Você está na página 1de 16

Vagaries of the Euro: an Introduction to ARIMA Modeling Keanehan/Perilaku Euro: sebuah Pengantar Pemodelan ARIMA

Pengenalan Tujuan dari makalah ini adalah untuk memberikan contoh praktis dan dapat diakses dari pemodelan ARIMA, yang kemudian dapat dijadikan studi kasus bagi mahasiswa dalam ekonometrika atau statistik. Kami memilih untuk mengembangkan kasus kami pada nilai tukar antara dolar AS dan Euro (USD / EUR) karena bidang studi ini memiliki dua keuntungan utama. Pertama, up-to-date data, seperti yang kita digunakan dalam makalah ini, tersedia secara bebas untuk men-download dari lembaga internasional dan nasional. Kedua, nilai tukar telah dipelajari secara ekstensif dalam literatur, dan beberapa teori-teori ekonomi yang bersaing telah diajukan untuk menjelaskan fluktuasi mereka dalam hal ekonomi makro variabel. Dengan demikian, memberikan kesempatan yang sangat baik, juga sebagai contoh bagi siswa, untuk mempelajari salah satu metode yang mungkin untuk menempatkan teoriteori untuk menguji.

Kami berpikir bahwa keunggulan ini dikombinasikan menyediakan baik guru dan siswa dengan kerangka yang sempurna untuk berlatih pemodelan ARIMA baru. Baru up-todate data yang bisa dikaitkan dengan peristiwa saat ini akan selalu tersedia secara bebas, sedangkan data dari periode makalah ini berkaitan dengan akan tetap tersedia untuk tujuan replikasi. Pembaca tidak akan menemukan di halaman berikut teori baru tentang pergerakan nilai tukar, meskipun hasil model kami masih memiliki implikasi teoritis menarik. Memang, hasil kami membangun pada kekuatan pemodelan ARIMA untuk memberikan wawasan tentang struktur time series USD / EUR. Model kami juga menempatkan untuk menguji pengaruh pada nilai tukar dari kovariat makroekonomi yang pilihan telah didorong secara teoritis. Ketika kami akan menunjukkan, nilai tukar pemodelan dan peramalan juga layak reputasi mereka sebagai usaha yang sulit . Makalah ini dikembangkan dengan cara berikut. Pada bagian pertama, kamimenyajikan serangkaian waktu yang berbeda kita mempertimbangkan, menjelaskan
1

pilihan kita untuk kovariat. Pada bagian kedua, kami akan menjelaskan metodologi dan pendekatan pemodelan, mengacu pada metodologi umum pemodelan ARIMA. Kemudian, kami menyajikan model yang dihasilkan, dan karakteristik yang berbeda. Akhirnya, bagian diskusi menempatkan model kita dalam perspektif yang lebih luas, dan berhubungan persamaan penjelasan praktis.

Konteks dan Latar Belakang

Pada bagian ini, kami menyediakan beberapa sejarah serta konteks ekonomi untuk latihan kita dalam pemodelan ARIMA. Untuk membantu memahami peran khusus dari kurs USD / EUR, pertama kita memberikan gambaran singkat tentang perkembangan sejarah yang mengarah pada lahirnya mata uang Eropa, sebelum memberikan alasan di balik pilihan kita kovariat untuk penelitian dalam satu detik bagian.

Menyajikan euro: Sebuah sejarah singkat dari mata uang Eropa

Nilai tukar , dan dengan demikian pemahaman tentang fluktuasi mereka, berada di perempatan sejarah geopolitik dan ekonomi dari masyarakat modern kita. Ini bukan subyek makalah ini untuk menyelidiki seluk-beluk menarik mereka. Namun, karena data dalam makalah ini mencakup periode penting dalam sejarah ekonomi baru-baru yang mengawasi konvergensi dari sistem moneter di Eropa Barat dan dimulainya Euro, penting untuk memiliki beberapa fakta dalam pikiran. Gagasan tentang sistem moneter umum untuk negara-negara Eropa Barat tanggal kembali ke 1970-an, dan European Currency Unit (ECU) telah dibuat pada tanggal 13 Maret 1979 sebagai unit rekening internal untuk Masyarakat Eropa. Pada bulan Juni 1988, Dewan Eropa menegaskan tujuan dari realisasi progresif dari Uni Ekonomi dan Moneter (EMU) di Eropa Barat. Setahun kemudian, pada bulan Juni 1989, lebih lanjut memutuskan bahwa ini realisasi progresif akan mengungkap dalam tiga tahap: dari 1 Juli 1990 sampai dengan 31 Desember 1993; kemudian, dari 1 Januari 1994 sampai dengan 31 Desember 1998; dan akhirnya, dari Januari 1st, 1999 sampai saat ini (Bank Sentral Eropa, 2008). Sejak awal rencana tiga tahap, penggunaan ECU, yang sebelumnya
2

dibatasi, secara bebas diberikan, dan mulai menjadi lebih umum digunakan untuk beberapa transaksi keuangan internasional. Tahap kedua menandai menguatnya konvergensi dari sistem moneter yang berbeda dan emansipasi progresif dari bank sentral dari nasional kedaulatan. Hal ini juga selama periode ini bahwa Bank Sentral Eropa (ECB), serta Moneter Eropa Institute, diciptakan. Akhirnya, tahap terakhir adalah identik dengan pengenalan Euro (EUR) untuk menggantikan ECU sebagai unit akuntansi sebagai 1 Januari 1999, dan sebagai mata uang riil dengan pengenalan koin dan uang kertas sebagai 1 Januari 2002. Tanggal-tanggal penting bagi penelitian kami karena beberapa alasan. Hal pertama yang mengakui adalah bahwa dataset kami didasari atas time series bulanan yang mencakup periode Januari 1994 sampai Oktober 2007. Oleh karena itu, nilai tukar dari Januari 1994 sampai Desember 1998 dihitung dari kutipan di ECU, pada saat mata uang hanya Eropa. Jika ECU adalah "virtual" mata uang merupakan sebagai rata-rata tertimbang mata uang sebenarnya dari anggota EMU, konvergensi yang dikenakan oleh tahap II dari rencana Dewan Eropa memastikan benarnya dengan ekstrapolasi dari seri nilai tukar waktu ke pra euro periode. Selain itu, perhitungan yang dilakukan oleh ECB, sumber asli dari deret waktu dalam dataset ini. Dari sudut pandang global, pengenalan progresif dari sebuah mata uang Eropa, yang didukung oleh pusat Eropa independen bank, telah menjadi salah satu pendorong utama untuk situasi saat ini.

Hal ini hampir tidak perlu untuk menyebutkan pentingnya untuk ekonomi dunia bahwa nilai tukar euro / USdollar telah mengakuisisi. Baru, ekonomi proyeksi menggunakan untuk waktu 15 tahun ke depan, beberapa penulis (misalnya Chinn & Frankel, 2006) berpendapat bahwa kemungkinan bahwa mata uang Euro akan mengambil alih peran mata uang cadangan dunia dari US Dollar tidak null. Selain itu, gejolak baru pada pasar keuangan, pada bulan Februari-Maret 2008, dapat dilihat sebagai tanda melemahnya Dolar AS terhadap Euro - salah satu skenario yang digunakan oleh Chinn dan Frankel untuk proyeksi mereka. Dari sudut pandang murni ekonometrik, nilai tukar ditampilkan pada Gambar 1, menyajikan beberapa karakteristik (non stasioner) melayang random walk, dengan dua periode utama yang berhubungan dengan melemahnya EUR terhadap USD 1995-2001, diikuti dengan sebaliknya fenomena dari tahun 2001 sampai saat ini. Selanjutnya, sampel Fungsi
3

Autokorelasi (ACF) dan Autokorelasi Fungsi sampel parsial (PACF), yang mewakili struktur korelasi antar periode time series, ditampilkan pada Gambar 2 untuk EUR per USD time series dan pada Gambar 3 untuk perbedaan pertama dari seri waktu, sekali lagi menunjukkan beberapa karakteristik dari proses non-stasioner. Artinya, ACF sampel nilai tukar meluruh sangat lambat, sedangkan PACF yang sesuai hanya menunjukkan satu kontribusi yang sangat signifikan pada lag pertama. Pada saat yang sama, untuk seri saat perbedaan pertama, ACF memotong setelah lag pertama, sementara PACF memotong off setelah hanya dua kontribusi yang signifikan.

Pemilihan kovariat: pemilihan indicator ekonomi

Tujuan dari bagian ini adalah untuk menyajikan setiap kovariat yang masuk penelitian di bawah ini dalam kerangka ekonomi yang membawa kita untuk memilihnya. Untuk tujuan ini, kami akan menarik bagi lima konstruksi ekonomi yang berbeda: Paritas Suku Bunga (IRP), Purchasing Power Parity (PPP), Agregat Uang, dan Siklus Bisnis.

Paritas Suku Bunga (IRP)

Bunga Paritas Tingkat hubungan yang mendasar yang berkaitan suku bunga dan nilai tukar. Hal ini bergantung pada gagasan tentang arbitrase keuangan mungkin yang menggunakan diferensial suku bunga antara dua mata uang. Idenya adalah untuk meminjam uang dalam mata uang dengan suku bunga rendah dan berinvestasi dalam mata uang dengan suku bunga yang lebih tinggi. Karena arbitrase konsisten akhirnya akan menyebabkan kekayaan tak terbatas, harus ada mekanisme yang menyeimbangkan diferensial suku bunga. Diteori ini, nilai tukar dipandang sebagai mekanisme keseimbangan. Sebaliknya, karena arbitrase ini seharusnya tidak terjadi, suku bunga dapat digunakan untuk meramalkan pergerakan nilai tukar antara dua mata uang.

Pendekatan klasik untuk bertukar peramalan tingkat menggunakan IRP milik tradisi
4

Chicago (bdk. Frankel, 1979). Dalam pendekatan ini, harga benar-benar fleksibel, dengan itu, perubahan dalam tingkat bunga nominal mencerminkan perubahan dalam tingkat inflasi yang diharapkan. Dalam skenario ini, kenaikan harga dalam nilai tukar berarti kenaikan dalam harga mata uang asing. Oleh karena itu, kita harus melihat hubungan positif antara nilai tukar dan tingkat diferensial bunga nominal antara kedua negara. Pendekatan yang lebih baru didasarkan pada pandangan Keynesian (Keynes, 1923; Dornbusch, 1976) asumsi harga kaku dalam jangka pendek. Kedua pendekatan yang berbeda diperpanjang oleh Frankel (1979), yang mengembangkan sebuah model yang menggabungkan asumsi dari kedua tradisi. Untuk memasukkan ide ini, kami memilih untuk digunakan sebagai kovariat lereng suku bunga, didefinisikan sebagai selisih antara tingkat bunga jangka panjang dan jangka pendek tingkat bunga, dan tingkat suku bunga segera, yang mewakili biaya harian uang, baik untuk USD dan EUR. Tersebut disajikan pada Gambar 4 (a) dan (b).

Pembelian Daya Parity (PPP)

Teori paritas daya beli (PPP), diciptakan oleh Gustav Cassel (1918), menggunakan nilai jangka panjang keseimbangan pertukaran antara dua mata uang untuk menyamakan daya beli mereka di negara asal mereka. Dengan demikian, Paritas Daya Beli (PPP) nilai tukar adalah tingkat yang dapat menyamakan dua mata uang dengan menghilangkan perbedaan tingkat harga antar negara. Meskipun efek dari PPP pada jangka panjang peramalan nilai tukar telah didukung dalam literatur masa lalu (Rogoff, 1996), efek jangka pendek peramalan belum didukung (Rogoff, 1996; Lothian dan Taylor, 1996; Grossman dan Rogoff, 1995). The "pengembalian rata-rata" hipotesis - tukar untuk kembali ke nilai-nilai mereka PPP dalam jangka waktu yang lebih - ini didukung oleh studi empiris. Xu (2003) menyarankan penggunaan indeks harga agregat untuk menguji kebugaran PPP atau peramalan nilai tukar. Kami memilih untuk menggunakan diferensial inflasi diukur sebagai selisih antara perubahan log-dalam Indeks Harga Konsumen. Hal ini disajikan pada Gambar 5. Sejak pelaksanaan sistem nilai tukar fleksibel pada awal tahun 1970, para peneliti telah menjadi tertarik pada pendekatan moneter untuk bertukar peramalan tingkat. Dalam
5

pendekatan ini, harga relatif dari dua mata uang dipengaruhi oleh penawaran dan permintaan uang di dua negara. Agregat Uang mengukur stok uang yang beredar dalam suatu negara. Diasumsikan bahwa agregat moneter cukup sensitif terhadap suku bunga. Perubahan agregat moneter dianggap untuk mencerminkan perubahan dalam kebijakan moneter, prospek ekonomi, dan tekanan inflasi. Namun, sulit untuk mengetahui arah dari efek kausalitas agregat uang pada tingkat bunga, dan oleh karena itu pada nilai tukar. Ada beberapa cara di mana agregat moneter dapat dihitung: M1 ("uang sempit") termasuk mata uang yang beredar ditambah deposito checkable dan cek perjalanan; M2 ("uang luas") pada dasarnya adalah M1 ditambah tabungan dan kecil (kurang dari $ 100.000) deposito berjangka, dan M3 adalah ukuran terluas, yang terdiri dari deposito berjangka M2 ditambah besar dan sejumlah instrumen yang relatif cair lainnya. Dalam penelitian ini kami menggunakan log-perubahan agregat M3 sebagai kovariat. Evolusi log-perubahan M3 ditunjukkan pada Gambar 4 (c).

Siklus Bisnis

Siklus bisnis telah dipertimbangkan dalam literatur sebagai kemungkinan mempengaruhi pergerakan nilai tukar. Sejak harga saham melacak siklus bisnis cukup dekat, kita termasuk ukuran siklus bisnis dalam analisis kami dengan menggunakan log dari indeks harga saham dihitung dengan OECD. Indeks-indeks ini dinormalisasi sehingga tingkat mereka pada tahun 2000 adalah 100.

Dataset

Data yang telah diunduh dari OECD statistik database, tersedia online di http://stats.oecd.org/wbos/default.aspx. Data mencakup indikator keuangan dan ekonomi bulanan untuk interval waktu terpanjang tersedia dalam database OECD. Perhatikan kasus khusus dari Euro Moneter Uni. Tanggal mulai dari seri waktu yang sesuai dengan zona geografis sering dimulai sebelum waktu awal sebenarnya bersejarah Euro Moneter Uni. Dalam kasus tersebut, perhitungan dilakukan oleh unit statistik OECD. Salah satu alasan kami terus titik-titik data, selain dari kenyataan bahwa seri akan terlalu kecil untuk sopan sesuai model ARIMA jika kita tidak, adalah bahwa seri semua datang dari sumber yang sama
6

memastikan koherensi dalam perhitungan. Informasi lebih lanjut dapat ditemukan di situs web OECD.

Model dan Hasil

Pada bagian ini, kita menjelaskan penyewa dan dasar-dasar dari model ARIMA. Perlu dicatat bahwa metodologi estimasi ARIMA dan pemilihan model adalah topik klasik tercakup dalam sebagian besar buku pelajaran pada analisis deret waktu (misalnya Brockwell dan Davis, 2003; Hamilton, 1994; Tsay, 2005; Wei, 2006). Kami tidak bermaksud untuk menduplikasi sini uraian metodologi telah didokumentasikan dengan baik, melainkan untuk memberikan makna praktis dalam konteks ini dengan model. Kami menyajikan tiga model: satu dengan EUR per nilai tukar USD saja (yaitu tanpa kovariat), yang kita sebut model ARIMA sederhana, dan dua ARIMA model dengan menambahkan kovariat, salah satu yang terdiri dari semua indikator yang dipilih kami ekonomi, dan lain membatasi kovariat ke beberapa dipilih.

Pendekatan pemodelan The ARIMA model sederhana

Autoregressive Integrated Moving Average (ARIMA) model berniat untuk menggambarkan perilaku saat variabel dalam hal hubungan linier dengan nilai-nilai masa lalu mereka. Model ini juga disebut Box-Jenkins (1984) model berdasarkan kepeloporannya ini penulis mengenai waktu-seri teknik peramalan. Model ARIMA dapat diuraikan dalam dua bagian. Pertama, ia memiliki komponen (I) Terpadu (d), yang merupakan jumlah differencing yang akan dilakukan pada seri untuk membuatnya diam. Komponen kedua dari ARIMA terdiri dari model ARMA untuk seri diberikan stasioner melalui diferensiasi. Komponen ARMA selanjutnya diuraikan menjadi komponen AR dan MA. Komponen (AR) autoregressive menangkap korelasi antara nilai saat ini dari seri waktu dan beberapa nilai-nilai masa lalu. Sebagai contoh, AR (1) berarti bahwa pengamatan saat ini berkorelasi dengan nilai langsung masa lalu pada waktu t-1. Moving Average (MA) komponen mewakili durasi pengaruh kejutan (dijelaskan) acak. Misalnya, MA (1) berarti bahwa kejutan pada nilai seri pada waktu t berkorelasi dengan guncangan pada t-1. Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi
7

Parsial (PCF) digunakan untuk memperkirakan nilai p dan q, dengan menggunakan aturan dilaporkan dalam Tabel 1. Pada bagian berikutnya, kami menyediakan contoh dari model ARIMA sederhana.

Contoh model ARIMA sederhana

Seperti yang telah kita perhatikan ketika kita mempresentasikan EUR per nilai tukar USD, seri waktu pameran nonstationarity beberapa. Bahkan, jika kita mengacu pada pedoman pada Tabel 1, kita melihat bahwa hanya ACF dan PACF yang pertama-dibedakan USD / EUR seri, dalam Gambar 3, menampilkan pola membusuk dengan wajar cut-off poin. Secara bersama, Tabel 1 dan Gambar 2 dan 3 menyarankan ARIMA (2,1,0) struktur. Ini menyiratkan persamaan evolusi berikut,

Statistik Ljung-Box dari model ini adalah tidak berbeda nyata dari 0 dengan nilai 13,936 untuk 16 derajat kebebasan dan terkait hal-nilai 0,603, sehingga gagal untuk menolak hipotesis nol tidak ada autokorelasi yang signifikan yang tersisa dalam residual dari model. Hal ini menunjukkan bahwa model tersebut tampaknya cukup menangkap informasi korelasi dalam time series. Selain itu, akar rendah berarti kesalahan persegi (RMSE) menunjukkan cocok untuk model. Kedua koefisien AR, and12, sangat berbeda dari 0 dengan nilai 0,392 (0,000) dan -0,185 (0,018) masing-masing. Angka-angka dalam kurung adalah p-nilai. Model ini memungkinkan kita untuk menulis persamaan evolusi berikut untuk nilai tukar. *equation\ Yang dapat ditulis *equation Dimana Yt mewakili nilai tukar (dlm EUR per USD), B adalah operator backshift, dan pada random noise. Kami meng-estimasi model ini menggunakan prosedur ARIMA dalam SPSS melalui prosedur maksimum likelihood dengan asumsi bahwa tidak ada data yang hilang, dan melaporkan hasil dalam Tabel 2.

Statistik Ljung-Box dari model ini adalah tidak berbeda nyata dari 0 dengan nilai 13,936 untuk 16 derajat kebebasan dan terkait hal-nilai 0,603, sehingga gagal untuk menolak hipotesis nol tidak ada autokorelasi yang signifikan yang tersisa dalam residual dari model. Hal ini menunjukkan bahwa model tersebut tampaknya cukup menangkap informasi korelasi dalam time series. Selain itu, akar root mean square error (RMSE) menunjukkan cocok untuk model. Kedua koefisien AR, and12, sangat berbeda dari 0 dengan nilai 0,392 (0,000) dan -0,185 (0,018) masing-masing. Angka-angka dalam kurung adalah p-nilai. Model ini memungkinkan kita untuk menulis persamaan evolusi berikut untuk nilai tukar. Dimana Yt merupakan nilai yang diestimasi oleh model untuk Yt. Perhatikan nilai yang sangat kecil dari konstanta dalam persamaan ini, yang mencerminkan kurangnya signifikansi estimatetY, dengan nilai -0,001 (0,530). Persamaan ini menetapkan evolusi EUR per nilai tukar USD sebagai jumlah tertimbang masa lalu tiga nilai plus kejutan acak. Selanjutnya, salah satu fitur menarik adalah, bahwa karena time series nilai tukar perlu dibedakan sekali untuk dibuat stasioner, koefisien dari kombinasi linier dari jumlah nilai-nilai masa lalu untuk satu. Artinya, nilai sekarang dari nilai tukar dapat diartikan sebagai rata-rata tertimbang dari nilai-nilai masa lalu. Perhatikan juga bahwa koefisien penurunan nilai mutlak dari t-1 untuk t-3 sehingga memberikan bobot lebih proporsional dengan nilai-nilai yang terbaru.

Regresi dan ARIMA pada errors Kita telah melihat di atas bahwa model ARIMA sederhana dapat memberikan persamaan evolusi dengan interpretasi yang sederhana. Meskipun demikian, jenis model dapat dikritik karena gagal untuk memberikan penjelasan dari struktur kausal di balik evolusi dari seri waktu. Salah satu cara sederhana dan umum untuk mencoba untuk mendapatkan hubungan struktural di balik fenomena tersebut kita model adalah dengan menggunakan regresi linier. Perhatikan bahwa tentu tidak berjumlah membuktikan hubungan kausal (Pearl, 2000), tetapi memberikan persamaan sederhana dan mudah diinterpretasi bahwa upaya untuk hubungan model. Namun, regresi linier dari EUR per nilai tukar USD pada variabel penjelas, seperti indikator ekonomi, juga memiliki beberapa kelemahan. Pada bagian ini, kita secara singkat memaparkan mengapa regresi tidak cocok
9

dan lanjutkan untuk menjelaskan bagaimana ide-ide dari regresi linier dan pemodelan time series dapat dikombinasikan. Kami mendukung penjelasan kami dengan contoh-contoh dari dua model yang menggabungkan kedua ide. Hasil akhir dirangkum dalam subseksi terakhir. Menggabungkan ide-ide yang baik: dari regresi untuk ARIMA pada kesalahan Regresi linier digunakan untuk memperkirakan hubungan linier antara variabel dependen dan variabel penjelas. Hubungan ini dapat diringkas dalam sebuah persamaan dari typetttcXY + + =. Salah satu asumsi penting dalam pemodelan itu adalah bahwa t komponen random adalah independen dan terdistribusi secara identik. Secara khusus, nilai seharusnya tidak berkorelasi. Namun, ketika salah satu regresi nilai tukar terhadap sembilan kovariat dipilih atas dan trend waktu, orang menemukan bahwa statistik Durbin-Watson, yang adalah ukuran korelasi antara nilai-nilai yang berurutan dari komponen acak, adalah 0,273. Hal ini menunjukkan korelasi positif kuat antara komponen acak pada waktu t-1 dan t. Selain itu, sampel ACF dan PACF dari residual dari regresi, ditampilkan pada Gambar 6 (a) dan (b), menunjukkan bahwa 9 autocorrelations pertama dari seri waktu yang signifikan. Hasil ini mengkonfirmasi bahwa model regresi linier gagal untuk menjelaskan korelasi antar waktu, dan lebih jauh lagi, bahwa komponen acak regresi yang mengikuti model ARIMA. Bahkan, sampel ACF dan PACF, secara bersama dengan plot time series dari residu, pada Gambar 6 (c), menunjukkan bahwa residu yang stasioner dan dapat dimodelkan dengan model (1,0) ARMA.

Idenya kemudian adalah untuk membangun model yang menggabungkan regresi dan ARMA (1,0) model pada kesalahan. Jika ini adalah intuisi yang tepat, karena koefisien dari komponen regresi dan koefisien dari ARMA (p, q) komponen dimodelkan pada saat yang sama, mungkin ternyata bahwa perintah, p dan q, mungkin tidak persis sama dengan perintah dari model ARMA yang akan cocok residual dari regression3 pertama. Dalam kasus kami, kami menemukan bahwa hal harus sama dengan 3, untuk menjelaskan autokorelasi dalam residu. Artinya, jika kita write - = tttcXY, mengandaikan bahwa nilai saat ini dari goncangan acak hanya bergantung pada nilai-nilai dari tiga komponen terakhir acak, kita ingin tto mengikuti persamaan evolusi dari bentuk ttta = tt ---- 3 - 32211, di mana benar-benar sebuah gangguan acak independen. Hal ini berarti persamaan evolusi yang diberikan oleh
10

Kita melihat bahwa persamaan ini evolusi terakhir bagi Yt mencerminkan ketergantungan Yt di masa lalu serta ketergantungan pada beberapa variabel Xt jelas dan nilai-nilai masa lalu dari variabel independen. Perhatikan bahwa ketergantungan Yt pada masa lalu diringkas oleh coefficients321,, , dan bahwa koefisien yang sama mendikte ketergantungan Yt pada masa lalu dari variabel penjelas, sampai dengan sebuah konstanta perkalian. Pada bagian berikut kami sajikan dua model berdasarkan cetak biru ini.

Gambar 6. Contoh ACF dan PACF dari residu unstandardixed dari regresi EUR per USD pada gradien suku bunga EUR, AS gradien suku bunga, suku bunga EUR langsung, tingkat bunga USD langsung, diferensial inflasi,-log variasi agregat M3 untuk EUR dan USD, dan log-tingkat dari indeks harga saham untuk Emu dan Amerika Serikat: (a) ACF residu, (b) PACF residual (c) time series dari residu unstandardixed regresi.

Hasil Kami menggunakan prosedur ARIMA dalam SPSS untuk memperkirakan dua model menggunakan ide-ide terkena atas. Kami melaporkan hasil dalam tabel 3 dan 4. Kedua model memberlakukan ARMA (3,0) struktur pada error dari regresi. Dengan demikian, hanya komponen regresi mereka membedakan antara mereka. Yang pertama, dalam tabel 3, model EUR per nilai tukar USD dalam hal masa lalu dan nilai-nilai masa lalu dan sekarang dari 9 kovariat: perbedaan tingkat suku bunga di Emu dan Amerika Serikat, suku bunga langsung pada EUR dan USD, inflasi diferensial antara Emu dan Amerika Serikat, log-variasi agregat M3 untuk EUR dan USD, dan log-tingkat dari indeks harga saham untuk Emu dan Amerika Serikat.

Dua hal yang perlu diperhatikan kekhawatiran kinerja model dalam hal fit ke EUR per time series Rp. Pertama, kita melihat bahwa model ini, dengan statistik Ljung-Box Q (16) dari 9,385 dengan nilai p-dari 0,897, menangkap struktur autokorelasi dari EUR per time series USD juga. Kedua, dibandingkan dengan ARIMA sederhana (2,1,0) model disajikan dalam Tabel 2, model ini menunjukkan peningkatan cocok dengan nilai-nilai yang lebih rendah untuk Informasi Akaike Kriteria (AIC) (-855,45 -841,37 vs) dan root mean kuadrat kesalahan
11

(0,017 vs 0,019). Namun, Kriteria Informasi Bayesian (BIC), statistik lain untuk pemilihan model, seperti AIC, secara signifikan lebih tinggi untuk model (2,1,0) ARIMA (-815,07 vs 835,16). Hal ini menunjukkan bahwa perbaikan dalam hal fit untuk model yang lebih kompleks telah datang pada biaya kehilangan parsimoni. Memang, banyak dari koefisien regresi kovariat 'tidak signifikan berbeda dari nol, dengan pengecualian dari indeks harga saham baik untuk Emu dan Amerika Serikat (signifikan pada tingkat 5%), dan koefisien sedikit signifikan untuk variasi log-agregat M3 Eropa. Perhatikan juga bahwa konstanta dan koefisien AR semua signifikan pada tingkat 10%. Dalam rangka meningkatkan model yang terakhir, kami memperkirakan model kedua, menjaga sebagai kovariat hanya indeks harga saham. Sekali lagi, kita menemukan bahwa model baru ini menangkap dengan baik ketergantungan di saat nilai-nilai EUR per nilai tukar USD, dengan Ljung-Box statistik Q (16) dari 8,47 dan p-nilai 0,935. Konstanta dan koefisien AR, dan 21,, 3, yang lagi semua secara signifikan berbeda dari 0, dengan nilai 0,955 (0,000), 1,375 (0,000), -0,616 (0,000) dan 0,225 (0,004). Model ini bagaimanapun menunjukkan perbaikan pada semua statistik fit - AIC, BIC dan RMSE-bila dibandingkan dengan kedua model (2,1,0) ARIMA dan ARMA (2,0) model dengan kovariat semua mungkin. Selain itu, semua koefisien regresi secara signifikan berbeda dari 0, dengan 0,290 (0,000) dan -0,292 (0,000) untuk Emu dan Amerika Serikat masing-masing.

Orang bisa menulis persamaan evolusi yang diberikan oleh model kedua hanya dengan menyadari bahwa persamaan 2 diberikan dalam bagian di atas adalah mudah digeneralisasikan untuk variabel penjelas ganda kemudian mengganti koefisien masingmasing dengan nilai estimasi pada Tabel 4. Namun, itu lebih indeks harga saham sangat dekat nilai mutlak, dan pada kenyataannya, mengingat kesalahan standar estimasi masingmasing, tidak dibedakan. Karena itu kami memutuskan untuk menetapkan kedua sama nilainya mutlak untuk 0,290. Yang menunjukkan oleh dan log dari indeks harga saham, kita kemudian dapat menulis persamaan evolusi EUR per nilai tukar USD, dinotasikan Yt, dalam hal nilai-nilai saat ini dan masa lalu dari perbedaan tingkat antara indeks saham dalam mata uang masing-masing dan nilai-nilai masa lalu dari Yt, sebagai berikut:

12

Diskusi Meskipun tidak tujuan kita untuk mengklaim hasil baru di bidang pemodelan dan peramalan nilai tukar, adalah tetap menarik untuk dibahas dan membandingkan modelmodel yang kami temukan dalam konteks yang sedikit lebih luas daripada pas model dan seleksi. Pada bagian ini, pertama kita membahas model kami menemukan bersama-sama, sebelum memperluas ruang lingkup diskusi dengan termasuk kritik yang telah dibuat di literatur tentang pemodelan nilai tukar dari model ARMA ekonometrik dan terutama.

Kami fokus perbandingan kami model kami untuk model yang digambarkan oleh persamaan 1 dan 3. Mungkin hal pertama yang harus perhatikan ketika membandingkan persamaan 1 dan 3 adalah kedekatan koefisien di depan tertinggal dari Yt. Ini benar-benar menjelaskan fakta membingungkan bahwa satu adalah ARMA (3,0) model sementara yang lain adalah ARIMA (2,1,0) model. Ingat bahwa model pertama ARIMA kami dikenakan bahwa jumlah koefisien menjadi satu (karena, dan menambahkan hingga 1). Dalam estimasi model ARMA, untuk kendala stasioneritas, jumlah dari koefisien dibatasi kurang dari 1. Namun, di (3,0) model ARMA kami, jumlahnya adalah mendekati 1 dengan nilai 0,984. Dengan demikian, model ini menunjukkan fitur dekat dengan orang-orang dari sebuah model yang terintegrasi. Kedua, wawasan tentang dinamika Yt diperoleh dengan memperkenalkan log dari indeks harga saham dengan model (2,1,0) ARIMA tidak dapat diabaikan. Memang, persamaan 3 menyatakan bahwa indeks harga saham mempengaruhi EUR per nilai tukar USD melalui perbedaan log mereka. Jika log adalah sama, maka persamaan 3 tereduksi menjadi persamaan evolusi sangat dekat dengan persamaan 1. Sebaliknya, jika kita mengasumsikan perbedaan antara log dari indeks masing-masing akan konstan selama periode tiga bulan, maka efek kumulatif dari perbedaan ini pada tingkat EUR per USD, yaitu harga euro dari dollar AS, akan menjadi 0,285 kali perbedaan dalam tingkat log dari indeks saham. Beberapa peneliti telah menyatakan bahwa Walk model (RW) Acak melebihi seri teknik ekonometrik dan waktu (Fernandes, 1998; Kilian dan Taylor, 1991) untuk peramalan nilai tukar. Secara khusus, kinerja yang terakhir dalam jangka pendek ditemukan menjadi miskin (Goodman, 1979; Meese dan Rogoff, 1983; Wolff, 1988; Diebold dan Nason, 1990;
13

Chinn dan Meese, 1995). Sebagai contoh, Meese dan Rogoff (1990) menemukan bahwa model RW lebih unggul daripada model ARMA. Selain itu, ia berpendapat bahwa asumsi yang ketat yang diperlukan oleh model ekonometrik dan model deret waktu seperti ARIMA kadang-kadang mungkin tidak cocok untuk menangkap nonlinier. Oleh karena itu, peneliti lain telah mengusulkan pendekatan hybrid yang menggabungkan kedua metode parametrik dan non-parametrik metode untuk pilihan input (Ince dan Trafalis, 2006).

Model ARIMA kami tidak bertentangan diperlukan hipotesis efisiensi pasar untuk alasan berikut. Pertama, semua model menunjukkan fitur integrasi berkaitan dengan tingkat nilai tukar, karena jumlah dari koefisien dekat dengan 1. Dengan demikian, kita dapat mengatakan bahwa seri waktu nilai tukar dalam karakteristik pameran Bahkan dekat dengan RW. Memang, gunanya mengatakan bahwa proses adalah acak berjalan adalah untuk menekankan untuk menghadapi ketidakpastian yang bertahap. Untuk melihat bahwa model kami tidak selalu bertentangan dengan fitur tak terduga, perlu mempertimbangkan persamaan 2. Dalam persamaan 2, menggunakan fakta bahwa jumlah dari koefisien AR adalah mendekati satu, kita melihat bahwa kecuali tingkat dari kovariat telah berubah secara signifikan selama empat bulan, kontribusi mereka sebenarnya sangat kecil, dan model ini kemudian dibandingkan dengan ARIMA (2,1,0) dari persamaan 1, lagi. Kedua, hipotesis efisiensi pasar menyatakan bahwa pada waktu tertentu semua informasi yang tersedia tercermin dalam harga barang di pasar, di sini harga relatif mata uang dibandingkan dengan USD. Artinya bahwa pada setiap waktu t diberikan, informasi yang tersedia tidak dapat membantu dalam memprediksi harga pada t +1, dan prediktor terbaik adalah tingkat harga di t. Dengan kata lain, model peramalan terbaik adalah RW. Namun, jika informasi menjadi tersedia antara waktu t dan t +1, maka akan dimasukkan dalam harga, dan karena itu, perkembangan harga tergantung pada variabel lain. Dalam kasus kami, bagaimanapun, kami sedang mempelajari posteriori struktur nilai tukar, menggunakan pemodelan ARIMA diperpanjang. Memang, kami menjelaskan, tidak memprediksi, pergerakan harga, dan karena itu mudah dan masuk akal, untuk mencari model yang lebih baik dari satu RW, yang menurut definisi menjelaskan apa-apa.

14

Kami benar-benar mungkin berpendapat bahwa jika kita menguji efisiensi peramalan model kami itu, karena mereka telah dibangun untuk menjelaskan masa lalu, mereka akan condong ke masa lalu dalam arti bahwa mereka akan mempertimbangkan informasi masa lalu lebih berat daripada informasi baru, dan akan berkinerja buruk. Untuk pengetahuan kita, dan pemahaman kita, ini adalah masalah penting dalam paradigma pemodelan yang tidak mudah dipecahkan. Kita dapat berhubungan titik ini kembali ke hipotesis efisiensi pasar, dan informasi yang tersedia. Di pasar FX, informasi yang tergabung sangat cepat, lebih cepat dari frekuensi bulanan atau bahkan mingguan. Jadi model yang menggunakan mingguan (atau frekuensi rendah) data tidak memungkinkan seseorang untuk mengukur bagaimana pasar bereaksi terhadap beberapa informasi, seperti perubahan suku bunga, karena perubahan telah terjadi dan informasi yang telah dikonsumsi pada saat Anda memprediksi itu. Mengikuti garis pemikiran ini, kita dapat mengatakan bahwa sangat mungkin bahwa tidak peduli seberapa baik model kita untuk menjelaskan pergerakan nilai tukar, model prediktif terbaik mungkin masih random walk.

Dari sudut pandang ekonomi makro, perlu dicatat bahwa tidak ada indikator ekonomi yang diprediksi oleh teori dikemukakan dalam bagian pertama tulisan ini telah berubah harus didukung oleh fakta-fakta empiris. Latihan di halaman di atas hanyalah sebuah demonstrasi dari sulitnya mencari model yang dapat melakukan lebih dari akurat memperkirakan setelah fakta! Sedangkan model yang digunakan di sini adalah masuk akal, mereka gagal untuk berhasil sebagai model peramalan benar.

Kami telah menyediakan contoh menarik dari penggunaan model ARIMA untuk mereproduksi dan menjelaskan deret waktu. Kami telah memperhatikan menjelaskan asumsi dan dasar-dasar dari model umum, serta yang berkaitan model estimasi implikasi praktis mereka. Kami percaya bahwa bahan ini akan berfungsi sebagai studi kasus berguna bagi guru dan siswa makroekonomi.

15

16