...

第 9 章「さ ま ざ ま な 単 位 根 検 定」

by user

on
Category: Documents
20

views

Report

Comments

Transcript

第 9 章「さ ま ざ ま な 単 位 根 検 定」
第 9 章「さ ま ざ ま な 単 位 根 検 定」
前章では AR モデルにおける単位根検定を議論した。本章では,そこから派生した単位根
検定を扱う.具体的なトピックスは,(i) 季節性を含む時系列の単位根検定,(ii) MA モデルに
基づく単位根検定,(iii) 定常性の検定,(iv) パネル・データに対する単位根検定,(v) 構造変化
を含む時系列の単位根検定である.
9.1 季節性を含む時系列の単位根検定
この節では,月次や四半期などの季節性を含むモデルに対する単位根検定として,2 種類の
ものを考える.1 つは,周期性を考慮した AR モデルにおける係数の単位根検定,もう 1 つは,
単位根を複素数にまで拡張した場合の検定である.
9.1.1 季節単位根検定
季節単位根検定のためのモデルとしては,S を周期として,
yj =
S
i=1
(αi + βi j) Dij + ηj ,
ηj = ρS ηj−S + εj
(j = 1, · · · , T )
(1)
を考えることができる.ここで,{εj } ∼ i.i.d(0, σ 2 ) であり,モデルの初期値 ηj (j ≤ 0) は,
すべて 0 であると仮定する.また,Dij は,j − i が S の倍数ならば 1,さもなければ 0 をと
るダミー変数である.もちろん,S = 1 の場合は,Dij = 1 となり,前章の場合に帰着する.
S > 1 の場合,例えば,S = 4 の四半期データならば,式 (1) は,
yj =
=
=
=
α1 + β1 j + ηj
α2 + β2 j + ηj
α3 + β3 j + ηj
α4 + β4 j + ηj
(j
(j
(j
(j
= 4k + 1 のとき)
= 4k + 2 のとき)
= 4k + 3 のとき)
= 4k のとき)
と表され,すべての場合について,ηj = ρ4 ηj−4 + εj である.このモデルでは,確定的なトレン
ドは季節ごとに独自の切片と傾きをもつことが想定されている.もちろん,モデルの変形とし
て,αi や βi が 0 に制約されるモデルや,確定的トレンドが季節間で不変なモデルを考えるこ
ともできる.
式 (1) のモデルに対して,検定問題
H0 : ρS = 1 vs. H1 : ρS < 1
を考えよう.この検定問題に対して,前章で議論した S = 1 の場合と同様の検定統計量を考え
ることができる.すなわち,次の 4 つの検定統計量を考えよう.なお,以下では,標本サイズ
T は,S の倍数であるものとして,N = T /S が自然数になると仮定する(問題 1).
(i) LBI 統計量
T
RS1 = S × T
2
j=T −S+1 η̃j
j=1 (η̃j
− η̃j−S )2
(ii) LBIU 統計量
RS2
T
2
S2
j=1 η̃j
=
T Tj=1 (η̃j − η̃j−S )2
1
(iii) DF 統計量
RS3 = N(ρ̂S − 1),
ρ̂S =
T
j=S+1
T
η̂j−S η̂j
j=S+1
2
η̂j−S
(iv) DW 統計量
RS4
T
2
S2
j=1 η̂j
=
T Tj=S+1 (η̂j − η̂j−S )2
ここで,η̂ は,モデル (1) から得られる OLS 残差,η̃ は GLS 残差を表す.
これらの統計量の分布を,局所対立仮説 ρS = 1 − (c/N) = 1 − (cS/T ) のもとで評価する.
その場合,(1) のモデルにおいて,パラメータ αi と βi にゼロ制約を課すかどうかで分布が異
なる.以下では,前章と同様に,3 通りのモデルについて,それぞれ次の結果を得る(詳しく
は,Tanaka (1996) を参照されたい).
定理 9.1 (1) のモデルにおいて,αi = βi = 0 の場合,4 つの検定統計量は,局所対立仮説
ρS = 1 − (cS/T ) のもとで,次の極限分布に従う.
RS1
1 − e−2c 2
χ (S),
⇒
2c
RS3 ⇒
RS2 ⇒
1
i=1 0 Zi (t) dZi (t)
,
S 1 2
i=1 0 Zi (t) dt
S
S 1
i=1 0
RS4 ⇒
Zi2 (t) dt
S 1
i=1 0
Zi2 (t) dt
ここで,Zi (t) (i = 1, · · · , S) は,互いに独立に,O-U 過程
Zi (t) = e−ct
t
0
ecs dWi (s)
に従い,Wi (t) (i = 1, · · · , S) は,互いに独立に Bm に従う.
定理 9.2 (1) のモデルにおいて,βi = 0 の場合,4 つの検定統計量は,局所対立仮説 ρS =
1 − (cS/T ) のもとで,次の極限分布に従う.
RS1
1 − e−2c 2
χ (S),
⇒
2c
RS3 ⇒
RS2 ⇒
1
i=1 0 Z̄i (t) dZi (t)
,
S 1 2
i=1 0 Z̄i (t) dt
S
S 1
i=1 0
RS4 ⇒
Zi2 (t) dt
S 1
i=1 0
Z̄i2 (t) dt
ここで,Z̄i (t) (i = 1, · · · , S) は,互いに独立に,次の平均調整済み O-U 過程に従う.
Z̄i (t) = Zi (t) −
1
0
Zi (s) ds
定理 9.3 (1) のモデルにおいて,αi と βi が無制約の場合,RS1 以外の 3 つの検定統計量は,
局所対立仮説 ρS = 1 − (cS/T ) のもとで,次の極限分布に従う.
RS2 ⇒
S 1
i=1 0
2
(Zi (t) − tZi (1)) dt,
RS3 ⇒
2
1
i=1 0 Z̃i dZi (t)
S 1 2
i=1 0 Z̃i (t) dt
S
RS4 ⇒
S 1
i=1 0
Z̃i2 (t) dt
ここで,Z̃i (t) (i = 1, · · · , S) は,互いに独立に,次のトレンド調整済み O-U 過程に従う.
Z̃i (t) = Zi (t) −
1
0
(4 − 6s)Zi (s) ds − t
1
(12s − 6)Zi (s) ds
0
以上の結果から,季節性を含む単位根検定統計量の分布は,たたみ込みの性質をもっている,
ということがわかる.すなわち,統計量そのものが,あるいは,分母と分子それぞれが,S = 1
の場合の確率変数の独立な S 個の和となっている(問題 2).
表 9-1 には,有意水準 5% のもとでのこれらの検定の有意点と検出力が示されている.表
の結果から,次のことが見てとれる.LBI 検定は,S = 1 の場合には振る舞いが悪かったが,
今の場合は良好な結果をもたらしている.特に,βi = 0 の場合には,DF 検定よりも優れてい
る.LBIU 検定は,S = 1 の場合と同様に,制約がない場合のモデルでは,DF 検定よりも優れ
ている.他方,DW 検定については,S = 1 の場合と同様に,それぞれのモデルにおいて,よ
りよい検定が存在していることがわかる.
表 9-1
検出力の包絡線や POI 検定についても,S = 1 の場合と同様に導出することができる(問
題 3).具体的には,まず,検定問題を
H0 : ρS = 1
H1 : ρS = ρS (θ) = 1 −
vs.
θS
θ
=1−
N
T
で定義する.ここで,θ は与えられた正の定数である.このとき,最強力不変検定は,
T
t=1
RT (θ) = T
(0)
(0)
η̃t − η̃t−S
T
2
t=1
−
T
t=1
(0)
η̃t
−
(1)
(1)
η̃t − ρS (θ)η̃t−S
2
(0) 2
η̃t−S
(2)
(0)
(1)
が大きいときに H0 を棄却するものである(Tanaka (1996) を参照).ここで,η̃t と η̃t
それぞれ,H0 と H1 のもとでの GLS 残差である.このとき,次の結果が成り立つ.
は,
定理 9.4 (1) のモデルにおいて,ρS = 1 − (c/N) = 1 − (cS/T ) とする.このとき,RT (θ) ⇒
R(c, θ) となる.ここで,R(c, θ) は,αi = βi = 0,あるいは βi = 0 と制約されるならば,
R(c, θ) = −
S θ2
i=1
1
0
Zi2 (t) dt + 2θ
1
0
Zi (t) dZi(t)
となる.また,αi ,βi ともに無制約ならば,
R(c, θ) = −θ
2
S
1
i=1
0
Zi2 (t) dt
θ+1 2
θ2
Zi (1) −
+
3δ
δ
2(θ + 1)
Zi (1)
−
δ
1
0
2 tZi (t) dt
3
1
0
tZi (t) dt
+ θS
となる.ここで,δ = (θ2 + 3θ + 3)/3 である.
上の結果から,有意水準 α のもとでの検出力の包絡線は,P (R(c, c) ≥ xc,α ) により求めら
れる.ここで,xc,α は,R(0, c) の分布の上側 100α% 点である.他方,POI 検定の検出力は,
P (R(c, θ) ≥ xθ,α ) により求められる.ここで,xθ,α は,R(0, θ) の分布の上側 100α% 点である.
表 9-2 には,有意水準 5% のもとでの検出力の包絡線と,いくつかの θ の値で実行した POI
検定の検出力が示されている.αi や βi が制約されている場合の POI 検定は,S = 4 ならば
θ = 2,S = 12 ならば θ = 1 とすれば,これらの点において,ほぼ 50% の検出力を達成する.
他方,αi と βi が無制約な場合には,S = 4 ならば θ = 6,S = 12 ならば θ = 4 において,ほ
ぼ 50% の検出力を達成することが読みとれる.
図 9-1 は,βi = 0 の制約のもとでの S = 4 の場合におけるモデルに対する LBI,DF,POI
検定の検出力,および包絡線を示している.この場合の POI 検定は,θ = 2 で実行されている
ので,検出力は c = 2 で包絡線と一致している.全体としても,包絡線にほぼ一致しているこ
とが見てとれる.他方,LBI 検定は S = 1 の場合には振る舞いが非常に悪かった(第 8 章 10
節参照)が,今の場合は,DF 検定よりも優れていることがわかる.
表 9-2
図 9-1
今まで議論してきた単位根検定は,モデルの誤差項に独立性を仮定したが,一般には,そ
の仮定をゆるめる必要がある.そのための方法としては,前章で述べた 2 つのモデル,すなわ
ち,AR 部分のラグを導入するモデルと,誤差項を線形過程として表現するモデルを使う方法
がある.前者については Dickey-Hasza-Fuller (1984),後者については 田中 (2006) を参照され
たい.
9.1.2 複素単位根検定
ここでは,単位根が複素数となる場合の検定について説明しよう.そのために,次のモデル
を考えよう.
(1 − reiθ L)(1 − re−iθ L) yj = uj
⇔
yj = 2r cos θ yj−1 − r 2 yj−2 + uj
(3)
ここで,パラメータ r は 0 < r ≤ 1,θ は 0 < θ < π となるような定数である.また,uj は,
線形過程
uj =
∞
αk εj−k ,
k=0
∞
k |αk | < ∞,
{εj } ∼ i.i.d.(0, σ 2 )
k=1
に従う.初期値は,y−1 = y0 = 0 と仮定する.
モデル (3) は,周期 2π/θ をもつような時系列を描写するモデルである.実際,特性方程式
の根は,共役複素根 eiθ /r, e−iθ /r であり,r = 1 ならば,共役複素単位根 e±iθ となる.ここで
は,θ を固定された既知の値として,複素単位根検定
H0 : r = 1
vs.
H1 : r < 1
(4)
を考える.
検定統計量を構成するために,モデル (3) を次のように書き換える.
yj = φ1 yj−1 + φ2 yj−2 + uj ,
y−1 = y0 = 0
ここで,φ1 = 2r cos θ, φ2 = −r 2 である.
4
(j = 1, · · · , T )
(5)
以下,帰無仮説 r = 1 のもとでの φ = (φ1 , φ2 ) の LSE φ̂ = (φ̂1 , φ̂2 ) の分布を調べよう.帰
無仮説のもとでの φ の値を φ0 とすれば,φ0 = (2 cos θ, −1) である.このとき,誤差項 uj が
i.i.d. ならば,次の定理が成り立つ(詳細は,Chan-Wei (1988) を参照されたい).
定理 9.5 モデル (5) において,誤差項 uj が i.i.d.(0, σ 2 ) であると仮定する.このとき,φ の
LSE φ̂ は,帰無仮説のもとで次の分布収束に従う.
T (φ̂ − φ0 )
(Z1 , Z2 )
⇒
(6)
ここで,
Z1
Z2
1
W (t)P (θ) dW (t)
,
=
1
0 W (t)W (t) dt
−2 01 W (t) dW (t)
= 1
0 W (t)W (t) dt
2
0
P (θ) =
cos θ
− sin θ
sin θ
cos θ
であり,W (t) = (W1 (t), W2 (t)) は,2 次元の Bm である.また,f (θ) は,uj のスペクトラム
の θ における値である.
Z2 は,帰無仮説のもとでの統計量 ST = T (φ̂2 + 1) の極限確率変数であり,その分布は θ
の値に依存しない.このことから,ST は,複素単位根を検定するための検定統計量として使う
ことができる.対立仮説のもとでは,φ2 = −r 2 であることから,φ̂2 は大きくなる.したがっ
て,ST も大きくなるので,複素単位根の帰無仮説は,ST が大きいときに棄却される.表 9-3
には,Z2 の分位点とモーメントが示されている(問題 4).
表 9-3
一般の場合,すなわち,モデル (5) の誤差項 uj が線形過程に従う場合には,次の結果を得
る(証明は,Tanaka (2008).
定理 9.6 モデル (5) において,誤差項 uj が線形過程に従い,自己共分散 γ(j),スペクトラ
ム f (ω) をもつとする.このとき,φ の LSE φ̂ は,帰無仮説のもとで次の分布収束に従う.
T (φ̂ − φ0 )
⇒
Z̃1 , Z̃2
(7)
ここで,
Z̃1 =
Z̃2 =
2 πf (θ)
−2
1
0
1
0
W (t)P (θ) dW (t) + sin θ
πf (θ)
1
0
∞
j=1 γ(j) cos(j − 1)θ
W (t)W (t) dt
W (t) dW (t) + 1 − γ(0)/(2πf (0))
1
0
W (t)W (t) dt
この場合は,統計量 ST = T (φ̂2 + 1) の極限確率変数である Z̃2 は,誤差項 uj の短期分散と長
期分散の比 λ = γ(0)/(2πf (0)) に依存するので,検定を行う際は,λ を推定する必要がある.
その上で,定理 9.5 の Z2 と同じ分布をもつように統計量を変換すればよい.
5
9.2 MA 部分の単位根検定
単位根検定は,特性方程式の根に関する検定であり,今までは AR 部分に関する検定だけ
を議論してきたが,MA 部分の単位根検定についても考えることができる.その主たる必要性
は,原系列に対して,過剰な階差変換をしていないかどうかを調べるものである.以下で見る
ように,それはまた,AR 部分の単位根検定と解釈することも可能である.
MA 部分の単位根検定のための基本的なモデルは,MA(1) モデル
yj = εj − α εj−1 ,
{εj } ∼ i.i.d.(0, σ 2 )
(8)
であり,yj は観測値そのものでも階差変換後の値でもよい.検定問題は,
H0 : α = 1 vs. H1 : α < 1
である.
時系列 yj が階差系列の場合,すなわち,yj = (1−L)xj ならば,H0 のもとでは,(1−L)xj =
(1 − L)εj となり,過剰階差の状況となる.この結果,因数 1 − L が消去され,原系列は AR 部
分に単位根をもたない.他方,H1 のもとでは適切な階差変換であり,原系列は AR 部分に単
位根をもつことになる.したがって,階差系列に対する MA 部分の単位根検定は,AR 単位根
の観点からは,
「単位根なし」という帰無仮説を,
「単位根あり」という対立仮説に対して検定す
るものと解釈することができる.この意味で,MA 単位根検定は,AR 単位根検定の観点から
は,通常とは逆向きの検定となる.
モデル (8) の誤差項 εj に正規性を仮定すると,観測値ベクトル y = (y1 , · · · , yT ) に対する
未知パラメータ α と σ 2 の対数尤度関数は,
L(α, σ 2 ) = −
T
1
1
log(2πσ 2 ) − log |Ω(α)| − 2 y Ω−1 (α) y
2
2
2σ
(9)
で与えられる.ここで,
⎛
1 + α2
−α
⎜
⎜ −α
1 + α2 ·
⎜
·
·
Ω(α) = ⎜
⎜
⎜
·
⎝
0
⎞
0
·
·
−α
−α 1 + α2
⎟
⎟
⎟
⎟
⎟
⎟
⎠
である.
検定統計量として自然なものは,α の MLE α̂ に基づく係数検定であろう.しかし,α̂ の帰無
分布,すなわち,反転不可能な MA(1) モデルにおける α̂ の分布はわかっていない.ただし,AR
の場合の係数推定量と異なり,T (α̂ − 1) の極限帰無分布は,負の部分で連続な密度と原点を正
の確率でとる分布の混合となることがわかっている(Tanaka-Satchell (1989), Davis-Dunsmuir
(1996)).
実際,α に集約された対数尤度を l(α) とすると,
l(α) = L(α, σ̂ 2 (1)) = −
T
T
1
log(2π y Ω−1 (α) y/T ) − log |Ω(α)| −
2
2
2
となる.ただし,σ̂ 2 (α) = y Ω−1 (α) y/T である.したがって,
T y Ω−1 ΩΩ−1 y 1
d l(1)
=
− tr(Ω−1 Ω) = 0,
−1
dα
2
y Ω y
2
6
Ω = Ω(1)
(10)
となることがわかる.このことから,α の真値が 1 のとき,尤度関数が α = 1 を極大値とする
確率は,漸近的に,
lim P (α̂ = 1) =
lim P
T →∞
T →∞
∞
d2 l(α) <0
dα2 α=1
Zn2
1
= P
<
2
2
6
n=1 n π
= 0.6574,
{Zn } ∼ NID(0, 1)
となる(Tanaka (1996) 参照).すなわち,T (α̂ − 1) の極限帰無分布は,原点を確率 0.6574 で
とるような分布に従うことになる.なお,負の値に対しては連続な密度をもつが,極限確率変
数の明示的な表現は得られていない.
そこで,対数尤度の α に関する偏微分に基づく検定を考える.上述のように,1 階微分は
H0 のもとで恒等的に 0 となるので,2 階微分に基づく検定を考える.このとき,
1 y Ω−2 y
T y Ω−1 y
ST 1 =
(11)
が大きいときに H0 を棄却する検定は,AR モデルにおける単位根検定と同様の理由で LBIU
となる(問題 5).そして,ST 1 に基づく検定は,局所対立仮説 α = 1 − (c/T ) のもとで,次
の漸近的な性質をもっている(詳細は,Tanaka (1990), (1996) を参照).
定理 9.7 式 (11) の LBIU 検定統計量 ST 1 は,局所対立仮説 α = 1 − (c/T ) のもとで,次の
分布収束に従う.
ST 1 ⇒ S1 =
D
=
1 1 0
∞
0
K1 (s, t) + c2 K1(2) (s, t) dW (s) dW (t)
1
c2
+
Zn2 ,
n2 π 2 n4 π 4
n=1
{Zn } ∼ NID(0, 1)
ここで,
K1 (s, t) = min(s, t) − st,
K1(2) (s, t) =
1
0
(12)
K1 (s, u) K1(u, t) du
である.
上の定理において,関数 K1(2) は,関数 K1 の反復核と呼ばれる(第 5 章 7 節を参照).ST 1
の極限分布を計算するためには,極限確率変数 S1 の特性関数を求める必要がある.今の場合
は,式 (12) の無限和表現から簡単に求めることができる(定理 5.7 も参照のこと).
定理 9.8 定理 9.7 で与えられた確率変数 S1 の特性関数は,次の形で与えられる.
iθS1
E(e
ここで,
μ=
sin μ sin ν
)=
μ
ν
iθ +
√
−θ2
−1/2
(13)
+
2ic2 θ,
ν=
iθ −
√
−θ2 + 2ic2 θ
今までは,最も単純な MA(1) モデルの単位根検定を扱ってきたが,AR モデルにおける単
位根検定と同様に,次のモデルに拡張できる.
y = Xβ + η,
E(η) = 0,
V(η) = σ 2 Ω(α)
7
(14)
そして,前と同様に,誤差項 η に正規性を仮定することにより,対数尤度の 2 階微分から,
LBIU 検定統計量
ST =
1 η̃ Ω−2 η̃
,
T η̃ Ω−1 η̃
η̃ = M̃y,
M̃ = IT − X(X Ω−1 X)−1 X Ω−1
(15)
を導出することができる(問題 6).ここで,X は説明変数の行列であり,次の 2 通りを考
える.
⎛ ⎞
⎛
1
⎜1⎟
⎜ ⎟
X = ⎜ .. ⎟ = e,
⎝.⎠
1
⎞
1 1
⎜1 2 ⎟
⎜
⎟
X = ⎜ .. .. ⎟ = (e, d)
⎝.
.⎠
1 T
あるいは
前者は定数項のみを含む MA(1) モデル,後者は定数項と線形トレンドを含む MA(1) モデルで
ある.これらの場合の統計量 ST の漸近分布については,次の定理が成り立つ(Tanaka (1996)
を参照).
定理 9.9 モデル (14) に対して,(15) で定義された MA 単位根検定の統計量 ST は LBIU 統
計量であり,局所対立仮説 α = 1 − (c/T ) のもとで,次の分布収束に従う.
ST
⇒
S=
1 1 0
0
K(s, t) + c2 K(2) (s, t) dW (s) dW (t)
ここで,K(2) は K の反復核である.また,極限分布の特性関数は,
E(eiθS ) = D iθ +
√
−θ2 + 2ic2 θ D iθ −
√
−θ2 + 2ic2 θ
−1/2
で与えられる.関数 K(s, t) と D(λ) は,説明変数 X の 2 通りの特定化に依存して,次のよう
に与えられる.
i) X = e の場合
K(s, t) = min(s, t) − st − 3st(1 − s)(1 − t),
D(λ) =
√
√
√ 12 2
−
λ
sin
λ
−
2
cos
λ
λ2
ii) X = (e, d) の場合
K(s, t) = min(s, t) − st − 2st(1 − s)(1 − t)(4 − 5s − 5t + 10st)
√
√
8640
λ √
λ
2λ
D(λ) = 4 2 + − λ 2 −
sin λ − 2 −
cos λ
λ
3
12
3
関数 D(λ) は,関数 K(s, t) の FD(Fredholm 行列式)である(第 5 章を参照).図 9-2 に
は,純粋な MA(1) モデルも含めた 3 つのモデルの場合について,LBIU 統計量の極限帰無分布
が図示されている.実線が純粋な MA(1) モデル,破線が定数項のみを含む MA(1) モデル,点
線が定数項と 1 次のトレンドを含む MA(1) モデルの場合である.図 9-3 には,同じ 3 つの場
合について,局所対立仮説のもとでの漸近的な検出力が図示されている.モデルに定数項やト
レンドを含む場合の方が,検出力は低くなることが見てとれる.これらは,AR モデルにおけ
る単位根分布の計算と同様に,特性関数の反転公式を数値積分により計算したものである.詳
しくは,Tanaka (1996) を参照されたい.
8
図 9-2
図 9-3
MA モデルの単位根検定は,誤差項を i.i.d. から従属過程へ拡張した次のような場合にも考
えることができる.
yj = a + b j + uj − α uj−1,
uj =
∞
φk εj−k ,
k=0
∞
k |φk | < ∞,
k=1
∞
φk = 0
(16)
k=0
である.
このとき,(15) の統計量 ST は,次の性質をもつ(Tanaka (1990), (1996)).
定理 9.10 式 (15) で定義された検定統計量 ST は,モデル (16) に対しては,局所対立仮説
α = 1 − (c/T ) のもとで,次の分布収束に従う.
σL2 1 1 2
K(s,
t)
+
c
K
(s,
t)
dW (s) dW (t)
(2)
σS2 0 0
⇒
ST
ここで,
σL2
=σ
2
∞
2
φk
,
k=0
σS2 = σ 2
∞
k=0
φ2k
である.
定理における σL2 と σS2 は,uj の長期分散と短期分散であり,これらの一致推定量 σ̃L2 と σ̃S2
は,次のように構成することができる.まず,
ũ = (ũ1 , · · · , ũT ) = H IT − X(X Ω−1 X)−1 X Ω−1 y = H η̃
を定義する.ここで,H は Ω−1 の Cholesky 分解 Ω−1 = H H を与える下三角行列であり,
⎛
H=
⎜
⎜
⎜
⎜
⎜
⎜
⎜
⎜
⎜
⎜
⎜
⎜
⎜
⎜
⎜
⎝ 1
√
2
1
√
6
·
·
·
1
T (T + 1)
⎞
2
√
6
·
·
·
2
⎟
⎟
⎟
⎟
⎟
⎟
⎟
⎟
⎟
⎟
⎟
⎟
⎟
⎟
⎟
⎠
0
·
·
·
T (T + 1)
·
·
·
T
T (T + 1)
により定義される.このとき,一致推定量は,
σ̃S2
T
1
1
=
ũ2j = η̃ Ω−1 η̃,
T j=1
T
σ̃L2
=
σ̃S2
l
2 k
+
1−
T k=1
l+1
T
ũj ũj−k
j=k+1
で与えられる.ここで,l は,o(T 1/4 ) となるようなラグ打ち切り数である.
以上から,拡張されたモデル (16) においては,局所対立仮説のもとで,次のことが成り立つ.
S̃T =
σ̃S2
1 η̃ Ω−2 η̃
S
=
T
σ̃L2
T 2 σ̃L2
⇒
1 1 0
0
K(s, t) + c2 K(2) (s, t) dW (s) dW (t)
9
したがって,この場合にも,統計量 S̃T を使うことにより,通常の MA モデルの単位根検定を
行うことができる.
9.3 定常性の検定
前節で議論した MA モデルの単位根検定は,AR モデルの場合と異なり,
「単位根あり」が帰
無仮説である.ここでは,同様の検定が可能となる例として,次の状態空間モデルを考えよう.
yj = xj β + γj + εj ,
γj = γj−1 + ξj ,
γ0 = 0
(17)
ここで,観測可能な系列は,yj と xj であり,後者は,定数や線形トレンドなどを含む説明変数
のベクトルである.また,β は係数ベクトルである.{εj } と {ξj } は,それぞれが i.i.d.(0, σε2 ),
i.i.d.(0, σξ2 ) の誤差項であり,互いに独立である.σε2 は正,σξ2 は非負値である.
このモデルに対して,検定問題
H0 : δ =
σξ2
= 0 vs. H1 : δ > 0
σε2
(18)
を考える.H0 のもとでは γj ≡ 0 となるので,yj は単位根をもたない.しかし,H1 のもとでは
単位根をもつことになる.したがって,この検定は「単位根なし」の帰無仮説を「単位根あり」
の対立仮説に対して検定するものであり,AR モデルの単位根検定とは逆向きの検定である.
この場合の自然な検定は,δ の MLE δ̂ に基づくものであろう.しかし,H0 のもとでの δ̂
の分布は,反転不可能な MA(1) モデルの係数の MLE と同様に,未知である.ただし,T 2 δ̂
の極限帰無分布は,正の部分で連続な密度と原点を正の確率で取る分布との混合となることが
わかっている.
以下では,対数尤度の偏導関数に基づく LM 検定を考える.そのために,まず,パラメー
タ δ, σε2 , β の尤度関数を求める.式 (17) から,yj = xj β + εj + ξ1 + · · · + ξj となるので,誤
差項 εj と ξj に正規性を仮定すると,観測値ベクトル y = (y1 , · · · , yT ) は次の分布をもつこと
がわかる.
y = X β + C ξ + ε ∼ N X β, σε2 (IT + δ CC ) ,
(19)
ここで,X = (x1 , · · · , xT ) , ξ = (ξ1 , · · · , ξT ) , ε = (ε1 , · · · , εT ) である.また,C は下三角行列
で,その (i, j) 要素は i ≥ j のとき 1,その他の場合は 0 である.したがって,対数尤度は,
L(δ, σε2 , β) = −
T
1
log(2πσε2 ) − log |IT + δ CC |
2
2
1
− 2 (y − X β) (IT + δ CC )−1 (y − X β)
2 σε
(20)
で与えられる.これより,
T (T + 1) T (y − X β̂) CC (y − X β̂)
∂L(δ, σε2 , β) =−
+
∂δ
4
2 (y − X β̂) (y − X β̂)
H0
が得られる.ただし,β̂ = (X X)−1 X y は,モデル (19) における β の OLS 推定量である.こ
のとき,検定統計量として,
ST =
1 (y − X β̂) CC (y − X β̂)
T (y − X β̂) (y − X β̂)
(21)
10
を考えることができる.そして,ST が大きいときに帰無仮説を棄却する検定は LBI となる.
ST の分布は,説明変数 X の値に依存する.ここでは,次の 3 つの場合を取り上げる.
i) X を含まない場合
ii) X = e の場合
iii) X = (e, d) の場合
ここで, e = (1, · · · , 1), d = (1, 2, · · · , T ) である.このとき,局所対立仮説 δ = c2 /T 2 のもと
での極限分布について,次の定理が成り立つ(Nabeya-Tanaka (1988), Tanaka (1996) 参照).
定理 9.11 モデル (19) に対する検定問題 (18) において,式 (21) の統計量 ST は LBI であ
り,説明変数 X を上記 3 つの場合に特定化するとき,局所対立仮説 δ = c2 /T 2 のもとで,次
の極限分布と特性関数をもつ.
ST
⇒
S=
1 1 0
E(eiθS ) = D iθ +
0
√
K(s, t) + c2 K(2) (s, t) dW (r) dW (s)
−θ2 + 2ic2 θ D iθ −
√
−θ2 + 2ic2 θ
−1/2
ここで,K(2) は K の反復核,D(λ) は K の FD であり,D と K は,説明変数 X の特定化
に依存して,次のようになる.
i) X を含まない場合
K(s, t) = 1 − max(s, t),
ii) X = e の場合
K(s, t) = min(s, t) − st,
D(λ) = cos
√
λ
√
sin λ
D(λ) = √
λ
iii) X = (e, d) の場合
K(s, t) = min(s, t) − st − 3st(1 − s)(1 − t),
D(λ) =
√
√
√ 12 2
−
λ
sin
λ
−
2
cos
λ
λ2
上の結果は,MA(1) モデルの単位根検定に関して得られた前節の結果と類似している.実
際,定理 9.11 において,定数項を含む ii) の場合は,純粋な MA(1) モデルの場合の結果と同
一である.また,定数項と 1 次のトレンドを含む iii) の場合は,定数項のみを含む MA(1) モ
デルの結果と同一である.もし,定数項,1 次および 2 次のトレンドを含む状態空間モデルを
考えれば,その結果は,定数項と 1 次のトレンドを含む MA(1) モデルの結果に帰着するであ
ろう.このことの直観的な理由は,例えば,状態空間モデルが,定数項と 1 次のトレンドをも
つ場合には,
Δyj = b + ξj + Δεj
(22)
と書き換えられ,Δyt が定数項を含む MA(1) モデルに従うものとみなされることによる.
他方,定理 9.11 の i) の場合は,MA(1) モデルとの対応関係が存在しない.ここでは省略
するが,この場合の LBI 検定の検出力は,ii) や iii) の場合よりもよいことが示される.
今まで扱った状態空間モデルは,観測方程式の誤差項が独立という制約的な場合であり,検
定問題は,帰無仮説が「独立系列」,対立仮説が「単位根系列」というものである.帰無仮説
11
を「定常性」とするためには,観測方程式の誤差項を定常過程に拡張すればよい.例えば,次
のモデル
yj = xj β + γj + uj ,
γj = γj−1 + ξj ,
γ0 = 0
(23)
を考える.ここで,uj は,式 (16) で定義された線形過程に従う.このとき,(21) の検定統計量
ST は,局所対立仮説 δ = c2 /T 2 のもとで,定理 9.10 と同一の分布収束に従う.今の場合,uj
の短期分散 σS2 と長期分散 σL2 の一致推定量 σ̂S2 と σ̂L2 は,次のように構成することができる.
σ̂S2
T
1
=
û2 ,
T j=1 j
σ̂L2
=
σ̂S2
l
2 k
+
1−
T k=1
l+1
T
ûj ûj−k
j=k+1
ここで,ûj は,H0 のもとで得られる残差である.以上から,統計量 ŜT = σ̂S2 ST /(T σ̂L2 ) を使うこ
とにより,最初の状態空間モデルに基づいた検定を行うことができる.この検定は,Kwiatkowski
et al. (1992) で提案されたものであり,KPSS 検定と呼ばれる.
9.4 パネル・データの単位根検定
本節では,パネル・データの場合の単位根検定を考える.この問題を最初に考察したのは,
Quah (1994) であり,DF 検定を拡張したものである.ここでは,モデルとして,前節で扱っ
た状態空間モデル (17) をパネル・データに拡張して,
yij = xij β i + γij + εij ,
γij = γi,j−1 + ξij ,
γi0 = 0 (i = 1, · · · , N; j = 1, · · · , T )
(24)
を考える.ここで,添字 i はクロス・セクション,j は時間を表す.観測可能な系列は,yij と
xij であり,後者は,定数や線形トレンドなどを含む説明変数のベクトルである.また,β i は
係数ベクトルである.{εij } と {ξij } は,それぞれが i.i.d.(0, σε2 ),i.i.d.(0, σξ2 ) の誤差項であり,
互いに独立である.σε2 は正,σξ2 は非負値である.
モデル (24) は,Hadri (2000) が取り上げたものである.このモデルにおいて,検定問題
σξ2
H0 : δ = 2 = 0 vs. H1 : δ > 0
σε
(25)
を考える.前節と同様にして,LBI 検定を導出しよう.そのために,モデル (24) を次のように
書き換える.
y = Xβ + (IN ⊗ C)ξ + ε ∼ N Xβ, σε2 (IN ⊗ (IT + δCC ))
(26)
ここで,⊗ は Kronecker 積であり,C は (19) で定義された行列である.他方,
⎛
⎞
y1
⎜ .. ⎟
y = ⎝ . ⎠,
yN
⎛
⎞
β1
⎜ .. ⎟
β = ⎝ . ⎠,
βN
⎛
⎞
yi1
⎜ .. ⎟
yi = ⎝ . ⎠ ,
yiT
⎛
⎞
ξ1
⎜ .. ⎟
ξ = ⎝ . ⎠,
ξN
⎛ ⎞
x
X = diag(X1 , · · · , XN ),
⎛
⎞
ξi1
⎜ .. ⎟
ξi = ⎝ . ⎠ ,
ξiT
⎛
Xi =
⎞
ε1
⎜ .. ⎟
ε = ⎝ . ⎠,
εN
⎜
⎝
i1
.. ⎟
. ⎠
xiT
⎛
⎞
εi1
⎜ .. ⎟
εi = ⎝ . ⎠
εiT
したがって,対数尤度は,次のようになる.
L(δ, σε2 , β) = −
NT
1
log(2πσε2 ) − log |IN ⊗ (IT + δ CC )|
2
2
1
− 2 (y − X β) IN ⊗ (IT + δ CC )−1 (y − X β)
2 σε
12
(27)
これより,δ に関する偏微分を H0 のもとで評価して,次の結果を得る(問題 7).
∂L(δ, σε2 , β) NT (T + 1) NT (y − X β̂) CC (y − X β̂)
=−
+
∂δ
4
2
(y − X β̂) (y − X β̂)
H0
ここで,β̂ = (X X)−1 X y は,モデル (26) における β の OLS 推定量である.このとき,検
定統計量として,
SN T
1 (y − X β̂) CC (y − X β̂)
=
=
T (y − X β̂) (y − X β̂)
1
N
N
1
i=1 T 2 (y i −
N
1
1
i=1 T (y
N
Xi β̂ i ) CC (y i − Xi β̂ i )
− X β̂) (y − X β̂)
(28)
を考えることができる.そして,SN T が大きいときに帰無仮説を棄却する検定は LBI となる.
SN T の分布は,説明変数 X = diag(X1 , · · · , XN ) の値に依存する.ここでは,前節と同様
に,次の 3 つの場合を取り上げる.
i) X を含まない場合
ii) Xi = e の場合
iii) Xi = (e, d) の場合
ここで, e = (1, · · · , 1) , d = (1, 2, · · · , T ) である.以下では,これら 3 つの場合の統計量を
(m)
SN T (m = 1, 2, 3) と表すことにする.
(m)
次に,帰無仮説 δ = 0 のもとで,SN T の極限分布について考えよう.ここでは,まず,
T → ∞ として,次に N → ∞ とした場合の極限分布を考える.なお,N と T を同時に ∞
にする場合の同時的極限は,適当な条件のもとで,逐次的極限に一致することが示されている
(Phillips-Moon (1999)).まず,N を固定して,T → ∞ とすると,前節の結果を使うことがで
きる.ここでは,局所対立仮説ではなく,帰無仮説のもとで考えているので,次のようになる.
(m)
SN T
⇒
(m)
SN
N 1 1
1 =
K (m) (s, t) dWi (s)dWi (t),
N i=1 0 0
(m = 1, 2, 3)
(29)
ここで,W1 (t), · · · , WN (t) は,互いに独立な Bm である.また,K (m) (s, t) は,説明変数 X の
3 つの形に対応して,定理 9.11 で定義されているものである.ここで,次のことを示すことが
できる(問題 8).
1
1
1
1
1
11
(1)
(1)
(2)
(2)
(3)
(3)
E(SN ) = , V(SN ) = , E(SN ) = , V(SN ) = , E(SN ) = , V(SN ) =
2
3
6
45
15
6300
(m)
このことから,SN
の極限分布は,中心極限定理を使って,次のようになる.
定理 9.12 パネル・データ・モデル (24) に対する単位根検定 (25) において,式 (28) の統計
量 SN T は LBI である.また,説明変数 X を上記 3 つの場合に特定化するとき,帰無仮説のも
(m)
(m)
とで,T → ∞ のとき,(29) の極限分布 SN (m = 1, 2, 3) をもつ.さらに,SN は,N → ∞
のとき,次の正規性に従う.
√
(m)
(m)
N(SN − E(SN ))
⇒ N(0, 1)
(30)
(m)
V(SN )
上の定理では,帰無仮説のもとでの極限分布を考えたが,検出力を議論するには,局所対立
仮説 H1 : δ = c2 /T 2 のもとでの分布を考える必要がある.そのためには,前節の議論と同様
にすればよい(問題 9).また,ここで考えたパネル・データ・モデルでは,誤差項 εij を独立
であると仮定したが,相関がある場合への拡張についても,前節と同様に考えればよい.
13
9.5 構造変化を含む時系列の単位根検定
単位根検定の統計量は,モデルの特定化に誤りがあれば,その影響を受けて,想定した分布
とは異なる分布をもたらす.その要因としては,大きく 2 つの場合を考えることができる.1
つは,誤差項の特定化の誤りである.例えば,誤差項が従属的な定常過程であるにもかかわら
ず,独立系列としてモデル化するような場合である.その違いによる影響については,すでに,
前章で議論した.
もう 1 つは,説明変数の特定化の誤りによるものである.すなわち,含めるべき変数をモ
デルに取り込まない場合である.そのような例としては,構造変化を表す変数をモデルに含め
ない場合がある.この問題は,Perron (1989) が最初に取り上げたものである.以下では,構造
変化を考慮した単位根検定について考えよう.
今,構造変化が起きた時点を TB とするとき,単純な例としてレベル・シフトを表す次の場
合を考えることができる.
f (t) =
α0
(t ≤ TB )
α0 + α1 (t > TB )
(31)
ここでは,以下の説明を簡単にするためにレベル・シフトだけを想定しているが,傾きの変化
も考慮したトレンド・シフトの場合を考えることも,もちろん可能である.
上記のようなレベル・シフトの構造変化は,ダミー変数
Dt (TB ) =
0 (t ≤ TB )
1 (t > TB )
(32)
を定義することにより,次のようにコンパクトに表現できる.
f (t) = α0 + α1 Dt (TB )
(33)
したがって,この場合の単位根検定のためのモデルは,
yt = α0 + α1 Dt (TB ) + ηt ,
ηt = ρ ηt−1 + εt ,
{εt } ∼ i.i.d.(0, σ 2 )
(34)
となり,次のように書き換えることができる.
yt = a + b Dt−1 (TB ) + α1 It (TB + 1) + (ρ − 1) yt−1 + εt
(35)
ここで,a = α0 (1 − ρ), b = α1 (1 − ρ) であり,H0 : ρ = 1 のもとでは,ともに 0 となるパラ
メータである.また,It (TB + 1) は,
It (TB + 1) =
0 (t = TB + 1)
1 (t = TB + 1)
(36)
で定義される一点ダミーであるので,漸近的には無視できる項である.
検定方式として,ρ の OLS 推定量 ρ̂ に基づく検定を考えよう.ρ̂ の漸近分布を導出するた
めに,TB の値と標本サイズ T の比は,漸近的に一定値 λ (0 < λ < 1) に収束することを仮定
する.すなわち,
lim
T →∞
TB
T
= λ (0 < λ < 1)
であり,λ は既知とする.
以上の設定のもとで,DF 検定の係数統計量 T (ρ̂ − 1) は次の極限帰無分布をもつ.ただし,
和の表現において, は 1 ≤ t ≤ T に関する和, ∗ は TB + 2 ≤ t ≤ T に関する和を表す.
14
T (ρ̂ − 1) = T ×
⇒
∗
1
yt 1
∗
∗
∗
1
1
yt ∗
yt−1
yt−1
yt−1 yt ∗
1
yt−1 1
∗
∗
∗
1
1
y ∗
2t−1 yt−1
yt−1
y
(37)
t−1
1
1
−
λ
W (1)
1
−
λ
1
−
λ
W
(1)
−
W
(λ)
1
1
1
W
(r)
dr
W
(r)
dr
W
(r)
dW
(r)
0
λ
0
1
1
1−λ
W (r) dr 01
1−λ
1−λ
W (r) dr 1
1
λ1
W (r) dr
W (r) dr
W 2 (r) dr 0
λ
0
以上の結果は,レベル・シフトだけを想定した場合のものである.より一般的な場合につい
ては,Perron (1989) を参照されたい.また,この結果は,構造変化が起きる時点が既知である
ことを前提にしている点で制約的である.未知とした場合については,Zivot-Andrews (1992),
Vogelsang-Perron (1998) などで議論されている.
15
第 9 章 練 習 問 題
1. S を周期として,次のモデルを考える.
yj = ρyj−S + εj ,
{εj } ∼ NID(0, σ 2)
このとき,仮説 H0 : ρ = 1 に対して,
T
LS = S × T
j=T −S+1
j=1
yj2
(yj − yj−S )2
が小さいときに H0 を棄却する検定は,LBI であることを示せ.また,LS の漸近分布を
導出せよ.
2. 問題 1 のモデルにおいて,統計量
T
2
S2
j=1 yj
RS = 2 T
2
T
j−1 (yj − yj−S )
の極限分布を ρ = 1 のもとで導出せよ.
3. 問題 1 のモデルにおいて,検出力の包絡線の求め方を説明せよ.
4. W (t) を 2 次元 Bm とするとき,統計量
−2
1
Z = 1
0
W (t) dW (t)
W (t)W (t) dt
0
の分布の四分位点を求めよ.
5. MA(1) モデル
yj = εj − αεj−1,
{εj } ∼ NID(0, σ 2 )
において,検定問題 H0 : α = 1 に対する LBIU 検定を導出せよ.
6. モデル
y = Xβ + η,
η ∼ N(0, σ 2 Ω(α))
において,σ 2 Ω(α) は,問題 5 の MA(1) モデルに従う観測値の分散行列であるとする.
このとき,検定問題 H0 : α = 1 に対する LBIU 検定を導出せよ.
7. パネル・データ・モデルを行列形式で次のように表現する.
y = Xβ + (IN ⊗ C)ξ + ε ∼ N Xβ, σε2 (IN ⊗ (IT + δCC ))
(38)
ここで,⊗ は Kronecker 積であり,C は下三角の要素がすべて 1 である T × T の下
三角行列である.対数尤度関数を求めよ.さらに,対数尤度の δ に関する偏微分を仮説
H0 : δ = 0 のもとで評価した表現を求めよ.
16
8. 次の統計量 R の平均と分散を求めよ.
R=
1 1
0
0
[min(s, t) − st − 3st(1 − s)(1 − t)] dW (s)dW (t)
9. 問題 7 のモデルにおいて,検定問題 H0 : δ = 0 に対する LBI 検定を導出せよ.また,
δ = c2 /T 2 のもとでの LBI 統計量の漸近分布を求めよ.
17
表 9-1 漸近的な局所検出力(有意水準:5%,単位:%)
S=4
c = 0.5
1
19.9
17.9
20.0
17.9
αj = βj = 0 の場合
87.0 99.3
5.226
98.2 100.0
3.223
99.2 100.0
−0.965
98.2 100.0
3.223
23.6
19.5
23.3
19.5
56.1
47.5
57.7
47.5
0.711
0.641
−6.961
0.301
19.9
17.9
13.1
15.3
βj = 0 の場合
87.0 99.3
5.226
98.2 100.0
3.223
66.7 99.6
−4.929
80.4 99.9
1.271
23.6
19.5
14.6
17.3
56.1 100.0
47.5 100.0
28.1 99.4
37.7 100.0
LBIU
0.301
DF −13.067
DW
0.156
5.99
5.74
5.80
制約なしの場合
34.2 89.6
1.271
23.8 76.7 −10.360
27.0 82.9
0.588
5.53
5.39
5.42
7.21
6.55
6.70
検定
LBI
LBIU
DF
DW
LBI
LBIU
DF
DW
5% 点 c = 1
S = 12
0.711
0.641
−2.268
0.641
5
10
18
5% 点
5
100.0
100.0
100.0
100.0
80.4
56.8
65.2
表 9-2 検出力の包絡線と POI 検定の局所検出力(単位:%,有意水準:5%)
S=4
c=1
2
5
S = 12
10
c = 0.5
1
2
5
58.30
58.30
58.10
57.65
97.89
97.63
97.84
97.89
100.00
100.00
100.00
100.00
7.21
7.19
7.17
7.16
15.46
15.40
15.34
15.28
83.04
82.98
83.04
83.00
αj = βj = 0 あるいは βj = 0 の場合
包絡線
θ=1
θ = 1.5
θ=2
20.84
20.84
20.77
20.65
49.98
49.16
49.83
49.98
99.19
97.08
98.14
98.65
100.00
100.00
100.00
100.00
23.85
23.73
23.50
23.25
制約なしの場合
包絡線
θ=4
θ=5
θ=6
5.99
5.98
5.98
5.97
9.01
8.99
8.98
8.96
35.48
35.45
35.48
35.46
94.53
93.74
94.08
94.29
19
5.53
5.53
5.52
5.52
表 9-3 検定統計量 T (φ̂2 + 1) の極限帰無分布(平均 = 1.664, 標準偏差 = 3.460)
確率
分位点
0.01
−2.956
0.05
0.1
0.5
0.9
0.95
0.99
−2.028 −1.539 0.775 6.010 8.389 14.115
20
図 9-1 局所検出力と包絡線
1.0
0.8
0.6
0.4
0.2
0.0
0
5
21
10
図 9-2 3 つの MA 単位根検定統計量の極限帰無分布
30
20
10
0
0.0
0.05
0.10
22
0.15
0.20
図 9-3 3 つの MA 単位根検定の局所検出力
1.0
0.8
0.6
0.4
0.2
0.0
0
20
40
23
60
Fly UP