共和分

同義語:cointegrationco-integration

概要

共和分(cointegration)とは、差分が定常な線形過程になる多次元の時系列 $x_t$(1 次の和分過程)について、ある 1 次結合 $\beta^{\mathsf T}x_t$ が初期値を除いて定常になることである。共和分ベクトルの全体は差分の長期係数行列 $\Psi(1)$ の左の零空間で、誤差修正モデル $\Delta y_t=\alpha\beta^{\mathsf T}y_{t-1}+\varepsilon_t$ の解は共通の確率的傾向と定常なずれの和に分かれる。共和分回帰の最小二乗推定量は $1/n$ の速さで収束するが、共和分していない酔歩どうしの回帰は見せかけの関係を生む。経済・金融の時系列の長期の均衡関係の分析に使う。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: ARMAモデル, ランダムウォーク, 最小二乗法

2 つの銘柄の株価や、ある国の金利の長期と短期のように、どちらも酔歩のようにさまよって平均に戻らないのに、差や比はある水準のまわりに留まる時系列の組がある。このとき 2 つの系列は共通の確率的な傾向を共有しており、1 次結合をとると傾向が打ち消し合う。この性質を 共和分 という。
共和分は 2 つの理由で重要である。第 1 に、さまよう系列どうしを回帰すると、関係がないのに強い関係が見える 見せかけの回帰 が起こる。共和分は、その回帰が意味をもつ場合を特定する。第 2 に、共和分している系列は、長期の均衡からのずれを修正する方向に動く(誤差修正表現)。
この記事では、共和分ベクトルが長期の係数行列 $\Psi(1)$ の左の零空間であること(Beveridge–Nelson 分解による)、誤差修正モデルの解の表現(Granger の表現定理の 1 次の場合)、説明変数が正規の増分の酔歩の場合に、共和分回帰の最小二乗推定量が $1/n$ の速さで収束することと、見せかけの回帰では推定量が $0$ に近づかないことを証明する(一般の $I(1)$ の説明変数には関数中心極限定理が要る)。記法は ARMAモデル と ARCHモデル にそろえる。

定義と使える条件

$n$ 次元の確率ベクトルの列を考える。$(\varepsilon_t)_{t\in\mathbb Z}$ は独立同分布で、平均 $0$、共分散行列 $\Sigma$ が正定値とする。$\Delta x_t:=x_t-x_{t-1}$ とし、行列の作用素ノルムを $\|\cdot\|$ と書く。

和分過程

$n\times n$ 行列の列 $(\Psi_j)_{j\ge0}$ が $\sum_{j\ge0}j\|\Psi_j\|< \infty$ を満たすとし、$\Psi(1):=\sum_{j\ge0}\Psi_j$ とおく。$u_t:=\sum_{j\ge0}\Psi_j\varepsilon_{t-j}$ を 線形過程 という(和は $L^2$ で収束し、$u$ は定常である)。確率ベクトル $x_0$ と $x_t:=x_{t-1}+u_t$($t\ge1$)で定まる $(x_t)_{t\ge0}$ を、$\Psi(1)\ne0$ のとき 1 次の和分過程 といい、$x\sim I(1)$ と書く。$\Psi(1)\ne0$ の線形過程そのものを $I(0)$ という。

$n=1$、$\Psi_0=1$、ほかの $\Psi_j=0$ なら $x$ は ランダムウォーク である。$n=1$ で $u$ が因果的な ARMA 過程なら係数は指数的に減るので条件を満たす(ARMAモデル の定理「定常解の存在と根の位置」)。

共和分

$x\sim I(1)$ とする。$\beta\in\mathbb R^n$、$\beta\ne0$ について、弱定常な過程 $(w_t)_{t\ge0}$ と確率変数 $\xi$ があって、すべての $t\ge0$ で $\beta^{\mathsf T}x_t=w_t+\xi$ となるとき、$\beta$ を 共和分ベクトル という。共和分ベクトルが存在するとき $x$ は 共和分している といい、共和分ベクトルと $0$ のなす部分空間の次元 $r$ を 共和分の階数 という。

$\xi$ は時刻 $0$ の値から決まる定数ぶんのずれで、$\beta^{\mathsf T}x_t$ が「初期値を除いて定常」であることを表す。使える条件は次のとおりである。

  • (i) 係数の減り方:$\sum_jj\|\Psi_j\|< \infty$。分解 thm-ci-bn の残りの項を定常にするのに要る。
  • (ii) 差分が $I(0)$:$\Psi(1)\ne0$。$\Psi(1)=0$ なら $x$ はもとから定常で、共和分は意味をもたない。
  • (iii) 誤差修正モデルの安定性:thm-ci-granger の $\rho(I_r+\beta^{\mathsf T}\alpha)< 1$($\rho$ は スペクトル半径)。
  • (iv) 回帰の誤差が $I(0)$:共和分回帰の誤差 $u_t$ が定常であること。外すと見せかけの回帰になる(prop-ci-spurious)。

公式の表

対象式・結論使える条件根拠
共和分ベクトル$\beta$ は共和分ベクトル $\iff$ $\beta^{\mathsf T}\Psi(1)=0$(i)(ii)thm-ci-bn
共和分の階数$r=n-\operatorname{rank}\Psi(1)$、$0\le r\le n-1$(i)(ii)thm-ci-bn
誤差修正モデル$\Delta y_t=\alpha\beta^{\mathsf T}y_{t-1}+\varepsilon_t$$\alpha,\beta$ は $n\times r$ で階数 $r$thm-ci-granger
共通の傾向$y_t=C\sum_{s=1}^t\varepsilon_s+Cy_0+\alpha(\beta^{\mathsf T}\alpha)^{-1}\beta^{\mathsf T}y_t$、$C=\beta_\perp(\alpha_\perp^{\mathsf T}\beta_\perp)^{-1}\alpha_\perp^{\mathsf T}$(iii)thm-ci-granger
均衡からのずれ$z_t=\beta^{\mathsf T}y_t$ は $z_t=(I_r+\beta^{\mathsf T}\alpha)z_{t-1}+\beta^{\mathsf T}\varepsilon_t$(iii)thm-ci-granger
共和分回帰の推定量$\hat\beta-\beta=O_P(1/n)$(iv)、回帰変数は正規の増分の酔歩、誤差は独立同分布で回帰変数と独立prop-ci-ols
見せかけの回帰$\hat\beta$ は $0$ に確率収束しない独立な 2 つの酔歩prop-ci-spurious

$\alpha_\perp$、$\beta_\perp$ は、$\alpha^{\mathsf T}\alpha_\perp=0$、$\beta^{\mathsf T}\beta_\perp=0$ を満たす階数 $n-r$ の $n\times(n-r)$ 行列である(列が直交補空間の基底)。$C$ は基底の選び方によらない。

主定理

Beveridge–Nelson 分解と共和分ベクトル

共和分ベクトルの特徴づけ

$x\sim I(1)$(def-ci-integrated)とし、$\Psi_j^*:=\sum_{k>j}\Psi_k$、$\eta_t:=\sum_{j\ge0}\Psi_j^*\varepsilon_{t-j}$、$S_t:=\sum_{s=1}^t\varepsilon_s$ とおく。

  1. $\sum_j\|\Psi_j^*\|< \infty$ で、$\eta$ は定常であり、すべての $t\ge0$ で
    $$ x_t=\Psi(1)S_t-\eta_t+(x_0+\eta_0) $$
    が成り立つ(Beveridge–Nelson 分解)。
  2. $\beta\ne0$ が共和分ベクトルであることと $\beta^{\mathsf T}\Psi(1)=0$ は同値である。したがって共和分の階数は $n-\operatorname{rank}\Psi(1)$ である。
  1. $\sum_j\|\Psi_j^*\|\le\sum_j\sum_{k>j}\|\Psi_k\|=\sum_kk\|\Psi_k\|< \infty$ なので、$\eta_t$ は $L^2$ で収束し定常である。形式的な冪級数として $\Psi^*(z):=\sum_j\Psi_j^*z^j$ とおくと、$\Psi_{j-1}^*-\Psi_j^*=\Psi_j$($\Psi_{-1}^*:=\Psi(1)$)より
    $$ (1-z)\Psi^*(z)=\Psi(1)+\sum_{j\ge0}(\Psi_j^*-\Psi_{j-1}^*)z^j=\Psi(1)-\Psi(z) $$
    である。係数を比べると、各 $t$ で $u_t=\Psi(1)\varepsilon_t-(\eta_t-\eta_{t-1})$ が $L^2$ で成り立つ(両辺の級数は絶対収束するので、項をまとめ直してよい)。$t=1,\dots,T$ で足すと $x_T-x_0=\Psi(1)S_T-\eta_T+\eta_0$ である。
  2. 1 から $\beta^{\mathsf T}x_t=\beta^{\mathsf T}\Psi(1)S_t-\beta^{\mathsf T}\eta_t+\beta^{\mathsf T}(x_0+\eta_0)$ である。$\beta^{\mathsf T}\Psi(1)=0$ なら $w_t:=-\beta^{\mathsf T}\eta_t$、$\xi:=\beta^{\mathsf T}(x_0+\eta_0)$ として定義を満たす。
    逆に $\beta^{\mathsf T}x_t=w_t+\xi$ と書けたとする。$t=0$ の式を引くと $S_0=0$ より
    $$ \beta^{\mathsf T}\Psi(1)S_t=(w_t-w_0)+\beta^{\mathsf T}(\eta_t-\eta_0) $$
    である。右辺は $w$ と $\eta$ の定常性から $L^2$ のノルムが $t$ によらず有界である。左辺の分散は $t\,\beta^{\mathsf T}\Psi(1)\Sigma\Psi(1)^{\mathsf T}\beta$ で、$\Sigma$ が正定値なので $\Psi(1)^{\mathsf T}\beta\ne0$ なら $t\to\infty$ で発散する。よって $\beta^{\mathsf T}\Psi(1)=0$ である。共和分ベクトルと $0$ の全体は $\Psi(1)^{\mathsf T}$ の核で、その次元は $n-\operatorname{rank}\Psi(1)$ である。$\Psi(1)\ne0$ なので $r\le n-1$ である。$\square$

$\Psi(1)S_t$ は全成分に共通する確率的な傾向で、その「方向」は $\Psi(1)$ の列空間である。共和分ベクトルはこの方向と直交するベクトルであり、傾向の本数は $n-r$ である。

誤差修正モデルと Granger の表現定理

誤差修正モデルの解の表現

$1\le r< n$ とし、$\alpha,\beta$ を階数 $r$ の $n\times r$ 行列とする。確率ベクトル $y_0$ から
$$ \Delta y_t=\alpha\beta^{\mathsf T}y_{t-1}+\varepsilon_t\qquad(t\ge1) $$
で $(y_t)$ を定め、$M:=I_r+\beta^{\mathsf T}\alpha$ のスペクトル半径が $1$ より小さいとする。$C:=\beta_\perp(\alpha_\perp^{\mathsf T}\beta_\perp)^{-1}\alpha_\perp^{\mathsf T}$ とおく。

  1. $\beta^{\mathsf T}\alpha$ と $\alpha_\perp^{\mathsf T}\beta_\perp$ は正則で、$C+\alpha(\beta^{\mathsf T}\alpha)^{-1}\beta^{\mathsf T}=I_n$ である。
  2. $z_t:=\beta^{\mathsf T}y_t$ は $z_t=Mz_{t-1}+\beta^{\mathsf T}\varepsilon_t$ を満たし、定常な過程 $\tilde z_t:=\sum_{k\ge0}M^k\beta^{\mathsf T}\varepsilon_{t-k}$ との差 $z_t-\tilde z_t=M^t(z_0-\tilde z_0)$ は確率 $1$ で $0$ に収束する。
  3. すべての $t\ge0$ で $y_t=CS_t+Cy_0+\alpha(\beta^{\mathsf T}\alpha)^{-1}z_t$ である($S_t=\sum_{s=1}^t\varepsilon_s$)。
  4. $z_0=\tilde z_0$ のとき、$y\sim I(1)$ で、$\Psi(1)=C$、$\operatorname{rank}C=n-r$ である。共和分ベクトルと $0$ の全体はちょうど $\beta$ の列空間で、共和分の階数は $r$ である。
  1. $\beta^{\mathsf T}\alpha$ が特異なら、$\beta^{\mathsf T}\alpha c=0$($c\ne0$)で $Mc=c$ となり、$M$ が固有値 $1$ をもって仮定に反する。次に $\alpha_\perp^{\mathsf T}\beta_\perp d=0$ とする。$\alpha_\perp^{\mathsf T}$ の核は $\alpha$ の列空間なので $\beta_\perp d=\alpha e$ と書け、$\beta^{\mathsf T}\alpha e=\beta^{\mathsf T}\beta_\perp d=0$ から $e=0$、$\beta_\perp$ の階数から $d=0$ である。よって両方とも正則である。$P:=\alpha(\beta^{\mathsf T}\alpha)^{-1}\beta^{\mathsf T}$ とおくと $\beta^{\mathsf T}P=\beta^{\mathsf T}$、$\beta^{\mathsf T}C=0$、$\alpha_\perp^{\mathsf T}P=0$、$\alpha_\perp^{\mathsf T}C=\alpha_\perp^{\mathsf T}$ である。したがって $n\times n$ 行列 $R:=[\beta\ \alpha_\perp]^{\mathsf T}$ について $R(P+C)=R$ である。$Rv=0$ なら $\alpha_\perp^{\mathsf T}v=0$ から $v=\alpha e$、$\beta^{\mathsf T}\alpha e=0$ から $e=0$ なので $R$ は正則であり、$P+C=I_n$ である。
  2. 方程式の両辺に $\beta^{\mathsf T}$ を掛けると $z_t-z_{t-1}=\beta^{\mathsf T}\alpha z_{t-1}+\beta^{\mathsf T}\varepsilon_t$ である。$\rho(M)< 1$ なので、ある $c>0$、$0< q< 1$ で $\|M^k\|\le cq^k$ であり、$\tilde z_t$ は $L^2$ でも確率 $1$ でも絶対収束して同じ漸化式を満たす。差 $d_t:=z_t-\tilde z_t$ は $d_t=Md_{t-1}$ を満たすので $d_t=M^td_0\to0$ である。
  3. 方程式に $\alpha_\perp^{\mathsf T}$ を掛けると $\alpha_\perp^{\mathsf T}\Delta y_t=\alpha_\perp^{\mathsf T}\varepsilon_t$ なので $\alpha_\perp^{\mathsf T}y_t=\alpha_\perp^{\mathsf T}(y_0+S_t)$ である。1 により
    $$ y_t=Cy_t+Py_t=\beta_\perp(\alpha_\perp^{\mathsf T}\beta_\perp)^{-1}\alpha_\perp^{\mathsf T}(y_0+S_t)+\alpha(\beta^{\mathsf T}\alpha)^{-1}z_t $$
    で、これが主張の式である。
  4. $z=\tilde z$ なので 3 の差分をとって $\Delta y_t=C\varepsilon_t+\alpha(\beta^{\mathsf T}\alpha)^{-1}(\tilde z_t-\tilde z_{t-1})$ である。右辺は係数 $\Psi_0=C+\alpha(\beta^{\mathsf T}\alpha)^{-1}\beta^{\mathsf T}$、$\Psi_k=\alpha(\beta^{\mathsf T}\alpha)^{-1}(M^k-M^{k-1})\beta^{\mathsf T}$($k\ge1$)の線形過程で、係数は指数的に減るので (i) を満たし、和は伸縮して $\Psi(1)=C$ である。$\beta_\perp$、$\alpha_\perp^{\mathsf T}$ の階数は $n-r$ で中央の行列は正則なので $\operatorname{rank}C=n-r\ge1$ であり、$y\sim I(1)$ である。thm-ci-bn により共和分ベクトルは $\beta^{\mathsf T}C=0$ を満たす $\beta$ の全体、すなわち $C^{\mathsf T}$ の核で、次元は $r$ である。$\beta^{\mathsf T}C=0$ なので $\beta$ の列空間がこの核に含まれ、次元が等しいので一致する。$\square$

$\alpha$ は 調整の係数 で、均衡からのずれ $\beta^{\mathsf T}y_{t-1}$ に応じて各成分がどれだけ戻るかを表す。$C\varepsilon_t$ の累積が共通の傾向で、その向きは $\beta$ と直交し($\beta^{\mathsf T}C=0$)、$\alpha_\perp^{\mathsf T}\varepsilon_t$ だけが傾向に残る。ラグ付きの差分の項 $\sum_i\Gamma_i\Delta y_{t-i}$ を足した一般の誤差修正モデルでも同じ型の表現が成り立つ(Granger の表現定理。EG87、Joh88)が、この記事では証明しない。

回帰の速さと見せかけの回帰

以下 $n=1$ の回帰を考える。$x_t:=\sum_{s=1}^tv_s$ とし、$v_s$ は独立に $N(0,\sigma_v^2)$($\sigma_v>0$)に従う。定数項のない回帰の最小二乗推定量を $\hat\beta:=\sum_{t=1}^nx_ty_t\big/\sum_{t=1}^nx_t^2$ とする。

共和分回帰の超一致性

上の正規の酔歩 $x_t$ について $y_t=\beta x_t+u_t$($t=1,\dots,n$)で、$u_t$ は独立同分布で平均 $0$、分散 $\sigma_u^2< \infty$ をもち、$(u_t)$ は $(v_t)$ と独立とする。このとき、任意の $\varepsilon>0$ に対して $n$ によらない $K$ があり、すべての $n$ で $P\bigl(n\lvert\hat\beta-\beta\rvert>K\bigr)< \varepsilon$ である。

$Q_n:=\frac1{n^2}\sum_{t=1}^nx_t^2$ とおくと、$\hat\beta-\beta=\sum x_tu_t/(n^2Q_n)$ である。
$Q_n$ が小さくなりにくいこと。 Cauchy–Schwarz の不等式から $\sum x_t^2\ge\frac1n(\sum_tx_t)^2$ である。$\sum_tx_t=\sum_{s=1}^n(n-s+1)v_s$ は平均 $0$、分散 $\sigma_v^2\sum_{k=1}^nk^2=\sigma_v^2\frac{n(n+1)(2n+1)}6\ge\frac{\sigma_v^2n^3}3$ の正規分布に従う。よって標準正規分布に従う $Z$ について $Q_n\ge\frac{\sigma_v^2}3Z^2$ と書け、$\delta>0$ について
$$ P(Q_n< \delta)\le P\Bigl(\lvert Z\rvert< \frac{\sqrt{3\delta}}{\sigma_v}\Bigr)\le\frac{2\sqrt{3\delta}}{\sqrt{2\pi}\,\sigma_v} $$
である。右辺は $n$ によらない。
条件付きの Chebyshev。 $(v_t)$ を与えたとき、$u$ の独立性から $\sum x_tu_t$ の条件付き平均は $0$、条件付き分散は $\sigma_u^2\sum x_t^2=\sigma_u^2n^2Q_n$ である。$n\lvert\hat\beta-\beta\rvert>K$ は $\lvert\sum x_tu_t\rvert>KnQ_n$ と同値なので、Chebyshev の不等式から条件付き確率は $\sigma_u^2n^2Q_n/(K^2n^2Q_n^2)=\sigma_u^2/(K^2Q_n)$ 以下で、$Q_n\ge\delta$ の上では $\sigma_u^2/(K^2\delta)$ 以下である。したがって
$$ P\bigl(n\lvert\hat\beta-\beta\rvert>K\bigr)\le P(Q_n< \delta)+\frac{\sigma_u^2}{K^2\delta} $$
である。$\delta$ を小さくとって第 1 項を $\varepsilon/2$ 未満にし、次に $K$ を大きくとって第 2 項を $\varepsilon/2$ 未満にすればよい。$\square$

回帰変数が定常なら推定量の誤差は $1/\sqrt n$ の大きさである。共和分回帰では回帰変数の 2 乗和が $n^2$ の大きさで増えるので、誤差が $1/n$ に縮む。これを 超一致性 という。

見せかけの回帰

$y_t:=\sum_{s=1}^tw_s$ とし、$w_s$ は独立に $N(0,\sigma_w^2)$ に従い、$(w_s)$ と $(v_s)$ は独立とする。このとき $n$ によらない $c>0$、$p>0$ があって、すべての $n$ で $P(\lvert\hat\beta\rvert>c)\ge p$ である。特に $\hat\beta$ は $0$ に確率収束しない。

$L$ を対角とその下がすべて $1$ の $n\times n$ 行列とし、$x=\sigma_vL\xi$、$y=\sigma_wL\zeta$($\xi,\zeta$ は独立な標準正規ベクトル)と書く。$\xi$ を与えたとき $x^{\mathsf T}y=\sigma_w(L^{\mathsf T}x)^{\mathsf T}\zeta$ は正規分布に従うので、$\hat\beta$ の条件付き分布は $N(0,s^2)$ で、$s^2=\sigma_w^2\|L^{\mathsf T}x\|^2/\|x\|^4=(\sigma_w^2/\sigma_v^2)\,G/H^2$、$G:=\|L^{\mathsf T}L\xi\|^2$、$H:=\|L\xi\|^2$ である。
$A$ が半正定値なら、固有値 $\lambda_k$ について $\xi^{\mathsf T}A\xi=\sum\lambda_kZ_k^2$($Z_k$ は独立な標準正規)なので、$E[\xi^{\mathsf T}A\xi]=\operatorname{tr}A$、$E[(\xi^{\mathsf T}A\xi)^2]=(\sum\lambda_k)^2+2\sum\lambda_k^2\le3(\operatorname{tr}A)^2$ である。$EH=\operatorname{tr}(L^{\mathsf T}L)=n(n+1)/2\le n^2$ である。$(L^{\mathsf T}L)_{ij}=n-\max(i,j)+1$ で、$i,j\le\lceil n/2\rceil$ の $\lceil n/2\rceil^2\ge n^2/4$ 個の成分は $n/2$ 以上なので、$EG=\operatorname{tr}((L^{\mathsf T}L)^2)\ge n^4/16$ である。
Paley–Zygmund の不等式 $P(G\ge\frac12EG)\ge\frac14(EG)^2/E[G^2]\ge\frac1{12}$ と、Markov の不等式 $P(H>24\,EH)\le\frac1{24}$ から、事象 $F:=\{G\ge\frac12EG,\ H\le24\,EH\}$ の確率は $\frac1{24}$ 以上である。$F$ の上では $G/H^2\ge(EG/2)/(576(EH)^2)\ge(n^4/32)/(576n^4)=1/18432$ なので、$s^2\ge\kappa^2:=\sigma_w^2/(18432\sigma_v^2)$ である。$c:=\kappa$ とすると、$s\ge\kappa$ なら $P(\lvert N(0,s^2)\rvert>\kappa)\ge P(\lvert Z\rvert>1)$ なので、$P(\lvert\hat\beta\rvert>c)\ge E[1_F\,P(\lvert\hat\beta\rvert>\kappa\mid\xi)]\ge\frac1{24}P(\lvert Z\rvert>1)=:p>0$ である。$\square$

定数は粗いが、要点は $\hat\beta$ のばらつきが $n$ を増やしても縮まないことである。2 つの系列に関係がないのに、推定値は $0$ のまわりに集まらない(ex-ci-spurious)。

計算の手順

2 つ以上の系列について共和分を調べ、モデルを作る標準の手順は次のとおり。

  1. 各系列が $I(1)$ かを確かめる。 水準と差分に単位根検定をかけ、水準では単位根を棄却できず、差分では棄却できることを見る。
  2. 共和分回帰(Engle–Granger の第 1 段)。 1 つの系列を残りに最小二乗で回帰し、残差 $\hat u_t$ を得る。共和分していれば係数は prop-ci-ols の速さで定まる。
  3. 残差が定常かを検定する(第 2 段)。 $\hat u_t$ に単位根の検定をかける。推定した係数を使うので、臨界値は通常の単位根検定と異なる表を使う(EG87)。
  4. 誤差修正モデルを推定する。 $\Delta y_t$ を $\hat u_{t-1}$ と差分のラグに回帰し、調整の係数 $\alpha$ を得る(thm-ci-granger)。
  5. 3 系列以上なら階数を決める。 共和分の階数 $r$ が 2 以上になりうるときは、誤差修正モデル全体を最尤法で推定し、$\alpha\beta^{\mathsf T}$ の階数を順に検定する Johansen の方法を使う(Joh88)。
    場合やること結果の形
    残差が定常誤差修正モデルを推定する$\beta$ と $\alpha$、長期の均衡 $\beta^{\mathsf T}y=$ 一定
    残差が単位根をもつ共和分なし。差分の VAR か ARMA で扱う水準での回帰は見せかけ
    系列がもとから定常共和分を考えない水準のまま ARMA
    よくある失敗の兆候を開く

    水準どうしの回帰で決定係数が大きく、残差の自己相関が強く(Durbin–Watson 統計量が $0$ に近い)、係数の $t$ 値が大きいときは、見せかけの回帰を疑う。

例題

誤差修正モデルの計算

$n=2$、$r=1$、$\alpha=(-0.2,0.1)^{\mathsf T}$、$\beta=(1,-1)^{\mathsf T}$、$\Sigma=I_2$ の誤差修正モデルについて、安定性、$C$、均衡からのずれの分散を求める。
使う公式:thm-ci-granger。
答え:$\beta^{\mathsf T}\alpha=-0.3$、$M=0.7$ で条件 (iii) を満たす。$\beta_\perp=(1,1)^{\mathsf T}$、$\alpha_\perp=(1,2)^{\mathsf T}$、$\alpha_\perp^{\mathsf T}\beta_\perp=3$ で
$$ C=\frac13\begin{pmatrix}1&2\\1&2\end{pmatrix},\qquad \alpha(\beta^{\mathsf T}\alpha)^{-1}\beta^{\mathsf T}=\frac13\begin{pmatrix}2&-2\\-1&1\end{pmatrix}. $$
共通の傾向は $\frac13(\varepsilon_{1}+2\varepsilon_{2})$ の累積で、両成分に同じ量だけ入る。定常な $z_t=y_{1,t}-y_{2,t}$ は AR(1) $z_t=0.7z_{t-1}+\varepsilon_{1,t}-\varepsilon_{2,t}$ で、分散は $2/(1-0.49)=200/51\approx3.92157$ である。

途中の計算を開く

$\alpha_\perp^{\mathsf T}\alpha=-0.2+0.2=0$、$\beta^{\mathsf T}\beta_\perp=0$。2 つの行列の和は単位行列で、thm-ci-granger の 1 と合う。$I_2+\alpha\beta^{\mathsf T}$ の固有値は $1$ と $0.7$ で、$1$ は共通の傾向に、$0.7=M$ はずれの減衰に対応する。$\mathrm{Var}(\beta^{\mathsf T}\varepsilon)=\beta^{\mathsf T}\beta=2$。

図: 左は上の誤差修正モデルの長さ 300 の標本路で、2 つの系列はともに大きくさまようが互いに寄り添い、差は 0 のまわりで揺れ続ける。右は独立な 2 つの酔歩で、それぞれも差も大きくさまよう。 図: 左は上の誤差修正モデルの長さ 300 の標本路で、2 つの系列はともに大きくさまようが互いに寄り添い、差は 0 のまわりで揺れ続ける。右は独立な 2 つの酔歩で、それぞれも差も大きくさまよう。

差分の移動平均から共和分ベクトルを読む

$\Delta x_t=\varepsilon_t+\Theta\varepsilon_{t-1}$、$\Theta=\begin{pmatrix}-0.5&0.5\\0.5&-0.5\end{pmatrix}$ のとき、共和分ベクトルと階数を求める。
使う公式:thm-ci-bn。
答え:$\Psi(1)=I+\Theta=\frac12\begin{pmatrix}1&1\\1&1\end{pmatrix}$ は階数 $1$ で、$\beta^{\mathsf T}\Psi(1)=0$ の解は $\beta=(1,-1)^{\mathsf T}$ の定数倍である。共和分の階数は $1$ で、$x_{1,t}-x_{2,t}=\varepsilon_{1,t}-\varepsilon_{2,t}+(x_{1,0}-x_{2,0})-(\varepsilon_{1,0}-\varepsilon_{2,0})$ は初期値を除いて定常である。

途中の計算を開く

$\Psi_0=I$、$\Psi_1=\Theta$ なので $\Psi_0^*=\Theta$、$\eta_t=\Theta\varepsilon_t$。Beveridge–Nelson 分解は $x_t=\Psi(1)S_t-\Theta\varepsilon_t+x_0+\Theta\varepsilon_0$ で、$(1,-1)\Theta=(-1,1)$ から上の式を得る。

超一致性の大きさ

$y_t=2x_t+u_t$、$x$ は標準正規の増分の酔歩、$u_t$ は独立な標準正規とし、prop-ci-ols の $\hat\beta$ の標準偏差を $n=100,400,1600$ で比べる。各 $n$ で 2000 回の模擬計算(乱数の種 20261108)をする。
使う公式:prop-ci-ols。
答え:$\hat\beta$ の標準偏差は順に約 $0.0237$、$0.00585$、$0.00147$ で、$n$ が 4 倍になるごとに約 $1/4$ になる。

規格化した誤差を開く

$n(\hat\beta-2)$ の標準偏差はどれも約 $2.35$ でほぼ一定である。

見せかけの回帰

独立な 2 つの酔歩(標準正規の増分)$y,x$ について、定数項つきで $y_t$ を $x_t$ に回帰する。$n=100,400,1600$ で 2000 回ずつ模擬計算し(種 20261108)、傾きの標準偏差と、通常の $t$ 検定(有意水準 5%、$\lvert t\rvert>1.96$)で「関係あり」となる割合を求める。
使う公式:prop-ci-spurious。
答え:傾きの標準偏差は縮まない。$\lvert t\rvert>1.96$ となる割合は約 $0.761$、$0.874$、$0.942$ で、$n$ とともに $1$ に近づく。関係がないのに大半の場合で有意と判定される。

傾きの標準偏差の値を開く

$n=100,400,1600$ の順に約 $0.627$、$0.636$、$0.634$ である。

使える条件と反例

各行は、対応する主張の条件を 1 つだけ外したものである。

外す条件反例成り立たなくなること
thm-ci-granger の $\rho(M)< 1$($\beta^{\mathsf T}\alpha$ は正則のまま)ex-ci-vecm で $\alpha=(-1.2,0.8)^{\mathsf T}$、$\beta^{\mathsf T}\alpha=-2$、$M=-1$$z_t=-z_{t-1}+\beta^{\mathsf T}\varepsilon_t$ で $\mathrm{Var}(z_t-(-1)^tz_0)=2t$。均衡からのずれが定常でない
thm-ci-granger の 1 の $\beta^{\mathsf T}\alpha$ の正則性$\alpha=(1,1)^{\mathsf T}$、$\beta=(1,-1)^{\mathsf T}$、$\beta^{\mathsf T}\alpha=0$$z_t$ は酔歩で、$\Delta y_t=\alpha z_{t-1}+\varepsilon_t$ も定常でない($y$ は 2 回差分して初めて定常)
def-ci-integrated の $\Psi(1)\ne0$$n=1$、$\Delta x_t=\varepsilon_t-\varepsilon_{t-1}$$x_t=x_0+\varepsilon_t-\varepsilon_0$ はもとから定常で、どの $\beta\ne0$ も定義の式を満たす。共和分の階数にあたる次元が $n$ になり、thm-ci-bn の $r\le n-1$ が成り立たない
prop-ci-ols の誤差の定常性$u_t$ を $x$ と独立な正規の増分の酔歩にする($\beta=0$)prop-ci-spurious により $\hat\beta$ は $0$ にすら近づかない
反例の確かめ
確かめを開く

1 行目:$\beta^{\mathsf T}\alpha=-1.2-0.8=-2$ は正則だが $M=-1$ のスペクトル半径は $1$ である。$z_t=(-1)^tz_0+\sum_{s=1}^t(-1)^{t-s}\beta^{\mathsf T}\varepsilon_s$ で、和の分散は $t\,\beta^{\mathsf T}\beta=2t$ である。弱定常な $w_t$ と確率変数 $\xi$ で $z_t=w_t+\xi$ と書けたとすると、$z_{2m}-z_0=w_{2m}-w_0$ の分散は $m$ によらず有界である。一方 $z_{2m}-z_0=\sum_{s=1}^{2m}(-1)^s\beta^{\mathsf T}\varepsilon_s$ の分散は $4m$ で、矛盾する。

2 行目:$\beta^{\mathsf T}\alpha=0$ なので $M=1$。$z_t=z_{t-1}+\beta^{\mathsf T}\varepsilon_t$ は酔歩で、分散は $2t$ で増える。$\Delta y_t$ は $\alpha z_{t-1}$ を含むので分散が増え、定常でない。

3 行目:$\Psi_0=1$、$\Psi_1=-1$ で $\Psi(1)=0$。$x_t=x_0+\sum_{s=1}^t(\varepsilon_s-\varepsilon_{s-1})=x_0+\varepsilon_t-\varepsilon_0$。

4 行目:$y_t=u_t$ は $x$ と独立な正規の増分の酔歩で、prop-ci-spurious の仮定そのものである。

よくある誤り

誤り正しくはなぜ
水準どうしの回帰の $t$ 値と決定係数をそのまま信じる両方が $I(1)$ で共和分していなければ見せかけprop-ci-spurious、ex-ci-spurious
共和分回帰の残差に通常の単位根検定の臨界値を使う推定した係数を使うので別の表が要る手順の 3
相関が高いことを共和分と同じとする共和分は 1 次結合の定常性で、相関の大きさとは別def-ci-main
3 系列以上でも共和分ベクトルは 1 本とする階数 $r$ は $n-1$ まであり、ベクトルは部分空間で決まるthm-ci-bn
共和分していれば差分の VAR を当てはめてよい差分だけのモデルは誤差修正の項 $\alpha\beta^{\mathsf T}y_{t-1}$ を落とすthm-ci-granger
調整の係数 $\alpha$ の符号と大きさを気にしないずれを戻す向きでないか、戻しすぎると $\rho(M)< 1$ が成り立たなくなりうる反例の表の 1・2 行目

補足

推定と検定、関連する話題

Engle–Granger と Johansen。 共和分と誤差修正表現の対応、2 段階の推定と残差による検定は EG87 による。誤差修正モデル全体を最尤法で推定し、$\alpha\beta^{\mathsf T}$ の階数を検定する方法は Joh88 による。どちらの検定統計量の極限分布も Brown 運動の汎関数で表され、正規分布や $\chi^2$ 分布にならない。この記事では証明しない。見せかけの回帰。 独立な酔歩の回帰で $t$ 検定が誤って有意になりやすいことは GN74 が模擬計算で示し、Phi86 が Donskerの定理 を使って極限を調べた。この記事の prop-ci-spurious はその一部を正規分布の場合に初等的に示したものである。Beveridge–Nelson 分解。 thm-ci-bn の分解は BN81 の名で呼ばれる。分散の変動。 誤差に条件付き分散の変動がある場合は ARCHモデル と組み合わせる。

関連項目

参考文献

[1]
Søren Johansen, Statistical analysis of cointegration vectors, Journal of Economic Dynamics and Control 12 (1988), 1988
[2]
C. W. J. Granger; P. Newbold, Spurious regressions in econometrics, Journal of Econometrics 2 (1974), 1974
[3]
P. C. B. Phillips, Understanding spurious regressions in econometrics, Journal of Econometrics 33 (1986), 1986
[4]
Stephen Beveridge; Charles R. Nelson, A new approach to decomposition of economic time series into permanent and transitory components with particular attention to measurement of the 'business cycle', Journal of Monetary Economics 7 (1981), 1981
[5]
Robert F. Engle; C. W. J. Granger, Co-Integration and Error Correction: Representation, Estimation, and Testing, Econometrica 55 (1987), no. 2, 1987

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する