Trace

1

1

0

0

0

1

Max Eigenvalue

1

1

0

0

0

2 кластер

Trace

2

2

2

2

2

3

Max Eigenvalue

1

2

2

2

2

3 кластер

Trace

2

2

2

3

3

3

Max Eigenvalue

1

2

2

3

3

* CE - Cointegration Equation - коинтеграционное соотношение.

Источник - расчеты автора в пакете Eviews.

Тест Йохансена позволяет оценить количество коинтеграционных соотношений для каждой из пяти спецификации по двум методам - следа (trace) и максимального собственного значения (max eigenvalue). Они понадобятся для оценки VECM в каждой спецификации.

Можно заметить, что для первого кластера в 3, 4 и 5 спецификации оцененное количество коинтеграционных соотношений равно 0 на 5%-ном уровне значимости. Это означает, что использование векторной модели коррекции ошибками может быть не обосновано в данной ситуации и необходимо будет перейти к оценке модели VAR в первых разностях переменных, что будет сделано в конце этой главы.

Для второго и третьего кластеров соблюдены все предпосылки построения векторной модели коррекции ошибками.

3.2 Построение модели VECM для оценки динамических взаимосвязей между переменными глобализации и развития финансовых рынков

После того, как мы убедились в наличии долгосрочных связей между интересующими нам переменными, можно переходить к построению модели VECM.

Выбранные нами спецификации моделей представлены ниже.

Для второго кластера:

Коинтеграционные соотношения:

Для третьего кластера:

Коинтеграционные соотношения

Коэффициенты, полученные нами при оценке, не могут быть напрямую интерпретированы в терминах количественного влияния одной переменной на другую. На данном этапе мы можем оценить значимость коэффициентов переменных в выражениях и сделать вывод о наличии взаимосвязи между переменными.

Так, во втором кластере мы можем выделить следующие связи:

· в первом выражении значимыми на 5% уровне оказались краткосрочные связи между развитием финансовых рынков и экономической и культурной глобализацией, а также коэффициент , отвечающий за механизм корректировки ошибками.

· экономическая глобализация значимо связана с индексом развития финансовых рынков во всех трех лагах.

В третьем кластере:

· так же, как и во втором кластере, показатель развития финансовых рынков значимо связан с экономической и культурной глобализацией. Политическая составляющая значима на уровне 10%.

Чтобы оценить качество полученных моделей необходимо проверить несколько критериев:

· нормальность остатков

· отсутствие автокорреляции остатков

· стабильность модели

· количество единичных корней

o знак перед коэффициентом коррекции ошибками

Для второго кластера:

· тест Жарка - Бера с корректировкой Холески на нормальность остатков выдвигает о нормальном распределении. P-value тестовой статистики по всем переменным составил 0,9582, следовательно гипотеза не отвергается на 5% уровне значимости.

· LM-тест на сериальную корреляцию остатков проверяет об отсутствии корреляции. P-value для этого теста на всех лагах не опускается ниже уровня значимости, следовательно остатки не содержат автокорреляцию

· Модель содержит 2 единичных корня, что удовлетворяет условию стабильности, так как количество единичных корней может быть равно N-k, где N - количество эндогенных переменных в модели, а k - число коинтеграционных соотношений. В нашем случае присутствует 2 единичных корня (4 эндогенные переменные за вычетом двух коинтеграционных соотношений)

· Знак перед коэффициентом коррекции ошибками (ECM) должен быть отрицательным, так как при наличии кратковременных шоков независимых переменных он возвращает значение зависимой переменной к долгосрочному равновесию.

Для третьего кластера:

· P-value для теста на нормальность остатков составила 0,5187 - гипотеза не отвергается на уровне значимости 5%.

· LM тест показывает отсутствие сериальной корреляции остатков (p-value на всех лагах меньше 0,05)

· 2 единичных корня удовлетворяют условию стабильности модели.

Таким образом, обе модели можно считать значимыми и отвечающими всем критериям качества.

Одним из наиболее важных свойств данной модели является возможность увидеть, как зависимая переменная будет реагировать на шоки независимых величин.

Функции импульсного отклика (Impulse Response Functions, IRF) позволяют оценить изменение У при изменении Х на одно стандартное отклонение.

Предметом интереса для нас является реакция показателя развития финансовых рынков (FM) на изменения в социальной (в нашем случае культурной (cult)), политической (polit) и экономической (econ) глобализации. В ходе построения модели VECM было выявлено, что показатель политической глобализации не значим в обоих кластерах для выбранных нами спецификаций, поэтому мы рассмотрим влияние экономической и культурной глобализации на развитие финансовых рынков. Рассмотрим функции отклика FM на шоки экономической глобализации для двух кластеров.



Рис. 3. Функции импульсного отклика для второго (слева) и третьего (справа) кластеров

По графикам можно заметить, что реакция индекса развития финансовых рынков в двух кластерах схожа. Напомним, что во втором кластере находятся страны с низким уровнем развития финансового рынка (согласно кластеризации, проведенной по индексу FM), а в третьем - страны со средними показателями этого индекса. Можно предположить, что страны второго кластера отвечают на шоки резче, чем страны со средним развитием, так как считается, что они обладают большей волатильностью макроэкономических показателей (особенно показателей финансового рынка).



Теперь представим функции импульсного отклика для FM при шоках культурной глобализации.

Рис. 4. Функции импульсного отклика для второго (слева) и третьего (справа) кластеров

По графикам заметно, как различается реакция индекса FM на культурные шоки: страны со средним развитием финансовых рынков (справа) реагируют бОльшим колебанием в индексе, чем страны с более низким уровнем развития рынков (слева). Также в странах третьего кластера наблюдается стремление к новому разновесному значению в зависимой переменной. финансовый глобализация либерализация

Еще один интересный результат, который помогает получить VECM модель - это декомпозиция вариации. Это позволяет численно оценить, какой процент вариации зависимой переменной объясняется каждой из составляющих.

В нашем случае мы сможем получить декомпозицию вариации индекса развития финансовых рынков по социальной, политической и культурной составляющей.

В таблице ниже представлена декомпозиция вариации индекса FM для двух кластеров:

Таблица 5

Декомпозиция вариации для второго и третьего кластеров

	econ	cult
Период	2 кластер	3 кластер	2 кластер	3 кластер
1	0	0	0	0
2	2,721	2,872	5,95	1,389
3	23,008	13,514	9,019	3,083
4	38,41	21,317	7,792	2,022
5	52,537	26,438	6,965	3,985
6	56,768	28,202	6,271	11,221
7	55,578	28,414	6,083	19,274
8	52,894	28,128	6,093	28,112
9	50,865	27,463	6,148	34,726
10	50,89	26,913	6,262	37,137

Из таблицы видно, что во втором кластере экономическая составляющая глобализации объясняет больший процент вариации индекса развития финансовых рынков, чем в третьем кластере.

Это согласуется с предположением о большей вариации макроэкономических показателей в менее развитых в финансовом плане стран, так как если экономическая глобализация является одной из объясняющих переменных для развития финансовых рынков, то шоки экономической глобализации повлекут за собой больший отклик со стороны показателей финансового рынка.

Также выше было отмечено, что культурная глобализация имеет большее влияние на развитие финансовых рынков в более развитых в финансовом отношении странах. В таблице мы видим подтверждение этому - в третьем кластере культурная глобализация объясняет большую часть вариации, чем во втором.

Чтобы подтвердить уже полученные результаты в отношении взаимосвязей между развитием финансовых рынков и культурной и экономической глобализацией, необходимо провести тест Гранжера на причинность.

Идея теста заключается в том, что изменения временного ряда, являющегося причиной по Гранжеру другого временного ряда, должны предшествовать изменениям этого временного ряда.

Кроме того, они должны вносить значимый вклад в прогноз его значений. В тесте Гранжера последовательно проверяются две гипотезы: «Х не является причиной У по Гранжеру» и «У не является причиной Х по Гранжеру».

Соответственно, этим тестом можно определить направление, в котором одна переменная влияет (а, точнее сказать, ее изменение предшествует изменению другой переменной) на изменение другой переменной.

Результаты теста Гранжера показали, что во втором и третьем кластерах культурная и экономическая глобализация являются причиной по Гранжеру ряда FM. Нужно, однако, отметить, что понятие причинности по Гранжеру не аналогично понятию следствия.

То есть мы не можем говорить о четкой причинно-следственной связи между переменными социальной, экономической глобализации и показателем развития финансовых рынков - мы лишь указываем на то, что изменения в одной переменной предшествуют изменениям в другой переменной и таким образом обозначаем связь между выбранными переменными.

По первому кластеру также была построена модель VECM, однако коэффициент при ECM, отвечающем за долгосрочную связь между переменными оказался не значим, поэтому было решено перейти к спецификации VAR в разностях.

Результаты показали, что в уравнении первой разности переменной FM (нашей зависимой переменной) значим лишь один показатель - политическая глобализация. Однако модель не отвечает всем показателям качества - гипотеза модифицированного теста Жарка-Бера о нормальном распределении остатков отверглась на уровне значимости 5%, соответственно мы не можем делать какие-либо достоверные выводы по этой системе VAR.

3.3 Прогнозирование как способ оценки влияния аспектов глобализации на развитие финансовых рынков

Чтобы подтвердить или поставить под сомнение влияние социальной (культурной) и экономической глобализации на развитие финансовых рынков стран мира, можно спрогнозировать показатель зависимой переменной на несколько лет вперед с помощью построенной ранее модели VECM, а затем сравнить эти значения с прогнозом по модели ARIMA.

Смысл заключается в том, что прогнозирование по модели векторной коррекции ошибками учитывает краткосрочные и долгосрочные взаимосвязи между развитием финансовых рынков и аспектами глобализации, а прогноз по модели ARIMA не предполагает учета каких-либо взаимозависимостей с другими переменными.

ARIMA (AutoRegressive Integrated Moving Average - ARIMA (p,d,q),

где p - порядок авторегрессии, d - порядок интегрируемости, q - порядок скользящего среднего) - метод оценки нестационарных временных рядов, которые являются разностно-стационарными, то есть становятся стационарными после взятия последовательных разностей.

Построим коррелограмму ряда FM для второго кластера (страны с менее развитыми финансовыми рынками) в пакете Gretl.

Рис.5. Коррелограмма для ряда FM (второй кластер)

По коррелограмме видно, что это процесс AR(1), так как PACF имеет характерный пик на первом лаге.

То, что ряд нестационарен, мы уже выяснили выше - проводили тест Дики-Фуллера на единичный корень (гипотеза о наличии единичного корня в уровне переменной не отвергалась на уровне значимости 5% ни в одной из спецификаций). Далее была построена модель ARIMA(1,1,1). Лаги AR и MA части оказались значимы на уровне 5%.

Автокорреляция остатков отсутствует, что подтвердил тест Льюинга-Бокса: об отсутствии автокорреляции до 18 лага не отвергается на уровне значимости 5% (p-value составило 0,3761).

Также важно проверить нормальность распределения остатков полученной модели. Нулевая гипотеза о нормальном распределении не отвергается на уровне 5% (p-value составило 0,1476).

Так, прогноз по переменной FM выглядит следующим образом:

Таблица 6

Прогнозные значения для ряда FM по модели ARIMA во втором кластере

Год	Стандартная ошибка прогноза	Предсказанное значение	95% доверительный интервал
2017	0,0026	0,0581	0,0529	0,0633
2018	0,0468	0,0585	0,0493	0,0676
2019	0,0057	0,0596	0,0499	0,0694

Прогноз по модели VECM с учетом взаимосвязей между переменной развития финансового рынка и аспектами глобализации выглядит следующим образом:

Таблица 7

Прогнозные значение для ряда FM по модели VECM во втором кластере

Год	Предсказанное значение	RMSE	MAE
2017	0,04852	0,01014	0,00818
2018	0,04908
2019	0,04869

Мы видим, что в доверительный интервал по модели ARIMA не попадает ни одно прогнозное значение по модели VECM. Проведем ту же процедуру для третьего кластера (была построена модели ARIMA(1,1,0), проверка которой показала ее адекватность, а затем был построен прогноз по модели коррекции ошибками), и получим прогноз по модели VECM:



Таблица 8

Прогнозные значение для ряда FM по модели VECM в третьем кластере

Год	Предсказанное значение	RMSE	MAE
2017	0,3508	0,07682	0,06198
2018	0,3556
2019	0,3604

А также прогнозные значения с доверительными интервалами по модели ARIMA (1,1,0):

Таблица 9

Прогнозные значение для ряда FM по модели ARIMA в третьем кластере

Год	Предсказанное значение	Стандартная ошибка прогноза	95% доверительный интервал
2017	0,37657	0,01849	0,34033	0,41281
2018	0,37578	0,03315	0,31080	0,44076
2019	0,37541	0,04603	0,28519	0,46560

Здесь мы видим, что все три значения попадают в доверительный интервал прогноза по ARIMA - предсказанные значения достаточно похожи.

Итак, в этом разделе мы выяснили, что для второго кластера предсказанные по модели VECM значения переменной FM не попадают в 95% доверительный интервал прогнозных значений по модели ARIMA. В третьем кластере прогноз по модели коррекции ошибками попал в доверительный интервал прогноза, который не учитывает взаимосвязи между развитием финансовых рынков и аспектами глобализации (модель ARIMA).

С одной стороны, эти результаты могут быть интерпретированы в терминах силы влияния независимых переменных на состояние финансовых рынков, однако необходимо делать выводы с осторожностью.

Несмотря на то, что мы получили довольно качественные векторные модели коррекции ошибками и прогноз должен достаточно точно отражать взаимосвязи между исследуемыми переменными, напомним, что и зависимая, и независимые переменные являются индексами, которые имеют свою логику построения и методологию.

Поэтому нужно принять во внимание полученные результаты о том, что различия в прогнозе по VECM и ARIMA отличаются не так сильно, как предполагалось, однако этот вывод не должен ставить под сомнение все полученные ранее результаты о наличии зависимости между развитием финансовых рынков и различными аспектами глобализации.



Заключение

В этой работе была предпринята попытка осуществить более широкий подход к понятию глобализации и ее влияния на финансовое развитие стран мира. Финансовое развитие определялось развитием финансовых рынков в связи с тем, что в литературе не было обнаружено достаточное количество эконометрических исследований на данную тематику.

Под глобализацией понималась не только экономическая или финансовая составляющая, как во всех проанализированных нами работах, но и культурная, политическая, личностная и информационная.

Первым шагом в комплексном исследовании влияния аспектов глобализации на развитие финансовых рынков был регрессионный анализ зависимой переменной на подиндексы глобализации, перечисленные выше. Модели оценивались по трем кластерам, сформированным в соответствии с показателем развития финансовых рынков в странах мира.

Результаты показали, что в каждом кластере значимыми оказались не только показатели экономической (торговой и финансовой) глобализации, а также культурной составляющей. В первом кластере (в который попали страны с наиболее высоким уровнем развития финансовых рынков) культурный аспект глобализации оказывал наибольшее воздействие на показатель развития финансовых рынков. Все три модели оказались адекватными и имели высокий на наш взгляд коэффициент детерминации с учетом специфики зависимой и независимых переменных.

Вторым шагом было исследование динамических взаимосвязей между социальной, политической, культурной глобализацией и развитием финансовых рынков. Оказалось, что во временных рядах по кластерам присутствует коинтеграция, что говорит о долгосрочной взаимосвязи между исследуемыми переменными.

Была построена модель векторной коррекции ошибками VECM, для которой были проинтерпретированы функции импульсного отклика и декомпозиция вариации зависимой переменной - развития финансовых рынков. Интересным результатом оказалось то, что в странах с более высоким уровнем развития финансовых рынков экономическая составляющая объясняет меньший процент вариации зависимой переменной, чем в странах с менее развитыми финансовыми рынками.

Заключительным шагом в анализе динамических взаимосвязей стал прогноз, построенный по модели ARIMA и VECM. Различия в прогнозе по VECM и ARIMA отличаются не так сильно, как предполагалось, однако этот вывод не должен ставить под сомнение все полученные ранее результаты о наличии зависимости между развитием финансовых рынков и различными аспектами глобализации.



Список литературы

1. Горецкая Е. О., Сапрыкина В. Ю., Миселимян Т. Л. Построение индекса уровня глобализации мировой экономики //Известия высших учебных заведений. Северо-Кавказский регион. Общественные науки. - 2011. - №. 4.

2. Черкашина Т. Ю. Индексы глобализации: индикаторы и логика построения //Социология: методология, методы, математическое моделирование (4М). - 2011. - №. 33. - С. 136-165.

3. Abiad A., Mody A. Financial reform: What shakes it? What shapes it? //American Economic Review. - 2005. - Т. 95. - №. 1. - С. 66-88.

4. Arcand J. L., Berkes E., Panizza U. Too much finance? //Journal of Economic Growth. - 2015. - Т. 20. - №. 2. - С. 105-148.

5. Baltagi B. H., Demetriades P. O., Law S. H. Financial development and openness: Evidence from panel data //Journal of development economics. - 2009. - Т. 89. - №. 2. - С. 285-296.

6. Beck T., Demirgьз-Kunt A., Levine R. A new database on financial development and structure. - The World Bank, 1999.

7. Chinn M. D., Ito H. What matters for financial development? Capital controls, institutions, and interactions //Journal of development economics. - 2006. - Т. 81. - №. 1. - С. 163-192.

8. Cihak M. et al. Benchmarking financial systems around the world. - 2012.

9. Do Q. T., Levchenko A. A. Comparative advantage, demand for external finance, and financial development //Journal of Financial Economics. - 2007. - Т. 86. - №. 3. - С. 796-834.

10. Engle R. F., Granger C. W. J. Co-integration and error correction: representation, estimation, and testing //Econometrica: journal of the Econometric Society. - 1987. - С. 251-276.

11. Huang W. et al. Emerging markets financial openness and financial development //University of Bristol Discussion Paper. - 2006. - Т. 588.

12. Ito H. Financial development and financial liberalization in Asia: Thresholds, institutions and the sequence of liberalization //The North American Journal of Economics and Finance. - 2006. - Т. 17. - №. 3. - С. 303-327.

13. Johnson D. G. Globalization: what it is and who benefits //Journal of Asian Economics. - 2002. - Т. 13. - №. 4. - С. 427-439.

14. Kim D. H., Lin S. C., Suen Y. B. Dynamic effects of trade openness on financial development //Economic Modelling. - 2010. - Т. 27. - №. 1. - С. 254-261.

15. Lane P. R., Milesi-Ferretti G. M. The external wealth of nations mark II: Revised and extended estimates of foreign assets and liabilities, 1970-2004 //Journal of international Economics. - 2007. - Т. 73. - №. 2. - С. 223-250.

16. Law S. H. Trade openness, capital flows and financial development in developing economies //International Economic Journal. - 2009. - Т. 23. - №. 3. - С. 409-426.

17. Law S. H., Azman-Saini W. N. W. Institutional quality, governance, and financial development //Economics of Governance. - 2012. - Т. 13. - №. 3. - С. 217-236.

18. Law S. H., Azman-Saini W. N. W., Ibrahim M. H. Institutional quality thresholds and the finance-growth nexus //Journal of Banking & Finance. - 2013. - Т. 37. - №. 12. - С. 5373-5381.

19. Law S. H., Azman-Saini W. N. W., Tan H. B. Economic globalization and financial development in East Asia: a panel cointegration and causality analysis //Emerging Markets Finance and Trade. - 2014. - Т. 50. - №. 1. - С. 210-225.

20. Le T. H., Kim J., Lee M. Institutional quality, trade openness, and financial sector development in Asia: An empirical investigation //Emerging Markets Finance and Trade. - 2016. - Т. 52. - №. 5. - С. 1047-1059.

21. Levine R., Loayza N., Beck T. Financial intermediation and growth: Causality and causes //Journal of monetary Economics. - 2000. - Т. 46. - №. 1. - С. 31-77.

22. Mishkin F. S. Globalization and financial development //Journal of development Economics. - 2009. - Т. 89. - №. 2. - С. 164-169.

23. Muye I. M., Muye I. Y. Testing for causality among globalization, institution and financial development: Further evidence from three economic blocs //Borsa Istanbul Review. - 2017. - Т. 17. - №. 2. - С. 117-132.

24. Pesaran M. H. A simple panel unit root test in the presence of cross?section dependence //Journal of applied econometrics. - 2007. - Т. 22. - №. 2. - С. 265-312.

25. Pesaran M. H. General diagnostic tests for cross section dependence in panels. - 2004.

26. Rajan R. G., Zingales L. The great reversals: the politics of financial development in the twentieth century //Journal of financial economics. - 2003. - Т. 69. - №. 1. - С. 5-50.

27. Svaleryd H., Vlachos J. Markets for risk and openness to trade: how are they related? //Journal of International Economics. - 2002. - Т. 57. - №. 2. - С. 369-395.

28. Svirydzenka K. Introducing a new broad-based index of financial development. - International Monetary Fund, 2016.

29. Tovar Garcнa, E. D. (2012). Financial globalization and financial development in transition countries. Economнa: teorнa y prбctica, (36), 155-178.



Приложение 1

Результаты кластеризации методом k-средних по уровню развития финансовых рынков

1 кластер (25)	2 кластер (60)	3 кластер (31)
Австралия	Албания	Ливан	Аргентина
Канада	Бурунди	Либерия	Австрия
Швейцария	Буркина-Фасо	Шри-Ланка	Бельгия
Китай	Бангладеш	Лесото	Бахрейн
Германия	Боливия	Мадагаскар	Бразилия
Испания	Бруней-Даруссалам	Мали	Барбадос
Финляндия	Бутан	Мьянма	Колумбия
Франция	Ботсвана	Монголия	Кипр
Великобритания	Габон	Мавритания	Дания
Гонконг, Китай	Камерун	Малави	Египет
Ирландия	Конго	Нигер	Греция
Италия	Коста Рика	Нигерия	Венгрия
Япония	Доминик. Респблика	Никарагуа	Индонезия
Корея	Алжир	Непал	Индия
Люксембург	Эквадор	Пакистан	Исландия
Малайзия	Фиджи	Панама	Израиль
Соединенные Штаты Америки	Берег Слоновой Кости	Папуа - Новая Гвинея	Объединенные Арабские Эмираты
Норвегия	Гана	Парагвай	Иордания
Португалия	Гватемала	Румыния	Кувейт
Катар	Гайана	Руанда	Марокко
Саудовская Аравия	Гондурас	Судан	Мексика
Сингапур	Иран	Сенегал	Мальта
Швеция	Ямайка	Сьерра-Леоне	Маврикий
Таиланд	Кения	Эль Сальвадор	Новая Зеландия
Нидерланды	Камбоджа	Сербия	Оман
	Тринидад и Тобаго	Суринам	Перу, Чили
	Тунис	Сейшельские остр.	Филиппины
	Танзания	Идти	Польша
	Уганда	Вьетнам	Турция
	Уругвай	Замбия	Южная Африка



Приложение 2

Основные результаты регрессионного анализа по кластерам

1 кластер		2 кластер		3 кластер
Переменная	Коэффициент (ст.ошибка)		Переменная	Коэффициент (ст.ошибка)		Переменная	Коэффициент (ст.ошибка)
kof_tr_df	0,001434**		kof_tr	0,015478**		kof_fi_df	0.002045**
	(0,000832)			(0,007726)			(0.001077)
kof_fi_df	0,002008		kof_fi_df	0,005055**		kof_cu_df	0.003419**
	(0,001386)			(0,002922)			(0.001528)
kof_po_df	0,003269**		kof_po	0,011696**		kof_in_df	0.002690**
	(0,001242)			(0,002907)			(0.001751)
kof_cu_df	0,004701**		kof_cu_dj	0,008383**		ln(gdp)	0.051671*
	(0,001476)			(0,002445)			(0.031363)
kof_ip_df	0,000456**		kof_in_df	0,000715**		c	-0.909237**
	(0,000223)			(0,000313)			(0.248272)
c	-0,073172		ln(gdp)	0,293595**
	(0,095084)			(0,067798)
			c	-3,47202**
				(0,518111)
	0,5885			0,69			0,644
	0,5427			0,65			0,607
S.E. of regression	0,096		S.E. of regression	0,161		S.E. of regression	0,11
Log likelihood	50,46		Log likelihood	25,69		Log likelihood	26,001
prob(F-stat)	0		prob(F-stat)	0		prob(F-stat)	0
Prob (Jarque-Bera)	0,243		Prob (Jarque-Bera)	0,6788		Prob (Jarque-Bera)	0,1837
prob(F-stat) - LM test	0,5234		prob(F-stat) - LM test	0,4536		prob(F-stat) - LM test	0,3423
prob(F-stat) - BPG			prob(F-stat) - BPG	0,4652		prob(F-stat) - BPG	0,8534

Источник: расчеты автора

Приложение 3

Результаты проведения тестов на единичный корень

1 кластер	FM	econ	social	polit
	тренд и константа	константа	без константы	тренд и константа	константа	без константы	тренд и константа	константа	без константы	тренд и константа	константа	без константы
Уровень	-1,34	-1,5	1,23	-0,6	-1,67	3,5	-1,08	-1,11	1,67	-1,36	-0,9458	2,36
	0,8582	0,5239	0,9418	0,9726	0,4333	0,9997	0,9178	0,6972	0,975	0,855	0,7617	0,9946
Первая разность	-2,89	-2,63	-2,12	-5,37			-2,29	-2,32	-1,2	-3,56	-4,37
	0,1783	0,0966	0,0339	0,0005			0,4295	0,169	0,2038	0,0533	0,0014
2 кластер	FM	econ	social	polit
	тренд и константа	константа	без константы	тренд и константа	константа	без константы	тренд и константа	константа	без константы	тренд и константа	константа	без константы
Уровень	-2,41	-0,83	1,34	-1,15	-0,78	-1,16	-3,18	-3,47		-2,17	0,53	6,44
	0,3664	0,7981	0,9521	0,9003	0,8127	0,9002	0,1018	0,0153		0,4698	0,9856	1
Первая разность	-4,62			-2,85	-4,3					-4,33
	0,0039			0,1885	0,0017					0,008
3 кластер	FM	econ	social	polit
	тренд и константа	константа	без константы	тренд и константа	константа	без константы	тренд и константа	константа	без константы	тренд и константа	константа	без константы
Уровень	-2,06	-1,52	0,69	-0,27	-1,31	1,89	-2,06	-2,45	0,69	-1,31	-0,68	1,99
	0,547	0,5112	0,8611	0,9886	0,611	0,9842	0,5449	0,136	0,8596	0,8688	0,8375	0,9874
Первая разность	-3,52	-3,64		-4,56			-2,53	-2,71	-0,59	-7,83
	0,054	0,0098		0,0045			0,309	0,0812	0,4527	0
Источник: расчеты автора. Под значением тестовой статистики расположено p-value

Размещено на Allbest.ru