拓端tecdat|R語言時變面板平滑轉(zhuǎn)換回歸模型TV-PSTR分析債務(wù)水平對投資的影響
原文鏈接:http://tecdat.cn/?p=21506
原文出處:拓端數(shù)據(jù)部落公眾號
?
當(dāng)采用兩種狀態(tài)時,單轉(zhuǎn)換函數(shù)PSTR模型具有兩個變量:
我們的經(jīng)驗方法的基礎(chǔ)包括評估N個國家的資本流動性。相應(yīng)的模型定義如下:

其中,Iit是第i個國家在時間t時觀察到的國內(nèi)投資與GDP的比率,Sit是國內(nèi)儲蓄與GDP的比率,αi表示單個固定效應(yīng)。剩余εit假定為i.i.d.(0,σ2ε)。Corbin(2001)特別使用了該模型,該模型有兩個主要缺點(diǎn)。
首先,它假設(shè)在小組的N個國家之間資本的國際流動程度相同,即βi=β,?i=1,…,N。很明顯,即使僅考慮經(jīng)合組織國家,這種假設(shè)也是不現(xiàn)實的。如前所述,已經(jīng)確定了許多明顯影響資本流動的因素:國家規(guī)模、人口年齡結(jié)構(gòu)、開放程度等。因此,假設(shè)βi=β意味著這些因素不影響資本流動。這樣的假設(shè)顯然過于嚴(yán)格。
其次,方程(1)表明,在模型的估計期內(nèi),儲蓄保留系數(shù)是常數(shù)。這一假設(shè)也是不現(xiàn)實的,特別是當(dāng)我們考慮具有足夠長時間維度的宏觀面板時:很明顯,典型經(jīng)合組織國家的資本流動性在60年代和90年代并不相同。
自70年代中期以來,主要經(jīng)合組織國家的資本管制和資本跨境流動障礙已經(jīng)消除,F(xiàn)H系數(shù)隨著時間的推移呈下降趨勢。 實際上,Obstfeld和Rogoff(2000)在1990-1997年期間的回歸中發(fā)現(xiàn),經(jīng)合組織國家的儲蓄保留系數(shù)為0.60,而FH在1960-74年期間16個經(jīng)合組織國家的文章中強(qiáng)調(diào)的儲蓄保留系數(shù)為0.89。因此,沒有理由假設(shè)參數(shù)β(參數(shù)βi)是時間不變的。
一般來說,這兩個問題不能同時解決。例如,可以通過假設(shè)FH參數(shù)βi是隨機(jī)分布的來考慮異質(zhì)面板模型5。然而,在這樣一個隨機(jī)系數(shù)模型中,資本的流動性被假定為時間不變的。此外,在一個簡單的隨機(jī)系數(shù)模型(Swamy,1970)中,參數(shù)βi被假定為獨(dú)立于解釋變量。換言之,假設(shè)FH系數(shù)與國內(nèi)儲蓄與GDP之比無關(guān)。因此,它們的可變性是其他未指明的結(jié)構(gòu)因素的結(jié)果。
解決這兩個問題的方法是在線性面板模型中引入閾值效應(yīng)。在這種情況下,第一種解決方案是使用簡單面板閾值回歸(PTR)模型(Hansen,1999),正如Ho(2003)所建議的那樣。在這種情況下,極端狀態(tài)之間的轉(zhuǎn)換機(jī)制非常簡單:在每個日期,如果觀察到的某個國家的閾值變量小于某個給定值,稱為閾值參數(shù),資本流動性是由一個特定的模型(或機(jī)制)來定義的,它不同于閾值變量大于閾值參數(shù)時使用的模型。例如,讓我們考慮一個具有兩個極端狀態(tài)的PTR模型:解決這兩個問題的方法是在線性面板模型中引入閾值效應(yīng)。

具有單個位置參數(shù)(m = 1)的邏輯轉(zhuǎn)換函數(shù):

可以證明,I w.r.t S的彈性是時變的

我認(rèn)為提取這些隨時間變化的系數(shù)對所有個體來說都是很直觀的,因為它們顯示了感興趣的關(guān)系的動態(tài),補(bǔ)充了轉(zhuǎn)換函數(shù)的可視化。
假設(shè)我們將此應(yīng)用于Hansen數(shù)據(jù)的情況(4個變量而不是2個變量,但上面的公式適用)。我們想研究債務(wù)水平對投資的影響,條件是選擇轉(zhuǎn)換變量為托賓Q。讓我們首先擬合模型:
PSTR(data, dep='inva', indep=4:20, indep_k=c('vala','debta','cfa','sales'),tvars=c('vala'), iT=14)
然后計算時變系數(shù),并提取樣本中前三家公司的托賓Q水平
for (i in 1:n){
va_i<-vala[cusip==id[i]]
g<-(1+exp(-gamma*(va_i-c)))^(-1)
tvc_i<-est[2] + mbeta*g
最后繪制這些時間序列:
matplot(tvc, type = 'l', lwd=2,col = 1:3, xaxt='n'
axis(1, at=1:nrow(tvc), labels=c(1974:1987)); legend("topleft", legend =
matplot(vala, type = 'l', lwd=2,col = 1:3, xaxt = 'n', xlab='年'
; axis(1, at=1:nrow(tvc), labels=c(1974:1987));
legend("topleft", legend = paste('公司',colnames(vala),sep=''),
我們可以看到,投資w.r.t債務(wù)的彈性隨著時間的推移而變化,并且取決于Q的水平:Q越高(擁有更多投資機(jī)會的公司),影響越強(qiáng)。特別是Q(2824)最高的公司(綠色曲線,右圖)表現(xiàn)出最穩(wěn)定的關(guān)系(綠色曲線,左圖)。


?
有一個問題:如果轉(zhuǎn)換變量與獨(dú)立變量相同(或它的函數(shù)),則彈性的計算變得更加復(fù)雜。通常,對于具有R轉(zhuǎn)換函數(shù)的模型(R + 1機(jī)制),我們有:

這意味著投資彈性w.r.t托賓的Q需要用不同的方法來計算。

最受歡迎的見解
1.R語言基于ARMA-GARCH-VaR模型擬合和預(yù)測實證研究
2.R語言時變參數(shù)VAR隨機(jī)模型
3.R語言估計時變VAR模型時間序列的實證研究
4.R語言基于ARMA-GARCH過程的VAR擬合和預(yù)測
5.GARCH(1,1),MA以及歷史模擬法的VaR比較
6.R語言用向量自回歸(VAR)進(jìn)行經(jīng)濟(jì)數(shù)據(jù)脈沖響應(yīng)
7.R語言實現(xiàn)向量自動回歸VAR模型
8.R語言隨機(jī)搜索變量選擇SSVS估計貝葉斯向量自回歸(BVAR)模型
9.R語言VAR模型的不同類型的脈沖響應(yīng)分析