The ardl method in the Energy-Growth Nexus Field; Best Implementation Strategies

Keywords:

ARDL bounds test; energy-growth nexus; “X-variable-growth nexus” review

1. Introduction

Since the seminal work by

Kraft and Kraft

(

1978

) on the energy-growth nexus, various cointegration

and causality methods have been used in this field and the “X-variable growth nexus” framework

in general. The most common of them have been the

Engle and Granger

(

1987

) method based

on residuals, the

Phillips and Hansen

(

1990

) with a modified ordinary least square procedure,

Johansen

(

1988

) and

Johansen and Juselius

(

1990

) maximum likelihood method.

However, some years later, it was realized that these methods may not be appropriate for small

samples (

Narayan and Smyth 2005

). Foremost, studies before the ARDL establishment, and this was

much the case for the energy-growth nexus, used cross sectional analysis through their panel data

configuration. This entailed that the countries included in those samples were not homogeneous

enough with respect to their economic development level (

Odhiambo 2009

). Unless results became

country specific, results from these studies were of little use for policy-making. This generated the need

for more sophisticated cointegration and causality methods. These econometric methods employed in

the older energy-growth nexus, have thrown light to other fields such as the tourism-growth nexus or

others, which this paper, for reasons of simplicity, terms as the “X-variable- growth nexus.”

The initiation of the autoregressive distributed lag (ARDL) method or Bounds test is due to

Pesaran and Shin

(

1999

), while its further development is due to

Pesaran et al.

(

2001

). It is acknowledged

as one of the most flexible methods in the econometric analysis of the energy-growth nexus, particularly

when the research framework is shaped by regime shifts and shocks. The latter change the pattern of

energy consumption or the evolution of covariates in the energy-growth models. Moreover, the fact

that the ARDL method may tolerate di

fferent lags in different variables, this makes the method very

attractive, versatile, and flexible.

The ability to host su

fficient lags enables best capturing of the data generating process mechanism.

This translates into that the method can be applied irrespective of whether the time series is I(0),

namely stationary at levels, I(1) namely stationary at first di

fferences or fractionally integrated

Economies 2019, 7, 105; doi:10.3390

/economies7040105

www.mdpi.com

/journal/economies

---

Economies 2019, 7, 105

2 of 16

(

Pesaran et al. 2001

). Nevertheless, within the ARDL framework, the series should not be I(2),

because this integration order invalidates the F-statistics and all critical values established by Pesaran.

Those have been calculated for series which are I(0) and

/or I(1).

Furthermore, the ARDL method provides unbiased estimates and valid t-statistics, irrespective

of the endogeneity of some regressors (

Harris and Sollis 2003

;

Jalil and Ma 2008

). Actually,

because of the appropriate lag selection, residual correlation is eliminated and thus the endogeneity

problem is also mitigated (

Ali et al. 2016

). As far as the short-run adjustments are concerned, they

can be integrated with the long-run equilibrium through the error correction mechanism (ECM).

This occurs through a linear transformation without sacrificing information about the long-run horizon

(

Ali et al. 2017

). One other aspect is that the method allows the correction of outliers with impulse

dummies (

Marques et al. 2017

,

2019

) and the approach distinguishes between dependent and

independent variables.

Last but not the least, the interpretation of the ARDL approach and its implementation is

quite straightforward (

Rahman and Kashem 2017

) and the ARDL framework requires a single form

equation (

Bayer and Hanck 2013

), while other procedures require a system of equations. The ARDL

approach is more reliable for small samples as compared to Johansen and Juselius’s cointegration

methodology (

Haug 2002

).

Halicioglu

(

2007

) also mentions two more advantages of the method, which

are: The simultaneous estimation of short- and long-run e

ffects and the ability to test hypotheses on

the estimated coe

fficients in the long-run. This is not done in the Engle–Granger method.

This paper is organized as follows: After the introduction, follows the methodology as Section

2

,

together with best practice guidelines. Section

3

contains other versions of the ARDL approach and

ARDL implementation strategies to follow in one’s energy-growth nexus paper, and Section

4

concludes

the paper.