事例研究(ミクロ経済政策・問題分析 III)
- 規制産業と料金・価格制度 (第10回 – 手法(4) 応用データ解析/時系列分析)
2015年 7月 1日
戒能一成
0. 本講の目的
(手法面)
- 応用データ解析の手法のうち、時系列分析
(ARMAX, 共和分, VAR) ・パネルデータ分析の
概要を理解する
(内容面)
- 計量経済学・統計学を実戦で応用する際の
留意点を理解する (2)
2
1. 時系列分析の基礎
1-1. 時系列分析の重要性
- 料金・価格制度やその変更が及ぼす効果を推計
する際に、財サービスの費用、価格・料金、数量
などは「系列相関」を持っている場合が多い
- 系列相関が生じる原因は多様
- 季節変動の存在(12ヶ月, 四半期など)
- 循環過程の存在(蜘蛛の巣調整過程など)
- 価格変更費用の存在
- 長期契約・先物契約の存在
- 規制・許認可手続の影響(“対前年比”査定)
3
1. 時系列分析の基礎
1-2. 時系列分析の要点
- 料金・価格制度の時系列分析では、 「系列相関」
と「外的要因」の 2つの要因の除去が必要
時間 → 0 1 ・・・ t (制度変更) ・・・ n (2010)
対照時系列比較?
→ 系列相関・外的要因除去が必要
→ 外的要因除去が必要
対象
↓
X1 y10 y11 ・・・ y1t (変更)・・・ y1n (変更)
X2 y20 y21 ・・・ y2t (変更)・・・ y2n (変更)
対照群横断比較?
→ 独立性が必要
(影響の均質性)
X3 y30 y31 ・・・ y3t ( -- ) ・・・ y3n( -- )
X4 y40 y41 ・・・ y4t ( -- ) ・・・ y4n( -- )
外的要因(毎年度変化)の影響が存在
異質性
が存在
4
1. 時系列分析の基礎
1-3. ARMAXモデルと成立条件(1) 系列相関消滅
- ARMAXモデルとは、自己相関項(AR)・移動平均
項(MA)により系列相関の影響を説明し、説明変
数 X により、外的要因の影響を説明したモデル
y(t)=μ+Σiθi*y(t-i)+Σjκj*ε(t-j) +x’β+ε(t)
定数項 自己相関項(AR)
移動平均項(MA) 説明変数項 誤差
↑「過去のy自身の値」 ↑「過去の誤差ε」 ↑(時系列も可)
- モデルが正しく構築されていれば、「系列相関」は
残らない
⇒ 系列相関が残ってないこと (成立条件#1)
5
1. 時系列分析の基礎
1-4. ARMAXモデルと成立条件(2) 定常性
- ARMAXモデルが意味を持つためには、y 及び x
が「弱定常: Weakly Stationary」であることが必要
強定常: 分布の確率密度関数が常に不変
弱定常: 期待値 E(z(t)), 分散 Var(z(t)), 自己相関
Cov(z(t), z(t-h)), ∀h が常に不変
- 弱定常でなければ弱定常になるまで階差(△z(t)
= z(t)-z(t-1))をとる (1階階差, 2階階差・・ )
- y 及び x (又は △y及び△x )が弱定常であること
6
(成立要件#2)
1. 時系列分析の基礎
1-5. 何故時系列分析では定常性を問題とするのか
- 定常性がない変数 x, y をそのまま回帰分析する
と、全く意味のない相関を検出することが多い
(疑似相関 Spurious Regression)
- ex. 廃棄物総埋立処分量と 国債発行残高
→ いずれも累積値、見掛上右肩上りの
あたかも関係があるような推移をする
- 定常性がない変数は、1階階差(△x, △y)を採る
などの方法で(弱)定常化し、本当に関係がある
変数なのか否かを判断する必要あり
7
1. 時系列分析の基礎
1-6. ARMAXモデルと成立条件(3) 因果一方向性
- ARMAXモデルの説明変数 X の条件は、
説明変数の外生性 を満たすこと
- 説明変数 X が全ての誤差項 ε(t)~ε(0) と
独立であること
⇔ E( ε(i) | X ) = 0 for ∀i: i∈T(t,・・・,0)
- X, Y が「同時均衡」となる場合に問題多発
- 上記説明変数 X についての条件を言換えると
y から x 方向のフィードバック(逆因果性)が
存在しないこと (成立要件#3)
8
1. 時系列分析の基礎
1-7. ARMAXモデルの構築(1)
- 自己相関項(AR)・移動平均項(MA)の次数(= 何
期前の値を使うか)は、自己相関関数(ACF)・
偏自己相関関数(PACF)により判定
- 自己相関関数(ACF):
ρh = Cov(y(t), y(t-h)) / Var(y(t)) ( 次数 h = 1, 2 ・・・ )
- 偏自己相関関数(PACF):
τhh = (Cov(y(t) - E(y(t)|y(t-1,・・・,yt-h+1), y(t-h)))/ Var(y(t))
自己相関(ACF)
AR項 (次数と共に減衰)
MA項 ピークがMA項の次数
偏自己相関(PACF)
ピークがAR項の次数
(次数と共に減衰)
9
1. 時系列分析の基礎
1-8. ARMAXモデルの構築(2)
- 自己相関項(AR)・移動平均項(MA)の組合わせは
何通りも可能であるが、赤池情報量(AIC)又は
ベイズ情報量(BIC)が最も小さいものを選ぶ
- 赤池情報量(AIC) ln(σ*2)+ 2*(p+q)/T
- ベイズ情報量(BIC) ln(σ*2)+ 2*(p+q-1)*ln(T)/T
( BICは計量分析ソフトにより ”Schwartz” と表記される場合あり,
p: AR最大次数, q: MA最大次数, T: 期間(試料)数)
- 自己相関項(AR)・移動平均項(MA) をたくさん使う
と系列相関は消しやすいが、AIC・BICは膨張
10
→ “ Simple is best ! ”
1. 時系列分析の基礎
1-9. ARMAXモデルの解釈
- 正しく構築された ARMAXモデルの係数の意味
y(t) = μ +Σθi * y(t-i) + Σκj*ε(t-j)
+Σβk * x(t-k) + ε(t)
β0 (=∂y(t)/∂x(t)) : 短期効果 ( x 1単位変化時)
Σβk / ( 1 – Σθi ) : 長期効果 (∀x 1単位変化時)
( 1 – Σθi )
: 調整速度 (長期均衡に至る
迄の速さ)
x
y
11
2. 時系列分析と検定
2-1. 系列相関検定
- ARMAXモデルに「系列相関」がない(成立条件
#1)ことを確認する検定
- Q検定 (Prob>Q 指標による判定)
- Breusch Godfrey Lagrange Multiplier (BGLM) 検定
ε(t) = Σ ei * ε(i) ; (∀ei = 0 ? )
誤差項を相互に線形回帰した際に、仮に系列
相関がなければ回帰係数 eiは全て 0 のはず
- これまで DW比が多用されたが、複合相関不可、
判定不能域が存在するなど問題多し
12
2. 時系列分析と検定
2-2. 定常性検定(単位根検定)
- 試料 y, x が「弱定常」であること(成立条件#2)を
確認する検定 (単位根検定 Unit Root Test)
- Augmented Dickey Fuller (ADF) 検定
仮に x(t) が非定常の場合、x(t) の自己相関項
(AR)を多項式で表した特性方程式に少なくとも
1つ z ≦ 1 なる解がある
x(t) = Σθi*x(t-i) + ε(t) が非定常
⇒特性方程式 1-Σθi*zi =0に zが1以下の解有
※ 計量分析ソフトにより 1/z を表示するものあり、要注意
13
2. 時系列分析と検定
2-3. 因果方向性検定
- ARMAXモデルで「y → x」方向の因果性がない
(成立条件#3) ことを確認する検定
- Granger Causality (因果性) 検定 (∀βk = 0?)
x(t) = μ + Σθi*x(t-i) + Σβk*y(t-k) +ε(t)
x*(t) = μ*+ Σθ*i*x(t-i)
+ε*(t)
仮に x(t) を xの過去値 と yの過去値 を説明
変数として推計した結果が、xの過去値のみ
で推計した結果(x*(t)) と有意な差がないならば、
y→x 方向の「(Grangerの意味での)因果性」なし
14
2. 時系列分析と検定
2-4. “Box-Jenkins法”(定常化解析法) [重要]
#0 因果方向性判定 (ARMAXモデルのみ) (成立条件#3)
Granger因果性検定で y → x の因果性がないことを確認
#1 定常化処理 (成立条件#2)
y, x を 対数化、階差化、指数化などの処理により 定常性
(ADF)検定 を用いて、ほぼ「弱定常」の状態にする
#2 モデル仮構築・推計
ACF, PACFの状態を見て、モデル構築・非線形回帰推計
#3 系列相関消滅の確認 (成立条件#1)
#2 のモデルの残差ε(t) を求め、Q検定、BGLM検定など
により系列相関が残っていないことを確認する;
- 系列相関が残っていれば不可、 #2 に戻り再構築
- 系列相関が消え かつ AIC(orBIC)最小のモデルが解
完 成
15
3. 時系列分析とVAR・共和分
3-1. 因果性条件の破れとVAR
- 試料 y, x の間に「y → x」方向の逆因果性が
ある場合でも、y, x 両方の過去の値を説明変数
として使い、y(t), x(t) を自己相関項(AR)モデルで
同時推計してしまうことが可能
- 当該推計を Vector Auto Regression と呼ぶ
y(t)
x(t)
=
βyy1 βxy1
βyx1 βxx1
y(t-1)
x(t-1)
+ ・・・
+
εy(t)
εx(t)
→ VARには最小二乗法が使える利点有
但し結果の分析・解釈が困難という欠点有
16
3. 時系列分析とVAR・共和分
3-2. VARによる分析と結果表現
- VAR分析においては、y, x の過去の値を誘導型
のまま説明変数とし同時推計するため、次数が
多くなると個々の係数を解釈する意味は乏しい
- VAR分析の結果分析・解釈は以下の 2つを使用
- 衝撃応答分析 Impulse Response Analysis
x が 1単位変化した際、h期後の y がどの程度変
化するか
- 分散分解分析 Variance Decomposition An.
h期後の y の変動に x, y がどの程度寄与するか
17
3. 時系列分析とVAR・共和分
3-3. VARによる分析と順序仮定
- VAR分析において、衝撃応答・分散分解の両方
とも、結果表現に際して変数の「順序 ordering」を
仮定する必要有 (ex. [y, x] or [x, y], Cholesky
Decomposition Ordering )
(∵ x, y に同時に起きた変動は識別できない)
- 順序を仮定する結果、最も上位の変数の 1期目
の変動には、自己の変動分しか寄与しない
- 期数が増加するにつれて、順序を仮定した影響
は減衰していく
18
3. 時系列分析とVAR・共和分
3-3+. VARによる分析の概念 (補)
t+1 期
y(t+1)
x(t+1)
βxx
βxy
βyy
βyx
t期
x (t)
y(t)
Z
衝撃応答→ h期後への zの伝搬 分散分解→ h期後の zの由来累計比較
19
3. 時系列分析とVAR・共和分
3-4. 定常性条件の破れと 共和分 Co-integration
- 試料 y, x が「弱定常」でない場合でも、下の 2つ
の条件(共和分条件: Co-integration)を満たせば
直接(階差をとらずに)回帰分析が可能
- x, y とも1階階差(△x, △y)により「弱定常」と
することができる
( 2階階差以上で「弱定常」となる場合は不可 )
- y(t) を x(t) で回帰した際に、残差 ε(t) が
「弱定常」となるような β が存在する
y(t) = x(t)* β + ε(t)
20
3. 時系列分析とVAR・共和分
3-5. “Johansen rank” 検定法
- 試料 y, x が共和分条件を満たすか否かについ
ては、Johansen rank 検定法により判定
- △Z(t) = μ + Π*Z(t-1) + θ*△Z(t-1)・・+ε(t)
と変形すると rankΠ が共和分の数を示す
Z(t) = (y(t), x(t)), △Z(t) =(y(t)-y(t-1), x(t)-x(t-1))
- rank 0 ⇒ 共和分なし、1階階差で分析
rank 1 ⇒ 共和分関係1つ有
直接分析可
(通常は VAR)
rank 2 ⇒ 共和分関係2つ有
・・・ (最大で Z の次数迄)
21
4. パネルデータ分析
4-1. パネルデータ分析の概念
- パネルデータ分析とは、複数の対象・複数の時
点に関するデータを用いた分析をいう
パネルデータ分析
( 複数対象・複数時点 )
→ 外的要因変化と対象
異質性の同時除去
時間 → 0 1 ・・・ t (制度変更) ・・・ n (2010)
対象
↓ X1 y10 y11 ・・・ y1t (変更)・・・ y1n (変更)
X2 y20 y21 ・・・ y2t (変更)・・・ y2n (変更)
X3 y30 y31 ・・・ y3t ( -- ) ・・・ y3n( -- )
X4 y40 y41 ・・・ y4t ( -- ) ・・・ y4n( -- )
外的要因(毎年度変化)の影響が存在
異質性
が存在
22
4. パネルデータ分析
4-2. パネルデータ分析の方法
- 固定効果モデル (Fixed Effect Model)
個々の対象に対応したダミー変数を説明変数
として設け、対象毎の異質性を固定的に識別
(時間に対しダミーを設ける場合も有)
Y(i,t) = α + X(i,t)*βfx + Σi DMi(1/0) + ε(i,t)
- 変量効果モデル (Random Effect Model)
対象(時間)に対応したダミー変数を設けず、
対象(時間)毎の異質性を確率的現象とする
Y(i,t) = α + X(i,t)*βrd + ε(i,t)
23
4. パネルデータ分析
4-3. パネルデータ分析と検定
- 定常性検定
- パネルデータ分析でも定常性の問題は存在
(単位根検定 Unit root test)
→ パネル ADF 検定 (Fisher Type)
- 固定効果・変量効果検定
- モデル選択の問題
→ Hausman 検定
← この2つの検定は必須
24
5. 時系列分析 - 実戦編 5-1. 時系列分析と結果の解釈(1)
- 例: 灯油消費量 (家計調・全国/地域, ‘02JAN-)
時系列分析の場合、時系列推移図を併用する
25
5. 時系列分析 - 実戦編 5-2. 時系列分析と結果の解釈(2)
- 灯油・プロパンガスの家計消費量・価格の解析
( → 別途配付資料で STATAでの算定結果を
用いて説明 )
26
ダウンロード

x(t) - 東京大学