Asumsi yang digunakan sejauh ini tampaknya terlalu membatasi

1. Eksogenitas yang ketat, homoskedastisitas, dan tidak ada korelasi serial merupakan
persyaratan yang sangat menuntut, terutama dalam konteks deret waktu.
2. Inferensi statistik bertumpu pada validitas asumsi normalitas
3. Asumsi yang jauh lebih lemah diperlukan jika ukuran sampel besar
4. Persyaratan utama untuk analisis sampel besar deret waktu adalah deret waktu tersebut tidak
bergerak dan sangat bergantung
Deret waktu stasioner
1. Secara longgar, deret waktu tidak bergerak jika sifat stokastik dan struktur ketergantungan
temporal tidak berubah seiring waktu
Proses stokastik stasioner

Proses stokastik stasioner, jika untuk setiap kumpulan

indeks distribusi gabungan dari

sama seperti pada untuk semua bilangan bulat

Proses stasioner kovarian

Proses stokastik adalah kovarians stasioner, jika nilai yang

diharapkan, varians nya, dan covariances yang konstan dari waktu ke waktu: 1)
, 2) , and 3)
Deret waktu ketergantungan yang lemah

Proses stokastik bergantung secara lemah, jika adalah

"hampir independen" dari jika tumbuh hingga tak terbatas (untuk semua ).
Diskusi properti ketergantungan lemah

1. Implikasi dari ketergantungan yang lemah adalah korelasi antara dan harus
konvergen ke nol jika tumbuh hingga tak terbatas
2. Agar LLN dan CLT dapat dipertahankan, observasi individu tidak boleh terlalu terkait
erat satu sama lain; khususnya hubungan mereka harus menjadi lebih lemah (dan ini
cukup cepat) semakin jauh mereka berpisah
3. Perhatikan bahwa rangkaian mungkin tidak stasioner tetapi sangat bergantung
Contoh untuk deret waktu yang sangat bergantung
1. Proses Moving Average order satu (MA (1))

Prosesnya adalah rata-rata bergerak pendek dari i.i.d. seri et

Prosesnya sangat bergantung karena pengamatan yang lebih dari satu periode waktu tidak
memiliki kesamaan dan karena itu tidak berkorelasi.
2. Proses autoregresif pesanan satu (AR (1))

Proses ini membawa sampai batas tertentu nilai periode

sebelumnya (ditambah kejutan acak dari seri i.i.d. et)

Jika kondisi stabilitas bertahan, proses tersebut bergantung secara

lemah karena korelasi serial menyatu ke nol seiring jarak antara pengamatan tumbuh
hingga tak terbatas.
Sifat asimtotik OLS

Asumsi TS.1 '(Linear dalam parameter)

Sama seperti asumsi TS.1 tetapi sekarang variabel dependen dan independen diasumsikan
stasioner dan dependen lemah

Asumsi TS.2 '(Tidak ada collinearity sempurna)

Sama seperti asumsi TS.2

Asumsi TS.3 '(Rata-rata bersyarat nol)

Sekarang variabel penjelas diasumsikan hanya eksogen contempo-raneous daripada
eksogen ketat, yaitu

Variabel penjelas dari periode yang sama adalah tidak informatif

terhadap mean dari istilah kesalahan

Teorema (Konsistensi OLS)

Untuk konsistensi, bahkan cukup untuk mengasumsikan bahwa variabel penjelas hanya
pada saat yang sama tidak berkorelasi dengan istilah kesalahan (error )\
Alasan penting untuk melonggarkan asumsi eksogenitas yang ketat
1. Eksogenitas yang ketat adalah batasan yang serius karena mengesampingkan semua
jenis hubungan dinamis antara variabel penjelas dan istilah kesalahan

2. Secara khusus, itu mengesampingkan umpan balik dari dep. var. tentang nilai masa
depan dari penjelasan tersebut. variabel (yang sangat umum dalam konteks ekonomi)

3. Eksogenitas yang ketat menghalangi penggunaan lagged dep. var. sebagai regressor
 Alasan variabel dependen tertinggal melanggar eksogenitas ketat

Ini adalah model regresi yang paling sederhana

dengan variabel dependen yang tertinggal

Contemporanous exogeneity :

Eksogenitas yang ketat :

Eksogenitas yang ketat akan menyiratkan bahwa istilah kesalahan tidak berkorelasi dengan
semua yt, t = 1,…, n-1

Hal ini menimbulkan kontradiksi karena:

Estimasi OLS dengan adanya variabel dependen yang tertinggal

Di bawah eksogenitas kontemporer, OLS konsisten tetapi bias
Asumsi TS.4 '(Homoskedastisitas)

Kesalahannya bersifat homoscedastic

Asumsi TS.5 '(Tidak ada korelasi serial)

Tergantung pada variabel penjelas dalam periode t dan s, kesalahan tidak berkorelasi

Berdasarkan asumsi TS.1 '- TS.5', estimator OLS terdistribusi normal secara
asimtotik. Selanjutnya, OLS biasa kesalahan standar, t-statistik dan F-statistik yang
asimtotik valid.
Contoh : Efficient Markets Hypothesis (EMH)
EMH dalam bentuk yang ketat menyatakan bahwa informasi yang dapat diamati ke pasar
sebelum minggu t seharusnya tidak membantu untuk memprediksi pengembalian selama minggu
t. Penyederhanaan mengasumsikan sebagai tambahan bahwa hanya pengembalian masa lalu
yang dianggap sebagai informasi yang relevan untuk memprediksi pengembalian di minggu t. Ini
menyiratkan bahwa :

Cara sederhana untuk menguji EMH adalah dengan menentukan model AR (1). Di bawah asumsi EMH,
TS.3 'berlaku sehingga regresi OLS dapat digunakan untuk menguji apakah pengembalian minggu ini
bergantung pada minggu lalu.
 Tidak ada bukti yang menentang EMH. Memasukkan
lebih banyak pengembalian yang terlambat
menghasilkan hasil yang serupa.
Menggunakan deret stasioner tren dalam analisis regresi

Deret waktu dengan tren waktu deterministik tidak stasioner

Jika mereka stasioner di sekitar tren dan selain itu sangat bergantung, mereka disebut proses
stasioner tren
Proses stasioner tren juga memenuhi asumsi TS.1 '
Menggunakan deret waktu yang sangat persisten dalam analisis regresi
Sayangnya, banyak deret waktu ekonomi melanggar ketergantungan yang lemah karena sangat
persisten (= sangat bergantung)
Dalam hal ini metode OLS umumnya tidak valid (kecuali jika CLM ditahan)
Dalam beberapa kasus, transformasi menjadi ketergantungan yang lemah dimungkinkan
Random walks

Disebut jalan acak karena berjalan dari posisi sebelumnya yt-1

oleh i.i.d. jumlah acak et

Nilai hari ini adalah akumulasi dari semua kejutan masa lalu ditambah nilai awal. Ini adalah
alasan mengapa random walk sangat gigih: Pengaruh shock akan terkandung dalam seri
selamanya.

Jalan acak bukan stasioner kovarian karena varians dan

kovariannya bergantung pada waktu.

Itu juga tidak bergantung secara lemah karena korelasi antara

pengamatan menghilang sangat lambat dan ini
tergantung ` pada seberapa besar t.

Contoh untuk realisasi jalan acak

Jalan acak berkeliaran tanpa arah yang jelas

Tarif T-bill tiga bulan sebagai contoh yang

mungkin untuk jalan acak
Jalan acak adalah kasus khusus dari proses root unit.
Proses unit root didefinisikan sebagai random walk tetapi et mungkin merupakan proses dependen yang
lemah.

Dari sudut pandang ekonomi, penting untuk mengetahui apakah deret waktu sangat persisten. Dalam
rangkaian waktu yang sangat persisten, guncangan atau perubahan kebijakan memiliki efek yang bertahan
lama / permanen, dalam proses yang sangat bergantung, efeknya bersifat sementara.

Jalan acak dengan drift

Selain mekanisme random walk yang biasa dilakukan, terdapat

peningkatan/ penurunan deterministik (= drift) pada setiap
periode

Ini mengarah ke tren waktu linier di mana rangkaian mengikuti perilaku berjalan acaknya. Karena tidak
ada arah yang jelas di mana random walk berkembang, hal itu mungkin juga menyimpang dari tren.

Sebaliknya, jalan acak dengan drift memiliki sifat yang sama

dengan jalan acak tanpa drift.

Jalan acak dengan drift tidak kovariansi dan tidak bergantung

secara lemah.

Contoh jalur jalan acak dengan drift

Perhatikan bahwa rangkaian tidak secara teratur
kembali ke garis tren.
Jalan acak dengan drift mungkin merupakan model
yang baik untuk deret waktu yang memiliki tren
yang jelas tetapi tidak terlalu bergantung.
Transformasi pada deret waktu yang sangat
persisten
1. Urutan integrasiDeret waktu dependen lemah terintegrasi dari orde nol (= I (0))
2. Jika seri waktu harus dibedakan satu waktu untuk mendapatkan serangkaian lemah
tergantung, hal itu disebut terintegrasi order satu (= I (1))
Contoh untuk proses I (1)

Setelah dibedakan, deret yang dihasilkan bergantung lemah

(karena et sangat bergantung).
Perbedaan seringkali merupakan cara untuk mencapai ketergantungan yang lemah
Memutuskan apakah deret waktu adalah I (1)
Ada uji statistik untuk menguji apakah deret waktu adalah I (1) (= uji akar unit) lihat sampel autokorelasi
orde pertama:

Mengukur seberapa kuat hubungan observasi deret waktu yang

berdekatan satu sama lain.
Jika sampel urutan pertama autokorelasi dekat satu, ini menunjukkan bahwa seri waktu mungkin sangat
gigih (= berisi unit root) rangkaian mungkin memiliki tren deterministik
Kedua unit root dan trend dapat dihilangkan dengan cara membedakan
Contoh : Fertility equation

Persamaan ini dapat diestimasi oleh OLS jika asumsi CLM berlaku. Ini mungkin dipertanyakan, sehingga
seseorang harus menggunakan analisis sampel yang besar. Untuk analisis sampel yang besar, rangkaian
kesuburan dan rangkaian pembebasan pajak pribadi harus stasioner dan sangat bergantung. Ini
dipertanyakan karena kedua seri tersebut sangat gigih:

Oleh karena itu, lebih baik memperkirakan persamaan dalam perbedaan pertama. Ini masuk akal
karena jika persamaan tersebut memiliki level, persamaan tersebut juga harus memiliki
perbedaan pertama: Perkiraan

Contoh: Upah dan produktivitas Sertakan tren karena kedua rangkaian menampilkan tren yang jelas.

Elastisitas upah per jam sehubungan dengan output per jam

Ternyata bahkan setelah detrending, kedua seri menampilkan autokorelasi sampel mendekati satu
sehingga memperkirakan persamaan dalam perbedaan pertama tampak lebih memadai

Perkiraan elastisitas upah per jam sehubungan dengan

produktivitas ini jauh lebih masuk akal.

Model lengkap secara dinamis

Sebuah model dikatakan lengkap secara dinamis jika variabel lag yang cukup telah dimasukkan sebagai variabel
penjelas sehingga lag lebih lanjut tidak membantu menjelaskan variabel dependen

Kelengkapan dinamis menyiratkan tidak adanya korelasi serial

Jika kelambanan lebih lanjut benar-benar termasuk dalam regresi, kelalaiannya akan menyebabkan korelasi serial
(jika variabel berkorelasi serial)
Seseorang dapat dengan mudah menguji kelengkapan dinamis
Jika kelambatan tidak dapat dikesampingkan, ini menunjukkan ada korelasi serial
Eksogenitas berurutan
Satu set variabel penjelas dikatakan eksogen secara berurutan jika variabel penjelas tertinggal "cukup" telah
dimasukkan:
Eksogenitas sekuensial lebih lemah dari eksogenitas ketat
Eksogenitas sekuensial setara dengan kelengkapan dinamis jika variabel penjelas mengandung variabel dependen
tertinggal

Asumsi Homoskedastisitas untuk Model Rangkaian Waktu

Asumsi homoskedastisitas untuk regresi deret waktu, khususnya TS.4r, terlihat sangat
mirip dengan regresi cross-sectional. Namun, karena xt dapat berisi variabel y yang tertinggal
dan juga variabel penjelas yang tertinggal, kami membahas secara singkat arti dari asumsi
homoskedastisitas untuk regresi deret waktu yang berbeda.

sehingga varians ut tidak dapat bergantung pada zt, yt21, atau zt21 (atau fungsi waktu lainnya).
Umumnya, variabel penjelas apa pun yang muncul dalam model, kita harus mengasumsikan
bahwa varians dari yt mengingat variabel penjelas ini konstan. Jika model berisi lagged y atau
variabel penjelas tertinggal