Bing Image Creator で生成: green field of daisies flowers, background is galaxy stars, photo
の続きです。
前回は、Finite Distributed Lag Model という枠組みで、
dai3ji = β0 + β1 * unem + β2 * L(unem) + β3L(unem, 2) + u という式の係数を推定しました。
結果は、
dai3ji = 103.785 - 4.835 * unem - 7.550 * L(unem) + 11.132 * L(unem, 2) + u となりました。
今回は、まず
こちらの本の 10-5b の時系列トレンドを加えたモデルを試してみます。dynlm() 関数で、trend() 関数を使います。
trend(dts) の係数は、-1.1082 でした。p値は 0.000631 と 0.1%水準以下でも有意な値ですね。トレンドの係数の符号がマイナスということは、第3次産業活動指数は低下するトレンドですね。
unem, L(unem), L(unem, 2) ３つ合わせた係数は、-5.5538 です。失業率が 1% 上昇すると、第3次産業活動指数は 5.5538 低下するということですね。
トレンドが入ってないモデルでの３つ合わせた係数は、 -1.253 でしたので、トレンドを考慮すると、より、失業率が第3次産業活動指数に影響を与えていることがわかります。
次は、上の参考書の 10-5e の 季節性を取り入れたモデルを試します。season() 関数を使うと簡単です。
全体の p値 が < 2.2e-16 とほとんどゼロです。
時系列の係数は、-1.1676 で有意なのはかわらずです。
unem, L(unem), L(unem, 2) を３つ合わせた係数は、-5.4449 - 2.2303 + 1.9539 = -5.7213 です。季節性と取り入れたモデルのほうが、さらに失業率の影響が強まりました。
L(unem), L(unem, 2) の係数の p値 が どちらも 0.2 以上なので、有意ではないですね。
linearHypothesis() 関数で、L(unem), L(unem, 2) が有意かどうか調べます。
p値 が 0.8775 ですから、L(unem), L(unem, 2) は不要なようです。
dai3ji = β0 + β1 * unem + トレンド + 季節性 + u
のモデル式を試しましょう。
全体の p値は < 2.2e-16 と実質ゼロです。
unem の係数は、-5.7238 で p値は 3.55e-14 とほとんどゼロです。
いままでのモデルで一番 -5.7238 が大きな数字です。
Finite Distribute Lag Model に トレンド、季節性を加えたら、ラグ項目は不要になって、Static Model になりました。
失業率が 1% 上昇すると、第3次産業活動指数が 5.7238 低下する、となりました。
今回は以上です。
次回は、
です。
初めから読むには、
です。
