单位根检验 (基于模型检验序列是否平稳)

趋势平稳序列

\(X_{t}=\beta_{0}+\beta_{1} t+Y_{t}\)

\(Y_t\) 为平稳序列, 则称 \(X_t\) 为趋势平稳序列

差分平稳序列

如果 \(X_{t}\) 经差分之后的序列 \(\nabla^{d} X_{t}\) 是平稳的, 则称 \(X_{t}\) 为差分平稳序列; 差分平稳序列可以表示为

\[\phi(B)(1-B)^{d} X_{t}=\theta(B) Z_{t}
\]

基于 \(AR(1)\) 的平稳检验

\(M_{trend}\)

检验序列是否趋势平稳, 等价于对

\[\begin{aligned}M_{\text {trend }}: \quad x_{t}&=\beta_{0}\left(1-\phi_{1}\right)+\beta_{1} \phi_{1}+\beta_{1}\left(1-\phi_{1}\right) t+\phi_{1} x_{t-1}+Z_{t}\\
&=\omega+\delta t+\phi_{1} x_{t-1}+Z_{t}
\end{aligned}\]

考虑假设检验问题

\[H_{0}: \phi_{1}=1~(差分平稳) \leftrightarrow H_{1}: \phi_{1}<1~(趋势平稳)
\]

\(M_{none}\)

检验序列是否随机漫步, 等价于对

\[M_{\text {none }}: \quad x_{t}=\phi_{1} x_{t-1}+Z_{t}
\]

考虑假设检验

\[H_{0}: \phi_{1}=1~(随机漫步) \leftrightarrow H_{1}: \phi_{1}<1~(平稳的 AR(1))
\]

\(M_{drift}\)

检验序列是否为带漂移项的随机漫步

\[M_{\text {drift }}: \quad x_{t}=\phi_{0}+\phi_{1} x_{t-1}+Z_{t}
\]

考虑假设检验

\[H_{0}: \phi_{1}=1~(带漂移项的随机漫步) \leftrightarrow H_{1}: \phi_{1}<1~(平稳的 AR(1))
\]

基于 \(AR(p)\) 的平稳检验

由于上述检验的检验统计量分布的问题, 所以对 \(M_{trend}\) \(M_{none}\) \(M_{drift}\) 分别同时两边减去 \(X_{t-1}\)

假设检验变为

\[H_{0}: \gamma=0~ \leftrightarrow H_{1}: \gamma<0
\]

检验统计量变为

\[\tau=\frac{\hat{\gamma}}{s \cdot e .(\hat{\gamma})}
\]

结论一一对应

\(M_{none}\) \((tau1)\)

\[\begin{aligned}M_{none}:
x_{t}&=\phi_{1} x_{t-1}+\phi_{2} x_{t-2}+\cdots+\phi_{p} x_{t-p}+Z_{t}
\end{aligned}\]

变形为

\[M_{\text {none }}: \quad \nabla x_{t}=\gamma x_{t-1}+\sum_{j=2}^{p} \beta_{j} \nabla x_{t-j+1}+Z_{t}
\]

假设检验为

\[H_{0}: \gamma=0~(不带漂移项的单位根非平稳过程) \leftrightarrow H_{1}: \gamma<0~(中心化的 AR(p))
\]

检验统计量为

\[tau1=\frac{\hat{\gamma}}{s \cdot e .(\hat{\gamma})}
\]

\(M_{drift}\)

\[x_{t}=\phi_{0}+\phi_{1} x_{t-1}+\phi_{2} x_{t-2}+\cdots+\phi_{p} x_{t-p}+Z_{t}
\]

变形为$$M_{\text {drift }}: \quad \nabla x_{t}=\phi_{0}+\gamma x_{t-1}+\sum_{j=2}^{p} \beta_{j} \nabla x_{t-j+1}+Z_{t}$$

\(tau2\)

假设检验为

\[H_{0}: \gamma=0~(带漂移项的单位根非平稳过程) \leftrightarrow H_{1}: \gamma<0~(未中心化的 AR(p))
\]

检验统计量为

\[tau2=\frac{\hat{\gamma}}{s \cdot e .(\hat{\gamma})}
\]

\(phi1\)

假设检验为

\[H_{0}: \phi_0=\gamma=0~(不带漂移项的单位根非平稳过程) \leftrightarrow H_{1}:
\]

检验统计量为

\[phi1
\]

\(M_{trend}\)

\[x_{t}=\phi_{0}+\delta t+\phi_{1} x_{t-1}+\phi_{2} x_{t-2}+\cdots+\phi_{p} x_{t-p}+Z_{t}
\]

变形为 $$M_{\text {trend }}: \quad \nabla x_{t}=\phi_{0}+\delta t+\gamma x_{t-1}+\sum_{j=2}^{p} \beta_{j} \nabla x_{t-j+1}+Z_{t}$$

\(tau3\)

假设检验为

\[H_{0}: \gamma=0 \leftrightarrow H_{1}: \gamma<0
\]

检验统计量为

\[tau3
\]

\(phi2\)

假设检验为

\[H_{0}: \phi_0=\delta=\gamma=0 \leftrightarrow H_{1}:
\]

检验统计量为

\[tau2
\]

\(phi3\)

假设检验为

\[H_{0}: \delta=\gamma=0 \leftrightarrow H_{1}:
\]

检验统计量为

\[tau3
\]

时间序列分析 2.X 单位根检验的更多相关文章

  1. 《时间序列分析——基于R》王燕,读书笔记

    笔记: 一.检验: 1.平稳性检验: 图检验方法:     时序图检验:该序列有明显的趋势性或周期性,则不是平稳序列     自相关图检验:(acf函数)平稳序列具有短期相关性,即随着延迟期数k的增加 ...

  2. 【转】时间序列分析——基于R,王燕

    <时间序列分析——基于R>王燕,读书笔记 笔记: 一.检验: 1.平稳性检验: 图检验方法:     时序图检验:该序列有明显的趋势性或周期性,则不是平稳序列     自相关图检验:(ac ...

  3. 时间序列分析算法【R详解】

    简介 在商业应用中,时间是最重要的因素,能够提升成功率.然而绝大多数公司很难跟上时间的脚步.但是随着技术的发展,出现了很多有效的方法,能够让我们预测未来.不要担心,本文并不会讨论时间机器,讨论的都是很 ...

  4. python时间序列分析

              题记:毕业一年多天天coding,好久没写paper了.在这动荡的日子里,也希望写点东西让自己静一静.恰好前段时间用python做了一点时间序列方面的东西,有一丁点心得体会想和大家 ...

  5. [python] 时间序列分析之ARIMA

    1 时间序列与时间序列分析 在生产和科学研究中,对某一个或者一组变量  进行观察测量,将在一系列时刻  所得到的离散数字组成的序列集合,称之为时间序列. 时间序列分析是根据系统观察得到的时间序列数据, ...

  6. Eviews作时间序列分析的一个实例

    时间序列分析是作时间序列数据预测的一个重要部分,由于此次实验室竞赛也用到了时间序列分析,就在此说一下平稳性分析以及非平稳处理的方法:   1.判断平稳性         1.1平稳性的定义       ...

  7. SPSS统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类

    https://www.zhihu.com/topic/19582125/top-answershttps://wenku.baidu.com/search?word=spss&ie=utf- ...

  8. R时间序列分析实例

    一.作业要求 自选时间序列完成时间序列的建模过程,要求序列的长度>=100. 报告要求以下几部分内容: 数据的描述:数据来源.期间.数据的定义.数据长度. 作时间序列图并进行简单评价. 进行时间 ...

  9. SPSS时间序列分析

    时间序列分析必须建立在预处理的基础上…… 今天看了一条新闻体会到了网络日志的重要性…… 指数平滑法(Exponential Smoothing,ES)是布朗(Robert G..Brown)所提出,布 ...

  10. pandas小记:pandas时间序列分析和处理Timeseries

    http://blog.csdn.net/pipisorry/article/details/52209377 其它时间序列处理相关的包 [P4J 0.6: Periodic light curve ...

随机推荐

  1. 重新捋一捋React源码之更新渲染流程

    前言 前些天在看Dan Abramov个人博客(推荐阅读,站在React开发者的角度去解读一些API的设计初衷和最佳实践)里的一篇文章,其重点部分的思想就是即使不使用Memo(),也可以通过组合的方式 ...

  2. H5直播技术起航

    作者:京东科技 吴磊 音视频基本概念 视频格式就是通常所说的.mp4,.flv,.ogv,.webm等.简单来说,它其实就是一个盒子,用来将实际的视频流以一定的顺序放入,确保播放的有序和完整性. 视频 ...

  3. Caddy-用Go写的新一代可扩展WebServer

    前几天用 Netmaker 的时候发现它用 Caddy 替换掉了 Nginx,用了后发现确实简单好用,就安利一下. Caddy 是一个强大的.可扩展的平台,用 Go 编写,可以为你的站点.服务和应用程 ...

  4. Hugging News #0106

    每一周,我们的同事都会向社区的成员们发布一些关于 Hugging Face 相关的更新,包括我们的产品和平台更新.社区活动.学习资源和内容更新.开源库和模型更新等,我们将其称之为「Hugging Ne ...

  5. Vue3的script setup语法糖这么好用的吗????

    最近发现这个vue3居然还可以这样写 原始写法 <template> <h1>Tangdoudou</h1> <h1>{{ num }}</h1& ...

  6. SQL优化的一些方法

    1.对查询进行优化,应尽量避免全表扫描,首先应考虑在 where 及 order by 涉及的列上建立索引. 2.应尽量避免在 where 子句中对字段进行 null 值判断,否则将导致引擎放弃使用索 ...

  7. Entry键值对对象-Map集合遍历键值对方式

    Entry键值对对象 我们已经知道,Map中存放的是两种对象,一种称为key(键),一种称为value(值),它们在在[Map中是-对应关系,这一对对象又称做Map 中的一个 Entry(项).Ent ...

  8. Docker+nginx部署前后端分离项目

    1.下载Docker和Docker-Compose 1.安装Docker 记一次踩坑:误装podman-docker 问题概述:Centos8去下载Docker时,默认装的是podman-docker ...

  9. C#移除字符串中的不可见Unicode字符

    背景 最近发现某个数据采集的系统拿下来的数据,有些字段的JSON被莫名截断了,导致后续数据分析的时候解析JSON失败. 类似这样 {"title": "你好 或者这样,多 ...

  10. Unity-WebGL基于JS实现网页录音

    因为该死的Unity不支持WebGL的麦克风,所以只能向网页借力,用网页原生的navigator.getUserMedia录音,然后传音频流给Unity进行转AudioClip播放. 还有一点非常重要 ...