Cointegration คืออะไร? ทำความเข้าใจความสัมพันธ์ระยะยาวของข้อมูลอนุกรมเวลา

ในทางเศรษฐมิติ Cointegration (การร่วมบูรณาการ) คือคุณสมบัติทางสถิติที่อธิบายถึงความสัมพันธ์ในระยะยาวระหว่างตัวแปรอนุกรมเวลาตั้งแต่สองตัวแปรขึ้นไป แม้ว่าตัวแปรแต่ละตัวอาจจะมีลักษณะ non-stationary (ไม่คงที่) หรือมีแนวโน้มแบบสุ่ม (stochastic trends) แต่เมื่อนำตัวแปรเหล่านี้มาสร้างความสัมพันธ์เชิงเส้น (linear combination) ผลลัพธ์ที่ได้กลับกลายเป็นข้อมูลที่คงที่ (stationary) ซึ่งหมายความว่าตัวแปรเหล่านี้จะเคลื่อนที่ไปด้วยกันในระยะยาวและถูกผูกมัดด้วยดุลยภาพที่มั่นคง

หลักการทำงานของ Cointegration

หากเรามีอนุกรมเวลาหลายชุดที่แต่ละชุดมีการบูรณาการอันดับ d (หมายความว่าต้องทำการหาผลต่าง d ครั้งเพื่อให้ข้อมูลคงที่) แต่เมื่อนำมาสร้างความสัมพันธ์เชิงเส้นแล้ว ผลลัพธ์ที่ได้มีการบูรณาการในอันดับที่ต่ำกว่า d เราจะเรียกอนุกรมเวลาเหล่านั้นว่า cointegrated

ตัวอย่างเช่น หากตัวแปร X, Y และ Z ต่างก็เป็น I(1) และมีค่าสัมประสิทธิ์ a, b และ c ที่ทำให้ aX + bY + cZ กลายเป็นข้อมูลที่คงที่ (I(0)) แสดงว่า X, Y และ Z มีความสัมพันธ์แบบ Cointegration

ประวัติและความสำคัญ

แนวคิดเรื่อง spurious regression หรือการถดถอยหลอกลวง ถูกนำเสนอครั้งแรกโดย Udny Yule ในปี 1926 ต่อมาในช่วงก่อนทศวรรษ 1980 นักเศรษฐศาสตร์จำนวนมากใช้การถดถอยเชิงเส้นกับข้อมูลที่ไม่คงที่ ซึ่ง Clive Granger และ Paul Newbold ได้ชี้ให้เห็นว่าเป็นวิธีการที่อันตราย เพราะอาจนำไปสู่ความสัมพันธ์หลอกลวงได้

ในปี 1987 Robert Engle และ Clive Granger ได้สร้างระเบียบวิธีทางสถิติเพื่อจัดการกับปัญหานี้ โดยการนำเสนอแนวคิด Cointegrating Vector ซึ่งช่วยให้นักวิเคราะห์สามารถแยกแยะได้ว่าความสัมพันธ์ที่เห็นนั้นเป็นความสัมพันธ์ที่แท้จริงหรือเป็นเพียงความบังเอิญทางสถิติ

ปัญหาของการถดถอยหลอกลวง (Spurious Regression)

การใช้ Ordinary Least Squares (OLS) กับข้อมูลที่ไม่คงที่อาจให้ค่า R-squared ที่สูงมาก ซึ่งทำให้เข้าใจผิดว่าตัวแปรมีความสัมพันธ์กันอย่างมีนัยสำคัญ ทั้งที่ในความเป็นจริงไม่มีความเกี่ยวข้องกันเลย

ตัวอย่างเช่น หากเรานำข้อมูลการบริโภคของประเทศฟิจิมาวิเคราะห์ความสัมพันธ์กับ GDP ของประเทศอัฟกานิสถาน เราอาจพบความสัมพันธ์ที่สูงมาก แต่สิ่งนี้เป็นเพียง spurious regression เนื่องจากทั้งสองตัวแปรมีแนวโน้มเพิ่มขึ้นตามกาลเวลา (I(1)) แต่ไม่ได้มีความสัมพันธ์เชิงเหตุและผลต่อกัน

วิธีการทดสอบ Cointegration

หนึ่งในวิธีที่นิยมที่สุดคือ วิธีสองขั้นตอนของ Engle–Granger (Engle–Granger two-step method) ซึ่งมีหลักการดังนี้:

1. ขั้นตอนที่ 1: ประมาณค่าสัมประสิทธิ์ $\beta$ โดยใช้ OLS เพื่อสร้างความสัมพันธ์ระหว่าง $y_t$ และ $x_t$
2. ขั้นตอนที่ 2: นำค่าความคลาดเคลื่อน (residuals, $u_t$) ที่ได้จากขั้นตอนแรกมาทดสอบความเป็น Stationary โดยใช้ Augmented Dickey–Fuller (ADF) test หรือ Phillips–Perron test

หากค่าความคลาดเคลื่อน $u_t$ มีความคงที่ (stationary) แสดงว่าตัวแปร $x_t$ และ $y_t$ มีความสัมพันธ์แบบ Cointegration