Page 119 - Gričar, Sergej, in Štefan Bojnec, 2016. Aplikacija metodologije časovnih serij na primeru turističnih cen. Koper: Založba Univerze na Primorskem.
P. 119
Empirična analiza kvantitativne raziskave 119
Večje število spremenljivk, vključenih v model in enačbo analize, obi-
čajno ne vodi do boljšega modela, saj je težko zaznati dinamično razmer-
je med vključenimi spremenljivkami v kointegracijskem modelu. Analiza
VAR je primeren postopek za postavitev manjšega ali prilagojenega mode-
la časovnih serij (PMČS). V modelu predpostavljamo, da sta spremenljiv-
ki ICN in turisti zunanji (eksogeni) spremenljivki, D1, D2 in IDDV pa so
slamnate spremenljivke. Preostale spremenljivke so po predpostavki notra-
nje (endogene) spremenljivke. Spremenljivke časovnih serij imajo običajno
zaznam trend, sezonskost in strukturne lome, kar je treba vzeti v obzir za
funkcijo pri PMČS. Še posebej se to pojavi v primeru stohastičnega tren-
da, ki je pri spremenljivkah pogosto prisoten. Slednje vemo že iz ekonom-
ske teorije in prisotnost stohastičnega trenda smo ugotovili že z enostavno
regresijsko analizo. Če so časovne vrste kointegrirane, njihova vključitev
v regresijsko enačbo v nivojih ne bo vodila do umetne regresije (Gujarati
2003). Z analizo enotskega korena smo ugotovili, da je večina spremenljivk
. Spremenljivke imajo skupen stohastičen trend, torej so kointegrirane.
V model je priporočljivo vključiti tudi spremenljivke NEDT, D2 in IBPG,
ki so stacionarne v osnovnem redu, torej so . V primeru kointegracije
med spremenljivkami v različnih redih analiza VAR ni najbolj učinkovita.
Za boljše oblikovanje modela kointegracijske analize med spremenljivkami
različnega reda se uporablja analiza VECM (Masten 2008).
Za oblikovanje treh modelov kointegracijske analize dinamike cen
v gostinstvu in za testiranje treh postavljenih hipotez smo se odločili na
osnovi ekonomske teorije inflacije, oblikovanja in gibanja cen ter teorije go-
stinstva in turizma, oziroma, kot pravi Brotherton (2003), gostinstvo je fe-
nomen gospodarske rasti. Oblikovali smo tri kointegracijske sisteme. Vsak
sistem bo imel najmanj tri spremenljivke. Test kointegracije ima običajno
isto osnovo kot test enotskega korena, razlika je v tem, da test enotskega ko-
rena preverja stacionarnost posamezne časovne serije, test kointegracije pa
stacionarnost med časovnimi vrstami, ki same niso stacionarne (Lütkep-
ohl in Krätzig 2004).
Pred uporabo Johansen (1996) metode največjega verjetja (testa koin-
tegracije) je treba določiti medsebojno razmerje posameznih parov časov-
nih serij, postavljenih s hipotezami. Ta postopek je priporočen zaradi testa
ranga kointegracije, ki zaradi več vključenih spremenljivk v model lahko
vodi k manjši moči kointegracijskega modela. Bivariatna analiza je primer-
na analiza za kontrolo rezultatov verodostojnosti in usklajenosti pridoblje-
nih in uporabljenih podatkov časovnih vrst. Prav tako nam ta prva anali-
za pomaga pri določitvi kointegracijske matrike pravilnega ranga. Sprejeli
smo tudi odločitev o vključitvi determinističnih členov v model in števi-
Večje število spremenljivk, vključenih v model in enačbo analize, obi-
čajno ne vodi do boljšega modela, saj je težko zaznati dinamično razmer-
je med vključenimi spremenljivkami v kointegracijskem modelu. Analiza
VAR je primeren postopek za postavitev manjšega ali prilagojenega mode-
la časovnih serij (PMČS). V modelu predpostavljamo, da sta spremenljiv-
ki ICN in turisti zunanji (eksogeni) spremenljivki, D1, D2 in IDDV pa so
slamnate spremenljivke. Preostale spremenljivke so po predpostavki notra-
nje (endogene) spremenljivke. Spremenljivke časovnih serij imajo običajno
zaznam trend, sezonskost in strukturne lome, kar je treba vzeti v obzir za
funkcijo pri PMČS. Še posebej se to pojavi v primeru stohastičnega tren-
da, ki je pri spremenljivkah pogosto prisoten. Slednje vemo že iz ekonom-
ske teorije in prisotnost stohastičnega trenda smo ugotovili že z enostavno
regresijsko analizo. Če so časovne vrste kointegrirane, njihova vključitev
v regresijsko enačbo v nivojih ne bo vodila do umetne regresije (Gujarati
2003). Z analizo enotskega korena smo ugotovili, da je večina spremenljivk
. Spremenljivke imajo skupen stohastičen trend, torej so kointegrirane.
V model je priporočljivo vključiti tudi spremenljivke NEDT, D2 in IBPG,
ki so stacionarne v osnovnem redu, torej so . V primeru kointegracije
med spremenljivkami v različnih redih analiza VAR ni najbolj učinkovita.
Za boljše oblikovanje modela kointegracijske analize med spremenljivkami
različnega reda se uporablja analiza VECM (Masten 2008).
Za oblikovanje treh modelov kointegracijske analize dinamike cen
v gostinstvu in za testiranje treh postavljenih hipotez smo se odločili na
osnovi ekonomske teorije inflacije, oblikovanja in gibanja cen ter teorije go-
stinstva in turizma, oziroma, kot pravi Brotherton (2003), gostinstvo je fe-
nomen gospodarske rasti. Oblikovali smo tri kointegracijske sisteme. Vsak
sistem bo imel najmanj tri spremenljivke. Test kointegracije ima običajno
isto osnovo kot test enotskega korena, razlika je v tem, da test enotskega ko-
rena preverja stacionarnost posamezne časovne serije, test kointegracije pa
stacionarnost med časovnimi vrstami, ki same niso stacionarne (Lütkep-
ohl in Krätzig 2004).
Pred uporabo Johansen (1996) metode največjega verjetja (testa koin-
tegracije) je treba določiti medsebojno razmerje posameznih parov časov-
nih serij, postavljenih s hipotezami. Ta postopek je priporočen zaradi testa
ranga kointegracije, ki zaradi več vključenih spremenljivk v model lahko
vodi k manjši moči kointegracijskega modela. Bivariatna analiza je primer-
na analiza za kontrolo rezultatov verodostojnosti in usklajenosti pridoblje-
nih in uporabljenih podatkov časovnih vrst. Prav tako nam ta prva anali-
za pomaga pri določitvi kointegracijske matrike pravilnega ranga. Sprejeli
smo tudi odločitev o vključitvi determinističnih členov v model in števi-
