Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model Modeling Long-run Relationship in Finance 1 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model OUTLINE VAR Model VECM Model 2 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VECTOR ERROR CORRECTION MODEL (VECM): Concept Model VECM VAR 3 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model การพิจารณา การทดสอบ Granger การทดสอบ Impulse ข้อมูล Causality Test Response Function แบบจ ำลอง VAR การทดสอบ การทดสอบความนิ่ง การทดสอบ Optimal Lag (Unit Root Test) Length Variance การทดสอบ Decomposition ปัญหาเศรษฐมิติ การทดสอบ แบบจ ำลอง Cointegration ECM BUILDING TEST FORECAST 4 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VECTOR AUTOREGRESSIVE MODEL (VAR): What is VAR? VAR is used for analyzing the interrelation of time series and the dynamics impacts of random disturbances (or innovations) on the system of variables … term vector is due to we are dealing with a vector of two (or more) variables VAR model captures the feedback effects allowing current and past values of the variables in the system 5 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VECTOR AUTOREGRESSIVE MODEL (VAR): What is VAR? The coefficients β 12 β 21 represent the contemporaneous effects of a unit change of x t on y t and of y t on x t , respectively. α 12 is the effect of a unit change of x t-1 on y t α 21 is the effect of a unit change of Y t-1 on x t 6 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model Standard VAR Model and u are shock on Y t and X t Structural VAR Model 7 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VAR MODEL: Step to run VAR STEP I: Test Stationary STEP II: Causality STEP III: Optimal Lag Length STEP IV: Impulse Response STEP V: Variance Decomposition 8 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VAR MODEL: Granger Causality Test • … is a test for causes and effects • X causes Y and whether Y causes X • X is exogeneity if current and past value of Y t do not affect X t GOLD WTI DJ X Y USD DUBAI 9 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VECM MODEL: Granger Causality Test 10 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VAR MODEL : Optimal Lag Length ปัจจัยที่เกิดความการล่าช้า o เหตุผลทางเทคนิค เช่น การผลิตจ าเป็นต้องกินเวลา และสินค้าถาวรสามารถ ใช้ได้หลายช่วงเวลา เป็นต้น o เหตุผลของระบบ เช่น การซื้อขายโดยใช้สินเชื่อ เป็นต้น o เหตุผลทางจิตวิทยา เช่นพฤติกรรมของมนุษย์มักจะเป็นไปตามความเคยชิน หรือการคาดการณ์ในอนาคตจะพึ่งประสบการณ์จากอดีตเป็นต้น ... Y X X X t 0 t 1 t 1 m t m t m j X t j t j 0 11 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VAR MODEL : Optimal Lag Length How to Choose optimal Lag? • STEP I : น าตัวแปรที่ท าการทดสอบโดยวิธี ADF โดยพิจารณาหาความ ยาวของ Lag Length ที่ยาวที่สุดเท่าที่จะเป็นไปได้ หลังจากทดสอบดูว่า ความยาวของ Lag ที่เลือกนั้นเหมาะสมหรือไม่โดยพิจารณาจาก Likelihood Ratio Test (LR) • ซึ่งเกณฑ์ที่ ใช้เกณฑ์ที่ใช้เลือกความยาว Lag ที่เหมาะสมคือ Akaike Information Criterion (AIC) และ Schwartz Bayesian Criterion (SC หรือ SBC) โดยค่าสถิติที่ใช้ทดสอบคือ 12 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VAR MODEL : Optimal Lag Length Optimal Lag Length = min AIC or SBC โดยที่ คือ Number of Usable Observations T AIC T log 2 N คือ Total Number of Parameters N Estimated in all Equations คือ Determinant of Variance/Covariance Matrices SBC T log log N T of the Residuals ซึ่งค่า AIC หรือ SC จะน้อย เนื่องจาก o มีความแปรปรวน และความแปรปรวนร่วมน้อย o มีจ านวนของตัวแปรและจ านวน lag น้อย o มีจ านวนข้อมูลในการประมาณค่ามาก 13 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VAR MODEL : Optimal Lag Length เกณฑ์ดังกล่าวจะพิจารณาที่ค่า AIC หรือ SC น้อยที่สุด ซึ่งหมายถึงการ เพิ่มตัวแปรหรือ lags เข้าไปในแบบจ าลองจะไม่ท าให้ค่าเกณฑ์เหล่านี้ ลดลงแล้ว ในขณะที่เกณฑ์ทั้งสองดังกล่าวมีความแตกต่างกันให้เลือกใช้ SC ไว้ก่อนเพราะว่า SC มีคุณสมบัติว่า SC จะเลือกแบบจ าลองที่ถูกต้อง เกือบแน่นอน ส าหรับ AIC นั้น มีแนวโน้มที่จะเป็นลักษณะเชิงเส้น ก ากับในแบบจ าลองที่มีพารามิเตอร์มากเกินไป 14 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VAR MODEL : Optimal Lag Length 15 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VAR MODEL : Impulse Response • … การวิเคราะห์ Impulse Response เป็นเครื่องมือในการวิเคระห์การ ตอบสนอง ( response) ของตัวแปรหนึ่ง เมื่อเกิดการเปลี่ยนแปลงในส่วน เบี่ยงเบนมาตรฐาน (Standard Deviation: S.D.) ของการ เปลี่ยนแปลงอย่างฉับพลัน (Shock) ของตัวแปรอีกตัวแปรหนึ่งในระบบ ใน ระยะสั้น ระยะกลาง และ ระยะยาว 16 KULKUNYA PRAYARACH, PH.D.
Modeling Long-Run Relationships in Finance I. Overview II. VAR Model IV. Group Work III. VECM Model VAR MODEL : Impulse Response • Impulse response 17 KULKUNYA PRAYARACH, PH.D.
Recommend
More recommend
