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
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 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))
Sama seperti asumsi TS.1 tetapi sekarang variabel dependen dan independen diasumsikan
stasioner dan dependen lemah
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
Contemporanous exogeneity :
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
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.
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.
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.
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.
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