Econometrics 03 - Vector Autoregression (Gretl Vs. Eviews11)

Zhrnutie prednášky

Prednáška sa venuje vektorovej autoregresii (VAR) a požiadavkám na vstupy a výstupy regresných modelov. Vstupné premenné musia byť stacionárne a v rovnakej škále, pričom počet pozorovaní musí byť dostatočný vzhľadom na počet premenných a oneskorení (ideálne 30 – 100). Rezíduá by nemali byť autokorelované (Ljung-Box, Durbin-Watson), pre prognózovanie musia byť normálne rozdelené a homoskedastické; informačné kritériá slúžia len ako orientácia a R² je pri makromodeloch nepodstatné. Dummy premenné zachytávajúce exogénne šoky (krízy, podpora ESM/MMF, zmena kurzového režimu) sa vždy zahŕňajú ako exogénne, aj keď sú nevýznamné. VAR rieši problém endogenity, keďže vzťahy medzi premennými sú súčasťou modelu. Praktická časť začína prípravou dát ECB (úrokové sadzby, medzera produktu, inflačná medzera) na prognózu v programoch Gretl a EViews.

• - Vstupy musia byť stacionárne a v rovnakej škále, inak sa skreslia p-hodnoty a diagnostika.
• - Dĺžka radu musí zodpovedať počtu premenných a oneskorení; odporúčaný rozsah je 30 – 100 pozorovaní.
• - Rezíduá nesmú byť autokorelované (Ljung-Box, Durbin-Watson), informačné kritériá sú len orientačné.
• - Pre prognózovanie je dôležité normálne rozdelenie a homoskedasticita rezíduí; pomôcť môžu dummy premenné alebo viac oneskorení.
• - Dummy premenné pre exogénne šoky (kríza, ESM, MMF, kurzový režim) sa vždy zahŕňajú ako exogénne, aj keď sú nevýznamné.
• - Koeficient determinácie R² je pri makroekonomických modeloch takmer bezvýznamný.
• - VAR modeluje premenné cez ich vlastné minulé hodnoty aj minulé hodnoty ostatných premenných, čím rieši endogenitu bez inštrumentov.
• - Scenáre (best/worst case) sa dajú porovnať nastavením exogénnych dummy premenných na 0 alebo 1.

Zhrnutie pripravené s pomocou AI z prepisu videa.