时间序列分析(7)| ADF检验
上篇介绍了DF检验,该检验仅用于AR(1)过程的单位根检验,对于AR()过程来说,需要使用拓展DF检验(augmented Dickey-Fuller,ADF)。
1 模型检验形式
AR()过程的形式如下:
上式可以转换成如下形式:
而一阶检验的模型形式为:
与一阶的形式相比,p阶形式的相当于;可以看做是的滞后期,是特有的部分。
ADF检验使用的函数依然是urca
工具包中的ur.df()
:
ur.df(y, type = c("none", "drift", "trend"),lags = 1,selectlags = c("Fixed", "AIC", "BIC"))
lag
参数是指的滞后项长度的最大可能值;
type
参数的设置与DF检验一致,根据是否包含截距项和时间趋势项而定;由于在进行检验前是不知道真实滞后项长度的,需要使用
selectlags
参数选择确定“最佳”滞后项的原则,“最佳”滞后长度不大于lag
参数所对应的值。
以下示例来自官方文档:
library(urca)
data(Raotbl3)
plot(Raotbl3$lc, type = "l")
lc.df <- ur.df(y = Raotbl3$lc, lags = 12, type = 'trend',selectlags = "AIC")
summary(lc.df)
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt + z.diff.lag)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.045255 -0.005840 0.000133 0.006540 0.035257
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.1215347 0.3852117 2.911 0.00472 **
## z.lag.1 -0.1068796 0.0368355 -2.902 0.00486 **
## tt 0.0006400 0.0002297 2.786 0.00674 **
## z.diff.lag1 0.0328881 0.1080263 0.304 0.76162
## z.diff.lag2 0.1374570 0.1084381 1.268 0.20881
## z.diff.lag3 0.3178508 0.1098182 2.894 0.00496 **
## z.diff.lag4 -0.1501981 0.1118817 -1.342 0.18344
## z.diff.lag5 0.2550984 0.1112869 2.292 0.02466 *
## z.diff.lag6 0.1094590 0.1152173 0.950 0.34511
## z.diff.lag7 0.2295406 0.1077044 2.131 0.03631 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.01203 on 76 degrees of freedom
## Multiple R-squared: 0.2637, Adjusted R-squared: 0.1765
## F-statistic: 3.024 on 9 and 76 DF, p-value: 0.003858
##
##
## Value of test-statistic is: -2.9015 3.7964 4.2192
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -4.04 -3.45 -3.15
## phi2 6.50 4.88 4.16
## phi3 8.73 6.49 5.47
模型输出结果中,滞后项只到
z.diff.lag7
,表明按照AIC原则选择的“最优”滞后项长度为7;
tau3
大于10%显著水平临界值,说明不能拒绝存在单位根的原假设,即;phi2
和phi3
都小于10%显著水平临界值,因此不能拒绝存在截距项和时间趋势(具体解读方法参见上篇时间序列分析(6)| DF检验)。
2 两个检验规则
研究表明,DF和ADF检验在不能拒绝存在单位根的情况下的有效性是很低的。在进行单位根假设时可以结合以下两个规则进行判断:
规则1:在回归方程中,若自变量中既有一阶单整变量,又有平稳变量,那么对于均值为0的平稳变量的系数可以使用t检验,而无需使用DF或ADF检验;
规则2:如果能够确定模型形式中包含确定性成分,即截距项或时间趋势项,那么对于该模型的所有变量的回归系数都可以使用t检验。
据此,单位根检验的一般流程如下:
DF或ADF检验有如下三种形式:形式1——不含截距项和时间趋势项;形式2——含截距项;形式3——同时含截距项和时间趋势项;
不管在哪种形式下,若DF或ADF能拒绝的原假设,则都可以认为序列不存在单位根,检验结束;若不能拒绝,由于此时检验有效性低,因此还需进一步地判断;
在形式3下,根据
phi3
()判断是否能拒绝的原假设。若能拒绝,则可再使用t检验先判断是否显著异于0:如果显著异于0,则可认为序列中含有确定性的时间趋势成分,根据规则2,则可在形式3下使用t检验判断是否显著异于0,检验结束;
如果不能拒绝,或者拒绝后不能再拒绝(即不显著异于0),则需要在形式2下再进行判断;
在形式2下,根据
phi1
()判断能否拒绝。若能拒绝,则可以使用t检验判断是否显著异于0:如果显著异于0,则可认为序列中含有确定性的截距成分,根据规则2,则可在形式3下使用t检验判断是否显著异于0,检验结束;
如果不能拒绝,或者拒绝后不能再拒绝(即不显著异于0),则此时只能在形式1下进行DF或ADF检验。
在第一节的示例中,所有形式下都不能拒绝的原假设,并且在形式3下不能拒绝,形式2下不能拒绝,因此只能在形式1下进行ADF检验。以下是形式2和形式1下的模型代码,各位读者可以验证。
形式2:
lc.df2 <- ur.df(y = Raotbl3$lc, lags = 12, type = 'drift',selectlags = "AIC")
summary(lc.df2)
形式1:
lc.df3 <- ur.df(y = Raotbl3$lc, lags = 12, type = 'none',selectlags = "AIC")
summary(lc.df3)
时间序列分析(7)| ADF检验相关推荐
- 时间序列分析之ADF检验——Java实现
ADF IN JAVA 1.测试数据 一串时间序列 2.将原始的数据进行差分处理. //difflist 差分数列 List<Double> difflist = Diff.diffArr ...
- 时间序列分析——如何正确使用单位根检验(ADF)?
1.作用 在使用很多时间序列模型的时候,如 ARMA.ARIMA,都会要求时间序列是平稳的,所以一般在研究一段时间序列的时候,第一步都需要进行平稳性检验,除了用肉眼检测的方法,另外比较常用的严格的统计 ...
- python 单位根检验代码_python时间序列分析
什么是时间序列 时间序列简单的说就是各时间点上形成的数值序列,时间序列分析就是通过观察历史数据预测未来的值.在这里需要强调一点的是,时间序列分析并不是关于时间的回归,它主要是研究自身的变化规律的(这里 ...
- ARIMA时间序列分析——(一)数据平稳性检验
时间序列,指的是按时间顺序索引的一系列数据点,是面板数据的一种,属于一维面板数据. 时间序列分析包括用于分析时间序列数据以及提取有意义的统计数据和数据其他特征的方法. ARIMA模型构建流程: 1.判 ...
- 时间序列分析(13)| 误差修正模型、协整检验(完结篇)
本篇为「时间序列分析」系列推文的最后一篇. 1 协整的概念 「协整」(cointegrated)描述的是两个及以上时间序列变量之间的关系. 若一个时间序列变量的阶差分是平稳的,则称该变量为阶单整:若多 ...
- 时间序列分析(6)| DF检验
单位根过程是特征方程含有单位根的数据序列,如随机游走模型就是一个单位根过程,它的特征方程为,其根为.检验数据序列是否存在单位根的方法是DF检验. 1 随机游走过程的自相关系数 1.1 理论推导 若,其 ...
- python 白噪声检验-python之时间序列分析(一)
公式只能传图片?,好多公式都没写上,但是,不管有没有公式,写得一样无趣至极,在中国人民大学出版社出版的王燕编著的<<应用时间序列分析(第三版)>>的基础上写的,文中说的第几页都 ...
- [时间序列分析][1]--平稳性,白噪声的检验
[时间序列分析][1]--平稳性,白噪声的检验 这是一个全新的专题,讲关于时间序列分析的.还是老规矩,我使用mathematica来实现. 我个人认为时间序列分析是一门挺重要的科目,如果做 ...
- Eviews7.2模型建模与预测时间序列分析(数据平稳性检验)
一.平稳性检验 (1)绘制时序图 实验步骤:在EVIEWS中建立工作文件,在"Workfile structure type"栏中选择"Date-regular freq ...
最新文章
- 第02章 PyTorch基础知识
- 13、ActiveX控件
- linux操作系统之子进程回收函数wait和waitpid函数小结
- 电子计算机时代 英语,2018年英语专四作文范文:计算机时代
- linux手机用什么购物支付,商城系统的微信支付应该如何配置?
- densenet网络结构_DenseNet轻量型网络
- java并发AtomicIntegerArray
- Android 系统性能优化(37)---Android内存优化之一:MAT使用入门
- 新Azure 服务仪表盘!
- 【Linux】关于Linux操作系统的基本操作
- centos shell 编程-通过端口号kill对应的进程
- UVA11774 Doom‘s Day【数学规律+GCD】
- 日程列表html,日程安排FullCalendar
- 360游戏大厅打不开HTML游戏,360游戏大厅打不开怎么办
- 利用辗转相除法——求最大公约数(详解)
- dedecms中[field:imglink/]图片大小问题解决办法
- UI 标注工具MarkMan的测量像素使用
- 智慧社区运维可视化管理平台主要有哪些功能?
- 解决error:torch has an invalid wheel,.dist -info directory not fount
- xctf攻防世界 MISC高手进阶区 Banmabanma