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. C/S UDP通信实践踩坑记录与对于ICMP的进一步认识

    背景 最近有个业务场景需要服务端(简称S)与客户端(简称C)设计一套基于UDP的通信协议--要求尽可能快的前提下可容忍一定丢包率,得以比较深入地学习和了解UDP通信和实践,在开发调试期间先后碰到了C端 ...

  2. [OpenCV实战]15 基于深度学习的目标跟踪算法GOTURN

    目录 1 什么是对象跟踪和GOTURN 2 在OpenCV中使用GOTURN 3 GOTURN优缺点 4 参考 在这篇文章中,我们将学习一种基于深度学习的目标跟踪算法GOTURN.GOTURN在Caf ...

  3. [Untiy]贪吃蛇大作战(一)——开始界面

    前言: 刚学unity没多久吧(大概1个月多点),这是我自己做的除官网之外的第一个游戏demo,中间存在很多不足的地方,但是还是希望可以给需要的人提供一些思路和帮助,有问题的小伙伴可以找我一起探讨一起 ...

  4. ChatGPT 背后的“功臣”——RLHF 技术详解

    OpenAI 推出的 ChatGPT 对话模型掀起了新的 AI 热潮,它面对多种多样的问题对答如流,似乎已经打破了机器和人的边界.这一工作的背后是大型语言模型 (Large Language Mode ...

  5. threeJs构建3D世界

    threejs官网 https://threejs.org/docs/index.html#manual/zh/introduction/Installation (官网非常的详细) 导入安装 npm ...

  6. angular Ionic CLI连接数据获取数据无限滚动

  7. VBA中的(升降序)排名问题

    1 Sub 升序() 2 3 all_rows = Sheets(1).Range("a65536").End(xlUp).Row 4 5 With ActiveWorkbook. ...

  8. pnpm

    一.概念 performant npm ,意味"高性能的 npm".pnpm由npm/yarn衍生而来,解决了npm/yarn内部潜在的bug,极大的优化了性能,扩展了使用场景.被 ...

  9. 使用花生壳进行内网穿透实验SQLserver

    在一次编写软件的过程中,想让远在河南的同学对试一试,但是他的电脑上没有与之对应的SQL数据库不能便不能够运行软件.于是我想到了远程连接.在使用花生壳的时候,遇到了一些问题,然而网络上并没有与之对应的解 ...

  10. Spring框架-IoC核心

    spring框架(spring全家桶) spring FrameWork springBoot+springCloud+springCloud Data Flow 一:spring的两大核心机制: I ...