Отримання векторів коінтеграції методом Йохансена

Я намагаюся зрозуміти краще метод Йохансена, тому я розробив приклад 3.1, наведений у книзі " Імовірність, заснована на висновках-коінтеграція-Авторегресія-Економетрія", де у нас є три процеси:

Х_{1 т} = \sum_{i = 1}^{т} ϵ_{1 i} + ϵ_{2 т}

$X_{1t} = \sum_{i=1}^t \epsilon_{1i} + \epsilon_{2t}$

Х_{2 т} = α \sum_{i = 1}^{т} ϵ_{1 i} + ϵ_{3 т}

$X_{2t} = \alpha \sum_{i=1}^t \epsilon_{1i} + \epsilon_{3t}$

Х_{3 т} = ϵ_{4 т}

$X_{3t} = \epsilon_{4t}$

тому вектори коінтеграції повинні бути [a, -1, 0] та [0, 0 1], але коли я запускаю метод Йохансена, я не можу їх отримати.

Код, який я намагаюся, такий:

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from statsmodels.tsa.stattools import adfuller
from statsmodels.tsa.johansen import coint_johansen

mu, sigma = 0, 1 # mean and standard deviation
n = 1000

s1 = np.random.normal(mu, sigma, n)
s2 = np.random.normal(mu, sigma, n)
s3 = np.random.normal(mu, sigma, n)

x_1t = np.cumsum(s1)+s2
x_2t = 7*np.cumsum(s1)+s3
x_3t = s3

#Creating Pandas object
todays_date = datetime.datetime.now().date()
index = pd.date_range(todays_date-datetime.timedelta(10), periods=n, freq='D')
y = pd.DataFrame(index=index, data={'col1': x_1t, 'col2': x_2t, 'col3':x_3t} )

p = 4
jres = coint_johansen(y, 0, p)

Я спробував декілька p-значень, і я не можу отримати вектори коінтеграції, я знаю, що роблю щось не так. Дякую.

self-study cointegration vecm

— Mapsa
джерело

Згаданий зошит знаходиться тут: github.com/mapsa/seminario-doc-2014/blob/master/…

— ab3

Я знайшов відповідь. Якщо це комусь корисно, можна перевірити наступний зошит:

http://nbviewer.ipython.org/github/mapsa/seminario-doc-2014/blob/master/cointegration-example.ipynb

— Mapsa
джерело

Оскільки посилання можуть померти, чому б не скопіювати суть цього сюди?

— gung - Відновіть Моніку

Здається, що метод coint_johansen не існує? Що я тут пропускаю? Прийміть моє вибачення за моє запитання noob.

— RAY

Це у відділенні coint цього репо github.com/josef-pkt/statsmodels

— mapsa