Den evolutionära ekonomin

Så nu är jag snart klar med minna kurser för den här perioden, nu är det bara resten av terminen kvar. Om ni kommer ihåg regressionen med Stibor räntorna och OMX PI så är min analys av modellen klar nu, eller ja i alla fall så är de inlämnade nu. Ber om ursäkt att jag inte har publicerat mina resultat tidigare men i vart fall så blev det både oväntade och mer väntade resultat (vill varna redan nu att det kommer bli en del engelska då jag inte är riktigt hemma med den svenska terminologin). Ska inte gå in allt för långt i de tekniska detaljerna i testerna (vill ni veta mer så skriv en kommentar) men till en början så använde jag mig av en modell som var legitimerad för att bättre kunna se de olika Stibor räntornas påverkan på OMX PI indexet, modellen som testerna är gjorda på och diagram över all data presenteras nedan.

Modell:
LNOMX= β1+β2*LNT/N+β3*LN1W+β4*LN1M+β5*LN2M+β6*LN3M+β7*LN6M+β8LN9M+β9*LN12M+u

Resultat av regressionen:
LNOMX= 5,036+0,557*LNT/N-1,779*LN1W+1,679*LN1M-0,363*LN2M-0,483*LN3M-4,305*LN6M+5,447LN9M-4,67*LN12M+u

t-värden

konstant=221,196  LNT/N=4,801   LN1W=-8,569   LN1M=4,631   LN2M=-6,77   LN3M=-0,985   LN6M=-8,874   LN9M=7,390   LN12M=-1,110

R2=0,266  

OMX PI

(Inte en så bra bild men hoppas att det går bra ändå)

Stibor räntorna

En annan fördel med att använda sig av en legitimerad modell är att det minskar sannolikheten för att stöta på så kallade heteroscedasticity problem, med andra ord att variansen i klasserna är olika. Heteroscedasticity är dock mindre vanligt när det kommer till tidsserier och minna tester visade att det inte fanns något större problem med just detta. Det bör dock påpekas att av de tre tester som jag gjorde visade ett att det kan finnas hetroscedasticity i den data jag gjorde regressionen på.

Ett annat problem som är ganska uppenbart för ett tränat öga är det så kallade mullticollinearity, med andra ord att variablerna är samvarierade. Efter en snabb titt på diagrammet över Stibor räntorna så är det ganska lätt att se att de följer varandra över tid och det borde finnas ett problem med multicolliniearity. Detta bekräftades av de test som jag gjorde, det visade sig att det var en väldigt hög grad av multicollinearity bland räntorna. Detta för med sig att det inte går att tolka någon enskild räntas påverkan på OMX PI indexet utan det går bara att säga något om själva modellen i din helhet.

Sen så testade jag om det fanns någon autocorrelation, det gjorde det. Testerna visade att det fanns en hög grad av positiv autocorrelation vilket för med sig att R2 antagligen är mycket lägre och att error termen (u) antagligen är mycket högre.

Jag fortsatte med att testa om modellen var rätt specificera, med andra ord om modellen har rätt variabler och/eller om variablerna är i fel form. Jag kom fram till att modellen är felspecificerad och att modellen behövs kompletteras med variabler i exponentiell form.

Jag testade sedan om LNOMX är stationär eller inte, om det kan klassas som en "Random Walk model" (RWM), "Random Walk modell med trend" (RWMT) eller en "Random Walk modell med en deterministisk trend" (RWMDT). Jag kom fram till att det var en RWM, med andra ord att det går att redusera förändringarna i LNOMX till:

LNOMXt=LNOMXt-1+u

Om en variabel är en RWM, RWMT eller en RWMDT så finns det risk för att modellen är så kallad spurious, med andra ord att det är ett nonsens samband. Mina tester visade att det var just ett nonsens samband.

Så för att sammanfatta lite så gick jag på i stort sett varenda mina som går att gå på och det går inte att säga något med hjälp av den regression som jag gjorde då det är ett nonsens samband. Det finns ett känt sådant exempel från England i början av 1900-talet mellan psykiskt sjuka och antal sålda radioapparater men det är en annan historia. Det som kan vara problemet med denna regression är att den baseras på data över dagliga slutkurser på både OMX PI indexet och räntorna så det kan finnas ett samband på lite längre sikt, till exempel med kvartals intervall, men det får bli till en annan gång.

Må gott!