xt)
Slučajan hodklasični
Xt = Xt-1 + t0
Slučajan hod
sa konstantnim prirastom
Xt = Xt-1+ β+t β
46
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 24
47
Slučajan hod sa konstantnim prirastom
.)()X,)X,X
,XX,t
,XX,t
...tXX
X...t...XX
XX
,
,),),),XX
ttttt
ttt
tttttt
t
X
tt
kttttttt
tt
2
1202
101
110
01121
1
21
22
1
2
0
000
12
vv( E(
:rnostnestaciona se eliminise diference prve operatora Primenom
vrednost za uvecava se serije vremenske clana
narednog svakog komponenta tickaDeterminis
itd.
prirast konstantni
.k E( v( E(
t
48
Slučajan hod sa konstantnim prirastom: grafički prikaz generisanih podataka
0
50
100
150
200
250
50 100 150 200 250 300
Xt=0.7+Xt-1+et
-3
-2
-1
0
1
2
3
4
50 100 150 200 250 300
X-Xt-1=0.7+et
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 25
49
Zašto je važno utvrditi prisustvo jediničnog korena?
Postoje dva osnovna razloga koji čine relevantnom podelu na stacionarne i nestacionarne veličine
Statistički
Ekonomski
50
Statistički razlozi
Primena standardne statističke procedure i metoda ONK nepouzdana je u regresionoj analizi vremenskih serija sa jediničnim korenom. Ocene parametara su pristrasne i nekonzistentne. Ocene parametara nemaju normalnu raspodelu. To
znači da statističko zaključivanje zasnovano na t-odnosu i F-testu značajnosti koeficijenta determinacije nije tačno.
Moguća je pojava besmislene regresije. Ovim pojmom označava se regresija sa visokim vrednostima koeficijenta determinacije i t-odnosa (po modulu) između vremenskih serija sa jediničnim korenom, ali koje su potpuno nezavisne.
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 26
51
Značajna istraživanja
Yule (1926) Empirijska analiza; Udeo broja brakova sklopljenih u
Engleskoj crkvi u odnosu na ukupan broj i mortalitet na 1000 osoba prema godišnjim podacima Engleske i Velsa u periodu: 1866-1911. (R2=0.91)
Granger and Newbold (1974) Simulaciona analiza
Hendry (1980) Empirijska analiza; Inflacija i kumulisana količina padavina
u V. Britaniji prema kvartalnim podacima u periodu: 1964-1975. (R2=0.99)
Phillips (1986) TEORIJSKI DOKAZI
52
Ekonomski razlozi
Razlika između vremenske serija sa i bez jediničnog korena ima jasnu ekonomsku implikaciju: Uticaj slučajnih šokova na nivo stacionarne vremenske serije
slabi tokom vremena Efekat šoka na nivo vremenske serije sa jediničnim korenom
ima trajno dejstvo za neodređeni period vremena. Ova razlika posebno dolazi do izražaja u teoriji poslovnih
ciklusa: ako vremenska serija BDP sadrži jedinični koren, tada njeno odstupanje od dugoročnog trenda neće biti povremeno, kako naglašava tradicionalna teorija, već permanentno za neodređeni period vremena.
Prisustvo jediničnog korena sugeriše da negativni šokovi iz faze recesije mogu trajno redukovati nivo BDP.
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 27
53
Ekonomski razlozi: pionirski rad
Nelson and Plosser(1982), Journal of Monetary Economics Jedan od prvih radova provere postojanja
jediničnih korena u makroekonomskim veličinama
Realni i nominalni BDP privrede SAD poseduju jedinični koren
Ukupno je posmatrano 14 vremenskih serija i u većini je detektovano prisustvo jediničnog korena
Godišnji podaci u periodu: 1860.(1909.) – 1970.
54
Slučajan hod u ekonomskim analizama: analiza efikasnosti finansijskog tržišta
Koncept (slabe) efikasnosti finansijskog tržišta: prethodno kretanje stopa prinosa finansijskih instrumenata ne utiče na njihovo buduće kretanje.
Na efikasnom finansijskom tržištu cene u svakom trenutku inkorporiraju sve faktore na strani ponude i potražnje, pa se menjaju samo sa pojavom nove vesti.
Koncept efikasnog tržišta čini model slučajnog hoda relevantnim za opisivanje kretanja logaritma cena finansijskih instrumenata:
Ukoliko logaritam cena prati putanju slučajnog hoda, tada je odgovarajuća stopa prinosa (prva diferenca logaritma datih cena) jednaka procesu beli šum. To znači da do promene cena dolazi slučajno, i to isključivo kao rezultat nove informacije. Tada možemo smatrati da je finansijsko tržište efikasno.
ttttttt PlnPlnPlnPlnPln 11
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 28
55
Slučajan hod u ekonomskim analizama: analiza dostignutog stepena konvergencije
Teorija privrednog rasta: nivoi BDP per capita u dve zemlje međusobno konvergiraju ako je njihov količnik (razlika) stacionarna vremenska serija sa nultom srednjom vrednošću. U suprotnom, prisustvo j. korena sugeriše odsustvo tendencije ka konvergenciji.
Monetarna ekonomija: za zemlje EMU (sa jedinstvenom valutom) konvergencija stopa inflacija značajna je kako bi jedinstvena monetarna politika ECB bila delotvorna na različitim tržištima. Prisustvo jediničnog korena u razlici parova stopa inflacije sugeriše da efikasnost monetarne politike nije obezbeđena.
Kako prevazići problem primene regresione analize kod serija sa jediničnim korenom?
Transformišemo vremenske serije u stacionarne i ocenjujemo zavisnosti prvih diferenci.
Problem: gde su nam ocene dugoročnih ravnotežnih veza?
Dugoročne ravnotežne veze odražavaju sistemske odnose u ekonomiji. Njihovaanaliza je bitna.
Profesor Zorica Mladenović 5/10/2018
Ekonomski fakultet, Beograd, 2018. 29
Rešenje problema: kointegracija(engl. co-integration)
Rezultat vredan Nobelove nagrade za ekonomiju koja je dodeljena Grejndžeru (engl. Granger) 2003. godine.
Fundamentalni okvir modeliranja međuzavisnosti ekonomskih veličina