(Bing Image Creator で生成: プロンプト: Photograph of spring season landscape in Japan, there is flowering sunflowers.)
の続きです。前回の分析で、tpx: 東証株価指数には季節性は見られないことがわかりました。
今回は、1期前の tpx を変数に入れてみます。
まず、1期前の tpx を作成します。
そうしたら、tpx = beta0 + beta1 * tpx_lag1 + u というモデルを推定してみましょう。
このモデルのかたちは、AR(1): autoregressive precess of oder 1 というそうです。
tpx = 8.251 + 0.997 * tpx_lag1 + u と推定できました。
tpx_lag1 の係数の信頼区間を求めてみましょう。confint() 関数を使います。
tpx_lag1 の係数の推定値は、95%信頼区間で、0.9882513 ~ 1.005356 となりました。1 を含んでいます。(Intercept): 切片は、95%信頼区間に0を含んでいます。
なので、tpx = tpx_lag1 + u と推定されたと言っていいと思います。そして、このように、y(t) = y(t-1) + e(t), t = 1, 2, 3, ... というモデル式は random walk と呼ぶそうです。
tpx: 東証株価指数は random walk だということがわかりました。
今回は、Introductory Econometrics A Modrn Approach 7e (Jeffrey M. Wooldridge) の Chapter 11のところを参照しました。
今回は以上です。
次回は、
です。
はじめから読むには、
です。
今回のコードは以下になります。
#
# tpx のラグを作成する
df <- df |>
mutate(tpx_lag1 = c(NA, tpx[1:(nrow(df) - 1)])) |>
relocate(tpx, tpx_lag1)
df
#
# AR(1) model の推定
AR1_model <- lm(tpx ~ tpx_lag1, data = df)
summary(AR1_model)
#
# 係数の信頼区間
confint(AR1_model)
#
