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. java后端整合极光消息推送

    目录 1.简介 2.极光Demo 2.1.进入极光官网--应用管理 2.2.快速集成一个Android/iOS的SDK​ 2.3.java服务端代码 3.参考资料 1.简介 简单来说,就是androi ...

  2. Nodejs后端自动化测试

    偶然看到收藏一下 const puppeteer = require('puppeteer'); const fs = require('fs'); (async () => { const b ...

  3. day16-声明式事务-02

    声明式事务-02 3.事务的传播机制 事务的传播机制说明: 当有多个事务处理并存时,如何控制? 比如用户去购买两次商品(使用不同的方法),每个方法都是一个事务,那么如何控制呢? 也就是说,某个方法本身 ...

  4. iterator_traits技法

    问题 在 C++ 泛型编程中,如何知道"迭代器所指对象的类型",以便声明临时变量呢?我们把迭代器所指对象的类型称为value type. template <class It ...

  5. Java8Stream流

    Stream流呢,以前我也有所了解,像一些面试题中也出现过,Java8的新特性,有一块就是这个Stream操作集合,而且在看一些项目中也使用的比较多.但总感觉自己学的一知半解,所以今天打算系统的过一下 ...

  6. Grafana 系列文章(十五):Exemplars

    Exemplars 简介 Exemplar 是用一个特定的 trace,代表在给定时间间隔内的度量.Metrics 擅长给你一个系统的综合视图,而 traces 给你一个单一请求的细粒度视图:Exem ...

  7. 关于Vue2.x与Es6一些特性

    关于Vue2.x与Es6一些特性 Vue的定位,就是快速开发. 这些特性,我没有过于熟练,导致写的代码质量不高. 过滤器 <template> <div> {{title | ...

  8. 一篇文章带你弄懂Kerberos的设计思路

    这篇文章将会带大家详细梳理和理解Kerberos的设计思路. Basic 为了减轻服务器的负担,我们需要设计一个专门的认证服务器AS,储存所有用户的口令,认证了用户身份之后再通知应用服务器 引入tic ...

  9. 视觉十四讲:第六讲_g2o图优化

    g2o是一个基于图优化的库,图优化是把优化问题表现为一种图的方式.一个图由若干个顶点和边组成. 顶点表示优化变量,边表示误差项. g2o的使用步骤: 1.定义顶点和边的类型: 2.构建图: 3.选择优 ...

  10. mapreduce的使用

    mapreduce的使用 以下案例写之前需要导入jar包依赖: <dependencies> <dependency> <groupId>org.apache.ha ...