Влияние денежной массы и нефти на объем фондового рынка
Контрольная работа - Экономика
Другие контрольные работы по предмету Экономика
Stock = капитализация по индексу РТС
M = денежная масса M2 (в России)
Oil = цена нефти марки Brent
Идея модели: есть гипотеза о том, что объем фондового рынка определяется объемом денежной массы. Эта гипотеза не очень хорошо обоснована в теории, но достаточно распространена среди макроэкономистов-практиков (например, Е.Е.Гавриленков не исключает такой гипотезы, собственно он меня с ней познакомил).
Альтернативная гипотеза среди практиков: всё определяется ценой нефти.
Строим модель
Результаты оценки:
STOCK = C(1) + C(2)*M + C(3)*OIL= -64.25140642 + 2.121065019*M + 1.208573661*OIL
Dependent Variable: STOCKMethod: Least SquaresDate: 12/22/08 Time: 00:54Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. C-64.2514116.67446-3.8532830.0027M2.1210651.0485282.0228990.0681OIL1.2085740.4469682.7039360.0205R-squared0.843461 Mean dependent var31.62247Adjusted R-squared0.814999 S.D. dependent var30.52121S.E. of regression13.12769 Akaike info criterion8.174734Sum squared resid1895.698 Schwarz criterion8.311674Log likelihood-54.22313 F-statistic29.63503Durbin-Watson stat1.683804 Prob(F-statistic)0.000037Гипотезы:
1 Теория денежной массы не работает: C2=0
Теория нефти не работает: C3=0
Гипотезы проверены с помощью теста Вальда, значения t-статистик приведены выше. Основываясь на p-value делаем вывод, что на 5% уровне значимости гипотеза 1 не отвергается: теория денежной массы не работает, гипотеза 2 отвергается: теория нефти работает.
Влияние денежной массы и нефти одинаково: C2=C3
Wald Test:Equation: EQ01Test StatisticValue df ProbabilityF-statistic0.404301(1, 11) 0.5379Chi-square0.4043011 0.5249Null Hypothesis Summary:Normalized Restriction (= 0)Value Std. Err.C(2) - C(3)0.9124911.435080Restrictions are linear in coefficients.
Данная гипотеза не отвергается. Об этом говорит низкое значение F-статистики. Значит, мы не может с уверенностью утверждать, что влияние разное.
Провести тест Чоу,
Возможно, все изменилось в 2000-х, когда цена нефти стала достаточно высокой.
Chow Breakpoint Test: 2000 Null Hypothesis: No breaks at specified breakpointsVarying regressors: All equation variablesEquation Sample: 1994 2007F-statistic1.116904Prob. F(3,8)0.3978Log likelihood ratio4.897746Prob. Chi-Square(3)0.1794Wald Statistic 3.350713Prob. Chi-Square(3)0.3406
Значение F-статистики соответствует p-value около 40%, поэтому гипотеза о равенстве коэффициентов (всех трех) не отвергается. Делаем вывод, что серьезных изменений не произошло.
Провести тест Бокса - Кокса,
Все переменные номинальные. И в основном растут со временем, возможно, экспоненциально. Поэтому есть смысл оценить регрессию в логарифмах.
Dependent Variable: LOG(STOCK)Method: Least SquaresDate: 12/27/08 Time: 23:49Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. C-11.7748711.20011-1.0513170.3157LOG(M)0.8726214.9081880.1777890.8621LOG(OIL)3.1859842.9005111.0984210.2955R-squared0.214354 Mean dependent var2.158374Adjusted R-squared0.071509 S.D. dependent var2.942306S.E. of regression2.835155 Akaike info criterion5.109480Sum squared resid88.41913 Schwarz criterion5.246420Log likelihood-32.76636 F-statistic1.500605Durbin-Watson stat0.574028 Prob(F-statistic)0.265307
Знаки коэффициентов не изменились, однако оба стали незначимы.
Проверяем, какая модель лучше подходит с помощью теста Бокса-Кокса.
Проводим преобразование Зарембки. В данном случае (для логарифмической модели) делим каждую переменную на среднее геометрическое этой переменной по всем наблюдениям. Расчеты проводим в eviews, который не рассчитывает среднего геометрического, поэтому сначала считаем среднее арифметическое логарифмов переменных, затем возводим экспоненту в соответствующую степень, чтобы получить среднее геометрическое. Затем оцениваем линейную и логарифмическую модели и сравниваем RSS.
Новые переменные, полученные в результате преобразования Zarembka, назовем zStock, zOil, zM.
Dependent Variable: ZSTOCKMethod: Least SquaresDate: 01/05/09 Time: 23:23Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. C-7.4218601.926113-3.8532830.0027ZOIL4.6136131.7062582.7039360.0205ZM5.9863872.9593112.0228990.0681R-squared0.843461 Mean dependent var3.652800Adjusted R-squared0.814999 S.D. dependent var3.525590S.E. of regression1.516416 Akaike info criterion3.857986Sum squared resid25.29469 Schwarz criterion3.994927Log likelihood-24.00590 F-statistic29.63503Durbin-Watson stat1.683804 Prob(F-statistic)0.000037
Estimation Equation:(ZSTOCK) = C(1) + C(2)*LOG(ZOIL) + C(3)*LOG(ZM)Coefficients:(ZSTOCK) = 3.805344066e-010 + 3.185983792*LOG(ZOIL) + 0.8726208796*LOG(ZM)
Dependent Variable: LOG(ZSTOCK)Method: Least SquaresDate: 01/05/09 Time: 23:24Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. C3.81E-100.7577275.02E-101.0000LOG(ZOIL)3.1859842.9005111.0984210.2955LOG(ZM)0.8726214.9081880.1777890.8621R-squared0.214354 Mean dependent var-2.87E-11Adjusted R-squared0.071509 S.D. dependent var2.942306S.E. of regression2.835155 Akaike info criterion5.109480Sum squared resid88.41913 Schwarz criterion5.246420Log likelihood-32.76636 F-statistic1.500605Durbin-Watson stat0.574028 Prob(F-statistic)0.265307
У линейной регрессии значение RSS значительно меньше, чем у логарифмической.
Вывод: линейная спецификация лучше описывает данные.
Провести тест Рамсея,
Тестируем модель на пропущенные переменные
Ramsey RESET Test:F-statistic0.606829 Prob. F(2,9)0.5659Log likelihood ratio1.771018 Prob. Chi-Square(2)0.4125Test Equation:Dependent Variable: STOCKMethod: Least SquaresDate: 12/22/08 Time: 11:30Sample: 1994 2007Included observations: 14VariableCoefficientStd. Errort-StatisticProb. C-48.6189376.42636-0.6361540.5405M1.7165072.5394270.6759430.5161OIL1.0089721.2254580.8233420.4316FITTED^2-0.0034550.025301-0.1365760.8944FITTED^36.19E-050.0001750.3538750.7316R-squared0.862062 Mean dependent var31.62247Adjusted R-squared0.800756 S.D. dependent var30.52121S.E. of regression13.62366 Akaike info criterion8.333947Sum squared resid1670.438 Schwarz criterion8.562181Log likelihood-53.33763 Hannan-Quinn criter.8.312819F-statistic14.06169 Durbin-Watson stat1.717569Prob(F-statistic)0.000656
Пропущенных переменных нет.
Также этот тест применяется для проверки на гетероскедастичность. Ее он тоже не выявил.
5 проверить данные на наличие мультиколлинеарности, принять меры при ее наличии,
Считаем VIF. Здесь всего 2 регрессора, поэтому VIF всего один
Estimation Command:M C OILEquation:
= C(1) + C(2)*OIL
Substituted Coefficients:
= 12.80018758 + 0.3457604628*OIL
. провести тесты на автокорреляцию остатков регрессии, при необходимости
Самый простой тест - Бокса-Пирса
Тест показывает отсутствие автокорреляции
Тест Breusch-Pagan-Godfrey (LM) также не показывает автокорреляции
Коррекция автокорреляции и мультиколлинеарности не требуется, так как их нет.
Тем не менее, можно использовать стандартные средства Eviews для коррекции. Например, поправки Newey-West. Они также позволят изб?/p>