Векторная модель коррекции ошибок

Векторная модель коррекции ошибок (VECM, от англ. Vector Error Correction Model) — это многомерная эконометрическая модель, используемая для анализа временных рядов, которые являются коинтегрированными. Она представляет собой расширение векторной авторегрессии (VAR) и включает в себя механизм коррекции ошибок, позволяющий моделировать долгосрочные равновесные взаимосвязи между переменными, а также их краткосрочную динамику. VECM применяется в макроэкономике, финансах и других областях для прогнозирования и анализа причинно-следственных связей.

Математическая основа

Коинтеграция

Для понимания VECM необходимо ввести понятие коинтеграции. Два или более нестационарных временных ряда (например, с единичным корнем, I(1)) называются коинтегрированными, если существует их линейная комбинация, которая является стационарной (I(0)). Это означает, что в долгосрочной перспективе между переменными существует устойчивая равновесная связь, хотя в краткосрочном периоде они могут отклоняться от неё. Например, цены на разные сорта нефти или доходности облигаций часто коинтегрированы.

Структура VECM

VECM для \(k\) переменных и \(p\) лагов (запаздываний) записывается в виде:

\[ \Delta y_t = \alpha \beta' y_{t-1} + \sum_{i=1}^{p-1} \Gamma_i \Delta y_{t-i} + \epsilon_t \]

Где:

• \(y_t\) — вектор \(k \times 1\) эндогенных переменных в момент времени \(t\).
• \(\Delta y_t = y_t - y_{t-1}\) — вектор первых разностей.
• \(\beta\) — матрица \(k \times r\) коинтегрирующих векторов (где \(r\) — ранг коинтеграции). Каждый столбец \(\beta\) определяет долгосрочное равновесное соотношение.
• \(\alpha\) — матрица \(k \times r\) скоростей (коэффициентов) коррекции ошибок, показывающая, с какой скоростью система возвращается к равновесию после отклонения.
• \(\beta' y_{t-1}\) — вектор \(r \times 1\) ошибок равновесия (отклонений от долгосрочной связи) в предыдущий период.
• \(\Gamma_i\) — матрицы \(k \times k\) краткосрочных коэффициентов.
• \(\epsilon_t\) — вектор белого шума (ошибок).

Таким образом, изменение переменной \(\Delta y_t\) объясняется как долгосрочной коррекцией (через \(\alpha \beta' y_{t-1}\)), так и краткосрочной динамикой (через \(\sum \Gamma_i \Delta y_{t-i}\)).

Этапы построения VECM

1. Проверка стационарности

Первый этап — тестирование каждого временного ряда на стационарность, например, с помощью расширенного теста Дики — Фуллера (ADF). Если ряды нестационарны (имеют единичный корень), их необходимо привести к стационарности путём взятия разностей. Для VECM требуется, чтобы все ряды были интегрированы одного порядка (обычно I(1)).

2. Определение ранга коинтеграции

Для выявления числа коинтегрирующих соотношений \(r\) применяются тесты Йохансена (тест следа и тест максимального собственного значения). Эти тесты проверяют гипотезы о количестве стационарных линейных комбинаций. Если \(r=0\), то коинтеграция отсутствует, и следует использовать VAR в разностях. Если \(r=k\), то все ряды стационарны, и можно применять обычный VAR.

3. Оценка параметров

После определения ранга коинтеграции модель оценивается методом максимального правдоподобия (ММП) или методом наименьших квадратов (МНК). Оценка включает:

• Определение коинтегрирующих векторов \(\beta\) (обычно нормированных для идентификации).
• Оценку матрицы скоростей коррекции \(\alpha\) и краткосрочных коэффициентов \(\Gamma_i\).

4. Диагностика модели

После оценки проводится проверка адекватности модели:

• Тесты на автокорреляцию остатков (например, тест Бройша — Годфри).
• Тесты на гетероскедастичность.
• Тесты на нормальность распределения остатков.
• Проверка стабильности модели (например, с помощью обратных корней характеристического полинома).

Интерпретация результатов

Коинтегрирующие векторы

Коинтегрирующие векторы \(\beta\) интерпретируются как долгосрочные равновесные соотношения. Например, для двух переменных \(y_1\) и \(y_2\) коинтегрирующий вектор может иметь вид \(\beta = (1, -\beta_2)\), что означает долгосрочную связь \(y_1 = \beta_2 y_2 + \text{const}\).

Скорости коррекции ошибок

Матрица \(\alpha\) показывает, как быстро каждая переменная реагирует на отклонение от долгосрочного равновесия. Знак и величина коэффициентов \(\alpha\) указывают на направление и скорость коррекции. Если \(\alpha\) отрицательна для переменной, это означает, что она возвращается к равновесию после положительного отклонения.

Краткосрочная динамика

Матрицы \(\Gamma_i\) отражают краткосрочные эффекты изменений переменных с лагами. Они позволяют анализировать импульсные отклики и декомпозицию дисперсии ошибок прогноза.

Применение

Макроэкономика

VECM широко используется для моделирования взаимосвязей между макроэкономическими показателями, такими как ВВП, инфляция, процентные ставки и денежная масса. Например, можно исследовать долгосрочную связь между потреблением и доходом.

Финансы

В финансах VECM применяется для анализа взаимосвязей между ценами активов, например, между спотовыми и фьючерсными ценами на товары или валюты. Модель позволяет выявлять арбитражные возможности и прогнозировать краткосрочные движения.

Международная экономика

Используется для изучения паритета покупательной способности (ППС) или непокрытого процентного паритета, где долгосрочные равновесные соотношения между обменными курсами и ценами или процентными ставками являются ключевыми.

Пример

Рассмотрим пример с двумя временными рядами: логарифм ВВП России (\(y_1\)) и логарифм денежной массы M2 (\(y_2\)) за 2000–2020 годы. Предположим, что тесты показали, что оба ряда являются I(1) и коинтегрированы с рангом \(r=1\). Тогда VECM(1) может выглядеть так:

\[ \Delta y_{1,t} = \alpha_1 (y_{1,t-1} - \beta_2 y_{2,t-1} - \beta_0) + \gamma_{11} \Delta y_{1,t-1} + \gamma_{12} \Delta y_{2,t-1} + \epsilon_{1,t} \] \[ \Delta y_{2,t} = \alpha_2 (y_{1,t-1} - \beta_2 y_{2,t-1} - \beta_0) + \gamma_{21} \Delta y_{1,t-1} + \gamma_{22} \Delta y_{2,t-1} + \epsilon_{2,t} \]

Где \(\beta_0\) — константа в коинтегрирующем соотношении. Если \(\alpha_1\) отрицательна, это означает, что ВВП корректируется вниз при положительном отклонении от равновесия (например, если ВВП выше долгосрочного уровня относительно денежной массы).

Ограничения и критика

• Требование коинтеграции: VECM применима только при наличии коинтеграции. Если ранг коинтеграции определён неверно, модель может давать смещённые оценки.
• Чувствительность к спецификации: Результаты зависят от выбора количества лагов, детерминированных компонентов (тренд, константа) и метода оценки.
• Сложность интерпретации: При большом числе переменных (\(k > 3\)) интерпретация коинтегрирующих векторов и скоростей коррекции становится затруднительной.
• Предположение о линейности: VECM предполагает линейные взаимосвязи, что может не соответствовать реальным экономическим процессам, особенно в периоды кризисов.

Программное обеспечение

VECM реализована в большинстве эконометрических пакетов, включая:

• EViews: встроенные функции для тестирования коинтеграции и оценки VECM.
• R: пакеты vars и urca.
• Python: библиотеки statsmodels (функция VECM) и arch.
• Stata: команды vec и vecrank.
• MATLAB: функция vecm в Econometrics Toolbox.

Источники

• Johansen, S. (1995). Likelihood-Based Inference in Cointegrated Vector Autoregressive Models. Oxford University Press.
• Engle, R. F., & Granger, C. W. J. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251–276.
• Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer.
• Enders, W. (2014). Applied Econometric Time Series (4th ed.). Wiley.