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
- [常用工具] Python视频处理库VidGear使用指北
VidGear是一个高性能的Python视频处理库,它在预载多个专业视频图像处理库的基础上,如OpenCV.FFmpeg.ZeroMQ.picamera.starlette.yt_dlp.pyscre ...
- bbs项目(部分讲解)
文章评论业务完善 提交评论 评论框里面的内容会清空 然后页面会有一个临时评论样式出现 页面刷新才会出现评论楼样式 研究子评论特性 每个评论右侧都应该有回复按钮 点击就可以填写子评论 点击回复按钮具体动 ...
- Java时间加减操作
Java时间加减操作 /** * 时间计算 * * @param str 时间字符串 * @param format 时间格式 * @param type Calendar内置常量 * @param ...
- App几个可能造成内存泄漏的情况:
App几个可能造成内存泄漏的情况: 1.block块中直接用self调用,self将会被block copy到内部增加一次饮用计数,形成循环引用 在block里调用self会不会造成循环引用和这个bl ...
- Codeforces Round #569 (Div. 2)
题解 Codeforces Round #569 (Div. 2) rank:1306/11165 rate: +43 1424 → 1467 Codeforces Round #569 (Div. ...
- SSM进行Query
在查询之前,需要输入数据库字段的名称,s_id需要获取
- 12.ThreadLocal的那点小秘密
大家好,我是王有志.关注王有志,一起聊技术,聊游戏,聊在外漂泊的生活. 好久不见,不知道大家新年过得怎么样?有没有痛痛快快得放松?是不是还能收到很多压岁钱?好了,话不多说,我们开始今天的主题:Thre ...
- Grafana 系列文章(六):Grafana Explore 中的日志
️URL: https://grafana.com/docs/grafana/latest/explore/logs-integration/#labels-and-detected-fields D ...
- Gitlab配置ssh_key
一.背景 当前很多公司都选择git作为代码版本控制工具,然后自己公司搭建私有的gitlab来管理代码,我们在clone代码的时候可以选择http协议,当然我们亦可以选择ssh协议来拉取代码.那么我们就 ...
- 最容易懂的策略模式消除if-else分支,实现开闭原则,提高可扩展性
1 介绍 策略模式最常用的场景就是用于消除代码中的if-else,这里所说的if-else并不是说任何简单的判断都引入策略模式来优化,这样反而会增加代码的复杂度. 反例:使用策略模式对一个boolea ...