时间序列分析 2.X 单位根检验
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
- 《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 ...
- 【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 ...
- 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 ...
- 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 ...
- [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, ...
- 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 ...
- 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- ...
- 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 ...
- 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 ...
- 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
- [机器学习] Yellowbrick使用笔记6-分类可视化
分类模型试图在一个离散的空间中预测一个目标,即为一个因变量实例分配一个或多个类别. 代码下载 分类分数可视化工具显示类之间的差异以及一些特定于分类器的可视化评估.我们目前已经实施了以下分类器评估: 分 ...
- [cocos2d-x]从源码角度思考convertToWorldSpace()与convertToWorldSpaceAR()坐标系的转换
convertToWorldSpace() 话不多说,先上源码,之后再慢慢讲解: (5和6图截图的时候重复了,这里就不弄出来了) 只要通过图1到图8中我写的注释进行分析(不懂的地方可以自己去翻一下co ...
- for循环-while循环
for循环 循环语句1--for for循环语句格式: for(初始化表达式①; 布尔表达式②; 步进表达式④){ 循环体③ } 执行流程 执行顺序:①②③④>②③④>②③④-②不满足为止 ...
- FLASH-CH32F203替换STM32F103 FLASH快速编程移植说明
因CH32F203 相对于STM32 flash 操作多了快速编程模式,该文档说明主要目的是为了方便客户在原先ST 工程的基础上实现flash 快速编程模式的快速移植. 1.在stm32f10x.h ...
- JavaScript: symbol 和 string key 取值用法
'' 做 key 可以被 . 或者 [] 运算符取出 [""] 做 key 同样可以被 . 或者 [] 运算符取出 symbol 做 key 只能被 . 取出 [symbol] 做 ...
- 线程基础知识11-CAS+自旋锁
1.CAS是什么(CompareAndSet) CAS(Compare and swap)比较和替换是设计并发算法时用到的一种技术.简单来说,比较和替换是使用一个期望值和一个变量的当前值进行比较,如果 ...
- Activiti02流程基本功能使用
主要分为一下几个步骤: 1.画图 2.部署流程-把图的信息转入到数据表格中 3.创建流程实例-开始一个流程-实际发起了一个流程 4.执行任务:获取任务+完成任务 1.画图 画了一个简单的流程图,图形文 ...
- mybatis学习日记2
1.mybatis中的连接池 配置的位置: 主配置文件SqlMapConfig.xml中的dataSource标签,type属性就是用来表示采用何种连接方式 mybatis连接池提供了3种方式的配置 ...
- java并发AQS中应用:以acquire()方法为例来分析线程间的同步与协作
谈到java中的并发,我们就避不开线程之间的同步和协作问题,谈到线程同步和协作我们就不能不谈谈jdk中提供的AbstractQueuedSynchronizer(翻译过来就是抽象的队列同步器)机制: ...
- 大规模 IoT 边缘容器集群管理的几种架构-3-Portainer
前文回顾 大规模 IoT 边缘容器集群管理的几种架构-0-边缘容器及架构简介 大规模 IoT 边缘容器集群管理的几种架构-1-Rancher+K3s 大规模 IoT 边缘容器集群管理的几种架构-2-H ...