Comment identifier les changements structurels au moyen d'un test de Chow sur Eviews Cross Validé

J'ai ce petit problème et je vous serais reconnaissant de l'aide.

Dans le cadre de ma thèse de maîtrise, je dois identifier une tendance dans une série chronologique univariée (PIB) pour différents pays. Je dois séparer la tendance et l'élément stochastique pour chaque pays.

J'ai réussi à le faire en faisant:

Et puis en cours d'exécution d'un AR (1) sur les résidus // pour chaque pays.

Cependant, maintenant je dois identifier les ruptures structurelles dans l'un de ces pays. J'ai lu et la recherche partout sur Internet et des livres et j'ai trouvé que le test la plupart des gens utilisent pour identifier ces changements structurels est le test de Chow.

Ici, il y a un exemple des résultats:

Ce qui me déconcerte le plus est le fait que, quel que soit le point que je choisis de briser la série, je reçois toujours

Prob. F (2,47) 0,0016 // ou une valeur très importante, avec les mêmes degrés de liberté.

Quelqu'un peut-il me s'il vous plaît aider à comprendre comment j'interpréter ces résultats afin d'identifier où reposent les pauses?

Je suppose que vous traitez chaque pays séparément et tentent de déterminer s'il y a un point de rupture dans le niveau d'une série. Voici trois (EDIT: quatre) points principaux que je l'espère, contribuera à:

A partir de votre exemple: $$ = Y_T \ beta_0 + \ beta_1 t + \ epsilon_t \ qquad (1) $$ La forme de base du test de Chow est:

1. Construire une variable fictive $ D_t $ qui est $ = 0 $ avant la pause et $ = 1 $ après la pause.
2. Exécuter une régression: $$ Y_T = \ beta_0 + \ beta_1 t + \ gamma_0 D_t + \ t gamma_1 D_t + \ nu_t \ qquad (2) $$
3. Test de la somme des carrés des résidus de (1) contre (2) où: $$ H_0. \ Gamma_0 = \ gamma_1 = 0 $$ $$ H_1 \ texte $$ Et, $ F = \ frac - RSS _ >> \ frac $ Où q $ est le nombre de restrictions (le nombre de signes dans l'égale hypothèse nulle $ H_0 $ ci-dessus, et $ k $ est le nombre de paramètres dans le modèle restreint (après application de l'hypothèse nulle, donc juste $ \ beta_0 $ et $ \ beta_1 $).

J'espère que cela t'aides.