04. How to VAR

Zhrnutie prednášky

Prednáška je úvodom k vektorovej autoregresii (VAR), ktorú lektor označuje za vrchol ekonometrických modelov, no najprv prechádza všeobecné požiadavky na prípravu dát. Dáta sa väčšinou diferencujú kvôli stacionarite (výnimkou sú napr. VECM a ARDL) a treba ich dostať na podobnú mierku, najmä logaritmovaním (nie však pri zápornych hodnotách) alebo z-skórovaním. Model vyžaduje dostatočnú dĺžku radu (približne 30 pozorovaní) a obmedzený počet premenných. Počet oneskorení sa odvodzuje z frekvencie dát (1 pre ročné, 4 pre kvartálne) a dolaďuje sa podľa AIC a diagnostiky reziduí. Pri historickej analýze je dôležitá absencia autokorelácie (Durbin-Watson okolo 2), pri prognózovaní normálne rozdelenie reziduí, ktoré sa dosahuje aj dummy premennými pre šoky a odľahlé hodnoty.

• - Dáta sa väčšinou diferencujú kvôli stacionarite; VECM a ARDL diferencované dáta nepoužívajú.
• - Premenné majú byť na podobnej mierke; logaritmus sa hodí pri HDP a exponenciálnom raste, nie pri záporných hodnotách, a neodstráni odľahlé hodnoty.
• - Odporúčaná dĺžka radu je aspoň 30 pozorovaní a počet premenných treba držať obmedzený.
• - Počet oneskorení pokrýva približne jeden rok (1 ročné, 4 kvartálne dáta) a ďalej sa upravuje podľa AIC a diagnostiky.
• - Pri historickej analýze je kľúčová absencia autokorelácie (Durbin-Watson približne 1,8–2,2), pri prognózovaní normalita reziduí.
• - Dummy premenné pre šoky (recesia, ceny ropy, zmena menového režimu) a sezónne očistenie zlepšujú model.
• - R-squared je pri časových radoch s oneskoreniami málo užitočný, lebo rastie s počtom lagov.

Zhrnutie pripravené s pomocou AI z prepisu videa.