DOI: https://doi.org/10.1007/s00181-024-02589-w
تاريخ النشر: 2024-05-23
المؤلف: Şaban Nazlıoğlu وآخرون
الموضوع الرئيسي: طرق ونماذج إحصائية متقدمة
نظرة عامة
تقدم هذه الورقة نهج سببية غرانجر باستخدام بيانات اللوحات مصمم للوحوش غير المتجانسة التي تظهر اعتمادًا عرضيًا. يستخدم نموذج VAR للوحة يتضمن عوامل شائعة غير مرئية، مستفيدًا من إجراء PANIC لاشتقاق بيانات خالية من العوامل. بعد ذلك، يقدر المؤلفون نموذج VAR معزّز بالتأخير (LA) لكل مقطع عرضي ويطورون إحصائيات اللوحة من خلال طريقة تحليل ميتا تجمع القيم p من الإحصائيات الفردية. تظهر محاكاة مونت كارلو أن هذه الاختبارات المركبة تتمتع بخصائص حجم وقوة ملائمة، مما يجعلها مناسبة للألواح ذات خصائص الجذر الوحدوي أو التكامل المشترك المتغيرة.
تستكشف الدراسة أيضًا علاقة سببية غرانجر بين الصادرات والنمو الاقتصادي داخل دول منظمة التعاون والتنمية الاقتصادية (OECD). تؤكد النتائج على أهمية أخذ الاعتماد العرضي في سياق نموذج العوامل في الاعتبار عند تقييم سببية غرانجر في التحليلات الخاصة بكل دولة. ومن الجدير بالذكر أن النتائج تشير إلى أنه في معظم دول الاتحاد الأوروبي، لا تظهر الصادرات والنمو الاقتصادي علاقة سببية مع بعضها البعض.
مقدمة
تسلط مقدمة هذه الورقة الضوء على التقدم في طرق بيانات اللوحات لاختبار الجذور الوحدوية والتكامل المشترك، مشددة على ضرورة معالجة التغاير والاعتماد العرضي. تستعرض الورقة أساليب مختلفة لسببية غرانجر في اللوحات، مشيرة إلى أن الطرق التقليدية، مثل تلك التي قدمها هولتز-إيكن وآخرون (1988)، لا تأخذ هذه العوامل في الاعتبار. قدم كوني (2006) طريقة تستخدم الانحدارات غير المرتبطة ظاهريًا (SUR) لمعالجة الاعتماد العرضي، بينما قام دوميترسكو وهيرلين (2012) وإميرمهاموتوغلو وكوسه (2011) بتكييف أطر سببية غرانجر السابقة للوحوش مع التركيز على التغاير. وقد وسعت المساهمات الحديثة، مثل تلك التي قدمها جوديس وآخرون (2021)، هذه الطرق للحالات التي يكون فيها عدد المقاطع العرضية (N) مساوياً أو أكبر من البعد الزمني (T).
تقترح هذه الدراسة نهجًا جديدًا لاختبار سببية غرانجر في اللوحات غير المتجانسة من خلال دمج نماذج العوامل لأخذ الاعتماد العرضي في الاعتبار. من خلال استخدام طريقة PANIC لباي ونج (2004) لتقدير العوامل الشائعة، يقوم المؤلفون بتطوير نموذج VAR معزز بالتأخير للمقاطع العرضية الفردية، مما يسمح ببناء إحصائيات اللوحة من خلال نهج تحليل ميتا. تظهر محاكاة مونت كارلو أن الاختبارات المقترحة تظهر تشوهات حجم خفيفة عندما لا يكون N أصغر من T، لكنها تحافظ على قوة تجريبية جيدة، متفوقة على اختبارات البوتستراب الحالية مع زيادة T. يكشف التطبيق التجريبي على دول منظمة التعاون والتنمية الاقتصادية عن سببية غرانجر ثنائية الاتجاه بين الصادرات والنمو الاقتصادي، مع تسليط الضوء على أهمية الاعتماد العرضي، خاصة في سياق دول الاتحاد الأوروبي.
مناقشة
في هذا القسم، يناقش المؤلفون المنهجية المستخدمة لاختبار سببية غرانجر في بيانات اللوحات باستخدام نموذج VAR للوحة. يتم تعريف النموذج من خلال نظام من المعادلات التي تتضمن تأثيرات ثابتة، وعوامل شائعة، ومكونات فردية. يبني المؤلفون على الأعمال السابقة التي قام بها كاريون-أي-سيلفستر وسوردينو (2011) وآخرون، معدلين إطارهم للتركيز على سببية غرانجر بدلاً من التكامل المشترك. تشمل الافتراضات الرئيسية ثبات العوامل الشائعة، وحدود تحميل العوامل، واستقلال الأخطاء الفردية. تعتبر عملية إزالة العوامل ضرورية لعزل العوامل الشائعة من البيانات، باستخدام طرق مثل PANIC وPANICCA، التي تضمن ثبات البيانات المحولة.
ثم يحدد المؤلفون إجراء اختبار سببية غرانجر، الذي يستخدم إحصائية والد المشتقة من نموذج LA-VAR. يتناول هذا النهج التحديات التي تطرحها الجذور الوحدوية والتكامل المشترك، مما يسمح باختبار فرضيات قوي. يقدم المؤلفون فرضيتين بشأن التوزيع الحد asymptotic لإحصائيات الاختبار تحت فرضية العدم، مدعومة بمحاكاة مونت كارلو التي تظهر اتساق الطرق المقترحة. تشير النتائج إلى أن إحصائيات اللوحة الجديدة (P وP_m) تظهر خصائص حجم وقوة مرغوبة، خاصة في العينات الكبيرة، متفوقة على الاختبارات الحالية مثل اختبارات DH وEK. بشكل عام، تشير النتائج إلى أن المنهجية المقترحة فعالة لاختبار سببية غرانجر في إعدادات بيانات اللوحات.
DOI: https://doi.org/10.1007/s00181-024-02589-w
Publication Date: 2024-05-23
Author(s): Şaban Nazlıoğlu et al.
Primary Topic: Advanced Statistical Methods and Models
Overview
This paper introduces a panel Granger causality approach tailored for heterogeneous panels exhibiting cross-sectional dependence. It employs a panel VAR model that incorporates unobserved common factors, utilizing the PANIC procedure to derive de-factored data. Subsequently, the authors estimate a lag augmented (LA)-VAR model for each cross-section and develop panel statistics through a meta-analytic method that aggregates the p-values from individual statistics. Monte Carlo simulations demonstrate that these combination tests possess favorable size and power characteristics, making them appropriate for panels with varying unit root or co-integration properties.
The study further explores the Granger causality relationship between exports and economic growth within OECD countries. The findings underscore the significance of accounting for cross-sectional dependence in a factor model context when assessing Granger causality in country-specific analyses. Notably, the results indicate that, in most European Union countries, exports and economic growth do not exhibit a causal relationship with one another.
Introduction
The introduction of this paper highlights the advancements in panel data methods for testing unit roots and cointegration, emphasizing the necessity of addressing cross-sectional heterogeneity and dependence. It reviews various approaches to panel Granger causality, noting that traditional methods, such as those by Holtz-Eakin et al. (1988), do not account for these factors. Kónya (2006) introduced a method utilizing seemingly unrelated regressions (SUR) to address cross-sectional dependence, while Dumitrescu and Hurlin (2012) and Emirmahmutoglu and Kose (2011) adapted earlier Granger causality frameworks for panels with a focus on heterogeneity. Recent contributions, such as that of Juodis et al. (2021), have expanded these methods for cases where the number of cross-sections (N) is equal to or larger than the time dimension (T).
This study proposes a novel approach to Granger causality testing in heterogeneous panels by incorporating factor models to account for cross-sectional dependence. By employing the PANIC method of Bai and Ng (2004) to estimate common factors, the authors develop a lag augmented VAR model for individual cross-sections, allowing for the construction of panel statistics through a meta-analytic approach. Monte Carlo simulations demonstrate that the proposed tests exhibit mild size distortions when N is not smaller than T, but maintain good empirical power, outperforming existing bootstrap tests as T increases. The empirical application to OECD countries reveals two-way Granger causality between exports and economic growth, while highlighting the significance of cross-sectional dependence, particularly in the context of EU countries.
Discussion
In this section, the authors discuss the methodology employed to test for Granger causality in panel data using a panel VAR model. The model is defined by a system of equations that incorporates fixed effects, common factors, and idiosyncratic components. The authors build upon previous work by Carrion-i-Silvestre and Surdeanu (2011) and others, adapting their framework to focus on Granger causality rather than co-integration. Key assumptions include the stationarity of common factors, the boundedness of factor loadings, and the independence of idiosyncratic errors. The de-factorization procedure is crucial for isolating common factors from the data, utilizing methods such as the PANIC and PANICCA approaches, which ensure the stationarity of the transformed data.
The authors then outline the Granger causality testing procedure, which employs the Wald statistic derived from a LA-VAR model. This approach addresses the challenges posed by unit roots and co-integration, allowing for robust hypothesis testing. The authors present two conjectures regarding the asymptotic distribution of the test statistics under the null hypothesis, supported by Monte Carlo simulations that demonstrate the consistency of the proposed methods. The results indicate that the new panel statistics (P and P_m) exhibit desirable size and power properties, particularly in large samples, outperforming existing tests like the DH and EK tests. Overall, the findings suggest that the proposed methodology is effective for testing Granger causality in panel data settings.