Wie ein Chow-Test auf Eviews Kreuz Validated Strukturwandel zu identifizieren, unter Verwendung von

Ich habe dieses kleine Problem, und ich würde etwas Hilfe zu schätzen wissen.

Im Rahmen meiner Diplomarbeit habe ich für verschiedene Länder einen Trend in einer univariaten (BIP) Zeitreihen zu identifizieren. Ich habe den Trend zu trennen und das stochastische Element in ihm für jedes Land.

Ich habe so, indem Sie tun verwaltet:

Und dann läuft ein AR (1) auf den Residuen // für jedes Land.

Aber jetzt brauche ich Strukturbrüche in einem dieser Länder zu identifizieren. Ich habe gelesen, und alle über das Internet und Bücher suchen und ich habe festgestellt, dass der Test die meisten Menschen, die diese strukturellen Veränderungen zu identifizieren, verwenden Sie den Chow-Test ist.

Hier gibt es ein Beispiel für die Ergebnisse:

Was mir ein Rätsel das ist die Tatsache, dass, unabhängig von dem Punkt, den ich wähle, um die Serie zu brechen, habe ich immer bekommen

Prob. F (2,47) 0,0016 // oder ein sehr bedeutender Wert, mit den gleichen Freiheitsgraden.

Kann mir bitte jemand helfen zu verstehen, wie ich diese Ergebnisse zu interpretieren, sollte zu erkennen, wo die Pausen liegen?

Ich gehe davon aus, dass Sie jedes Land separat behandeln und versuchen, zu bestimmen, ob es ein Knickpunkt in der Ebene einer Serie ist. Hier sind drei (EDIT: vier) wichtigsten Punkte, die ich helfen hoffen:

Von Ihrem Beispiel: $$ y_t = \ beta_0 + \ beta_1 t + \ epsilon_t \ qquad (1) $$ Die Grundform des Chow-Test:

1. Konstruieren Sie einen Dummy-Variable $ D_t $, den $ = 0 $ vor der Pause und $ = $ 1 nach der Pause.
2. Ausführen eines Regressions: $$ Y_t = \ beta_0 + \ beta_1 t + \ gamma_0 D_t + \ gamma_1 D_t t + \ nu_t \ qquad (2) $$
3. Testen der Summe der quadrierten Residuen von (1) gegenüber (2) wobei: $$ H_0. \ Gamma_0 = \ gamma_1 = 0 $$ $$ H_1 \ text $$ Und $ F = \ frac - SSR _ >> \ frac $ Wo $ q $ ist die Anzahl der Einschränkungen (die Anzahl der Gleichheitszeichen in der Nullhypothese $ H_0 $ oben und k $ $ ist die Anzahl der Parameter in dem eingeschränkten Modell (nach der Nullhypothese Anwendung, so dass nur \ $ beta_0 $ und $ \ beta_1 $).

Hoffe das hilft.