بررسی ایستایی (ساکن بودن) سری های زمانی[1]
قبل از تخمین مدل، به بررسی ایستایی می پردازیم. می توان چنین تلقی نمود که هر سری زمانی توسط یک فرآیند تصادفی تولید شده است. داده های مربوط به این سری زمانی در واقع یک مصداق از فرآیند تصادفی زیر ساختی است. وجه تمایز بین (فرآیند تصادفی) و یک (مصداق) از آن، همانند تمایز بین جامعه و نمونه در داده های مقطعی است. درست همانطوری که اطلاعات مربوط به نمونه را برای استنباطی در مورد جامعه آماری مورد استفاده قرار می دهیم، در تحلیل سریهای زمانی از مصداق برای استنباطی در مورد فرآیند تصادفی زیر ساختی استفاده می کنیم. نوعی از فرآیندهای تصادفی که مورد توجه بسیار زیاد تحلیل گران سریهای زمانی قرار گرفته است فرآیندهای تصادفی ایستا می باشد.
برای تاکید بیشتر تعریف ایستایی، فرض کنید Yt یک سری زمانی تصادفی با ویژگیهای زیر است:
(1) : میانگین
(2) واریانس :
(3) کوواریانس :
(4) ضریب همبستگی :
که در آن میانگین ، واریانس کوواریانس (کوواریانس بین دو مقدار Y که K دوره با یکدیگر فاصله دارند، یعنی کوواریانس بین Yt و Yt-k) و ضریب همبستگی مقادیر ثابتی هستند که به زمان t بستگی ندارند.
اکنون تصور کنید مقاطع زمانی را عوض کنیم به این ترتیب که Y از Yt به Yt-k تغییر یابد. حال اگر میانگین، واریانس، کوواریانس و ضریب همبستگی Y تغییری نکرد، می توان گفت که متغیر سری زمانی ایستا است. بنابراین بطور خلاصه می توان چنین گفت که یک سری زمانی وقتی ساکن است که میانگین، واریانس، کوواریانس و در نتیجه ضریب همبستگی آن در طول زمان ثابت باقی بماند و مهم نباشد که در چه مقطعی از زمان این شاخص ها را محاسبه می کنیم. این شرایط تضمین می کند که رفتار یک سری زمانی، در هر مقطع متفاوتی از زمان، همانند می باشد[2].
آزمون ساکن بودن از طریق نمودار همبستگی و ریشه واحد[3]
یک آزمون ساده برای ساکن بودن براساس تابع خود همبستگی (ACF) می باشد. (ACF) در وقفه k با نشان داده می شود و بصورت زیر تعریف می گردد.
از آنجاییکه کوواریانس و واریانس، هر دو با واحدهای یکسانی اندازه گیری می‌شوند، یک عدد بدون واحد یا خالص است. به مانند دیگر ضرایب همبستگی، بین (1-) و (1+) قرار دارد. اگر را در مقابل K (وقفه ها) رسم نماییم، نمودار بدست آمده، نمودار همبستگی جامعه نامیده می شود. از آنجایی که عملاً تنها یک تحقق واقعی (یعنی یک نمونه) از یک فرآیند تصادفی را داریم، بنابراین تنها می‌توانیم تابع خود همبستگی نمونه، را بدست آوریم. برای محاسبه این تابع می‌بایست ابتدا کوواریانس نمونه در وقفه K و سپس واریانس نمونه را محاسبه نماییم.
که همانند نسبت کوواریانس نمونه به واریانس نمونه است. نمودار در مقابل K نمودار همبستگی نمونه نامیده می شود. در عمل وقتی مربوط به جامعه را ندایم و تنها را براساس مصداق خاصی از فرآیند تصادفی در اختیار داریم باید به آزمون فرضیه متوسل شویم تا بفهمیم که صفر است یا خیر. بارتلت (1949)[4] نشان داده است که اگر یک سری زمانی کاملاً تصادفی یعنی نوفه سفید باشد، ضرایب خود همبستگی نمونه تقریباً دارای توزیع نرمال با میانگین صفر و واریانس می باشد که در آن n حجم نمونه است. براین اساس می توان یک فاصله اطمینان، در سطح 95 درصد ساخت. بدین ترتیب اگر تخمینی در این فاصله قرار گیرد، فرضیه(=0) را نمی توان رد کرد. اما اگر تخمینی خارج از این فاصله اعتماد قرار گیرد می توان صفر بودن را رد کرد.
آزمون دیگری نیز بصورت گسترده برای بررسی ایستایی سریهای زمانی بکار می‌رود که به آزمون ریشه واحد معروف است. برای فهم این آزمون مدل زیر را در نظر بگیرید[5]:
Yt = Yt-1+Ut
Ut جمله خطای تصادفی است که فرض می شود بوسیله یک فرآیند تصادفی مستقل (White Noise) بوجود آمده است. (یعنی دارای میانگین صفر، واریانس ثابت و غیر همبسته می باشد).
خواننده می تواند تشخیص دهد که معادله فوق، یک معادلخ خود رگرسیون مرتبه اول یا AR(1) می باشد. در این معادله مقدار Y در زمان t بر روی مقدار آن در زمان (t-1) رگرس شده است. حال اگر ضریب Yt-1 برابر یک شود مواجه با مساله ریشه واحد می شویم. یعنی این امر بیانگر وضعیت غیر ایستایی سری زمانی Yt می باشد. بنابراین اگر رگرسیون زیر را اجرا کنیم:
و تشخیص دهیم که است، گفته می شود متغیر Yt دارای یک ریشه واحد است. در اقتصاد سنجی سریهای زمانی، سری زمانی که دارای یک ریشه واحد باشد، نمونه‌ای از یک سری زمانی غیر ایستا است.
معادله فوق غالباً به شکل دیگری نیز نشان داده می شود:
که در آن ، اپراتور تفاضل مرتبه اول می باشد. توجه کنید که است. اما اکنون فرضیه صفر ما عبارت است از که اگر برابر با صفر باشد می توانیم معادله فوق را بصورت زیر بنویسیم:
این معادله بیانگر آن است که تفاضل اول سری زمانی Yt ساکن می باشد. زیرا بنا به فرض Ut یک جمله اختلال سفید (اختلال خالص) می باشد.
اگر از یک سری زمانی یک مرتبه تفاضل گرفته شود (تفاضل مرتبه اول) و این سری تفاضل گرفته شده ساکن باشد، آنگاه سری زمانی اصلی (انباشته از مرتبه اول[6]) می باشد و به صورت I(1) نشان داده می شود.
به طور کلی اگر از یک سری زمانی d مرتبه تفاضل گرفته شود، انباشته از مرتبه d یا I(d) می باشد. پس هرگاه یک سری زمانی انباشته از مرتبه یک یا بالاتر باشد سری زمانی غیر ایستا خواهد بود. بطور متعارف اگر d=0 باشد، در نتیجه فرآیند I(0) نشان دهنده یک فرآیند ساکن می باشد. به همین علت نیز یک فرآیند ساکن بصورت I(0) مورد استفاده قرار می گیرد.
برای وجود ریشه واحد تحت فرضیه از آمار یا (tau)[7] استفاده می‌کنیم، مقادیر بحرانی این آماره به روش شبیه سازی مونت کارلو توسط دیکی و فولر بصورت جداول آماری محاسبه شده است. (متاسفانه آماره t ارائه شده حتی در نمونه‌های بزرگ از توزیع t استیودنت پیروی نمی کند و در نتیجه نمی توان از کمیت بحرانی t برای انجام آزمون استفاده کرد.)
در ادبیات اقتصادسنجی آزمون یا (tau)، به آزمون دیکی- فولر (DF) مشهور می‌باشد. باید توجه داشت که اگر فرضیه صفر رد شود، سری زمانی ساکن بوده و می توان از تابع آزمون t استیودنت استفاده نمود.
اگر قدر مطلق آماره محاسباتی (tau)، بزرگتر از قدر مطلق مقادیر بحرانی (DF) یا مک کینان باشد، آنگاه فرضیه مبتنی بر ساکن بودن سری زمانی را رد نمی کنیم از طرف دیگر اگر مقدار قدر مطلق محاسباتی کمتر از مقدار بحرانی باشد، سری زمانی غیر ایستا خواهد بود.
به دلایل عملی و نظری، آزمون دیکی- فولر برای رگرسیون هایی بکار گرفته می‌شود که به فرم زیر باشند:
معادله بدون عرض از مبدا و بدون روند.
معادله با عرض از مبدا.
معادله با عرض از مبدا و باروند.
اگر جمله خطای Ut خود همبسته باشد، (معادله با عرض از مبدا و با روند) را می‌توان بصورت زیر تعدیل نمود:
اینکه چه تعداد جملات تفاضلی با وقفه می بایست در مدل لحاظ شود وابسته به این است که تا چه تعداد ورود این جملات، سبب استقلال سریالی جمله خطا می‌گردد.
هنگامیکه از آزمون (DF) برای مدل فوق استفاده می شود، از آن به عنوان آزمون دیکی- فولر تعمیم یافته (ADF) یاد می شود. تابع آزمون (ADF) دارای توزیعی مجانبی همانند تابع آزمون (DF) بوده و از مقادیر بحرانی یکسانی، برای آنها می توان استفاده کرد.