§8.1 时间序列平稳性和单位根检验Stationary Time Serial and ..._豆搜网
§8.1 时间序列平稳性和单位根检验Stationary Time Serial and ...
文档格式：PPT&&
更新时间：&&
下载次数：0&&
点击次数：5
§8.1 时间序列平稳性和单位根检验rial and Unit Root Test 一、时间序列的平稳性二、单整序列三、单位根检验 经典时间序列分析模型:包括MA、AR、ARMA模型平稳时间序列模型分析时间序列自身的变化规律现代时间序列分析模型:分析时间序列之间的结构关系单位根检验、协整检验是核心内容现代宏观计量经济学的主要内容 一、时间序列的平稳性ries ⒈问题的提出 经典计量经济模型常用到的数据有:时间序列数据(ries data);截面数据(ctional data)平行/面板数据(panel ction data) 时间序列数据是最常见,也是最常用到的数据.经典回归分析暗含着一个重要假设:数据是平稳的. 数据非平稳,大样本下的统计推断基础――"一致性"要求――被破怀.数据非平稳,往往导致出现"虚假回归"( n)问题.表现为两个本来没有任何因果关系的变量,却有很高的相关性.例如:如果有两列时间序列数据表现出一致的变化趋势(非平稳的),即使它们没有任何有意义的关系,但进行回归也可表现出较高的可决系数. 2、平稳性的定义 假定某个时间序列是由某一随机过程(s)生成的,即假定时间序列{Xt}(t=1, 2, …)的每一个数值都是从一个概率分布中随机得到,如果满足下列条件: 均值E(Xt)=?是与时间t 无关的常数; 方差Var(Xt)=?2是与时间t 无关的常数; 协方差Cov(Xt,Xt+k)=?k 是只与时期间隔k有关,与时间t 无关的常数;则称该随机时间序列是平稳的(nary),而该随机过程是一平稳随机过程(nary s). 宽平稳、广义平稳 白噪声()过程是平稳的:Xt=?t , ?t~N(0,?2)随机游走(random walk)过程是非平稳的:Xt=Xt-1+?t , ?t~N(0,?2)Var(Xt)=t?2随机游走的一阶差分(first difference)是平稳的: ?Xt=Xt-Xt-1=?t ,?t~N(0,?2)如果一个时间序列是非平稳的,它常常可通过取差分的方法而形成平稳序列. 二、平稳性的图示判断 说明 本节的概念是重要的,属于经典时间序列分析.在实际应用研究中,一般直接采用单位根检验,图示判断应用较少.建议作为自学内容. 三、平稳性的单位根检验 (unit root test) 1、DF检验(Dicky-Fuller Test)
通过上式判断Xt是否有单位根,就是时间序列平稳性的单位根检验.
随机游走,非平稳 对该式回归,如果确实发现ρ=1,则称随机变量Xt有一个单位根.
等价于通过该式判断是否存在δ=0.
一般检验模型 零假设 H0:?=0备择假设 H1:?<0 可通过OLS法下的t检验完成. 但是,在零假设(序列非平稳)下,即使在大样本下t统计量也是有偏误的(向下偏倚),通常的t 检验无法使用. Dicky和Fuller于1976年提出了这一情形下t统计量服从的分布(这时的t统计量称为?统计量),即DF分布.由于t统计量的向下偏倚性,它呈现围绕小于零均值的偏态分布. 如果t<临界值,则拒绝零假设H0:? =0,认为时间序列不存在单位根,是平稳的. 单尾检验 2、ADF检验(Augment Dickey-Fuller test)
为什么将DF检验扩展为ADF检验?DF检验假定时间序列是由具有白噪声随机误差项的一阶自回归过程AR(1)生成的.但在实际检验中,时间序列可能由更高阶的自回归过程生成,或者随机误差项并非是白噪声,用OLS法进行估计均会表现出随机误差项出现自相关,导致DF检验无效.如果时间序列含有明显的随时间变化的某种趋势(如上升或下降),也容易导致DF检验中的自相关随机误差项问题. ADF检验模型 零假设 H0:?=0 备择假设 H1:?临界值,不能拒绝存在单位根的零假设. 时间T的t统计量小于ADF临界值,因此不能拒绝不存在趋势项的零假设. 小于5%显著性水平下自由度分别为1与2的?2分布的临界值,可见不存在自相关性,因此该模型的设定是正确的. 检验模型2,经试验,模型2中滞后项取2阶: 常数项的t统计量小于AFD分布表中的临界值,不能拒绝不存常数项的零假设. LM检验表明模型残差不存在自相关性,因此该模型的设定是正确的. GDPt-1参数值的t统计量为正值,大于临界值,不能拒绝存在单位根的零假设. 需进一步检验模型1. 检验模型1,经试验,模型1中滞后项取2阶: GDPt-1参数值的t统计量为正值,大于临界值,不能拒绝存在单位根的零假设. LM检验表明模型残差项不存在自相关性,因此模型的设定是正确的. 可断定中国支出法GDP时间序列是非平稳的. ADF检验在Eviews中的实现 ADF检验在Eviews中的实现 ADF检验在Eviews中的实现―检验GDPP ADF检验在Eviews中的实现―检验GDPP 从GDPP(-1)的参数值看,其t统计量的值大于临界值,不能拒绝存在单位根的零假设.同时,由于时间项T的t统计量也小于ADF分布表中的临界值,因此不能拒绝不存在趋势项的零假设.需进一步检验模型2 .
ADF检验在Eviews中的实现―检验GDPP ADF检验在Eviews中的实现―检验GDPP 从GDPP(-1)的参数值看,其t统计量的值大于临界值,不能拒绝存在单位根的零假设.同时,由于常数项的t统计量也小于ADF分布表中的临界值,因此不能拒绝不存在趋势项的零假设.需进一步检验模型1.
ADF检验在Eviews中的实现―检验GDPP ADF检验在Eviews中的实现―GDPP 从GDPP(-1)的参数值看,其t统计量的值大于临界值,不能拒绝存在单位根的零假设.至此,可断定GDPP时间序列是非平稳的.
ADF检验在Eviews中的实现―检验GDPP 从GDPP(-1)的参数值看,其t统计量的值大于临界值,不能拒绝存在单位根的零假设.同时,由于时间项项T的t统计量也小于AFD分布表中的临界值,因此不能拒绝不存在趋势项的零假设.需进一步检验模型2 .在1%置信度下.
从GDPP(-1)的参数值看,其统计量的值大于临界值,不能拒绝存在单位根的零假设.同时,由于常数项的t统计量也小于AFD分布表中的临界值,因此不能拒绝不存在趋势项的零假设.需进一步检验模型1. 从GDPP(-1)的参数值看,其统计量的值大于临界值,不能拒绝存在单位根的零假设.至此,可断定GDPP时间序列是非平稳的.
ADF检验在Eviews中的实现―检验2GDPP 从2GDPP(-1)的参数值看,其统计量的值小于临界值,拒绝存在单位根的零假设.至此,可断定2GDPP时间序列是平稳的.GDPP是I(2)过程.
*4、平稳性检验的其它方法 PP检验(ps-Perron)检验模型中不引入滞后项,以避免自由度损失降低检验效力.直接采用Newey-West一致估计式作为调整因子,修正一阶自回归模型得出的统计量.一种非参数检验方法 霍尔工具变量方法用工具变量法估计ADF检验模型.用Xt-k和ΔXt-i-k作为yt-1和ΔXt-i的工具变量.检验统计量仍然服从ADF分布. DF-GLS 方法(rg,Stock,ERS)去势(趋势、均值).对去势后的序列进行ADF型检验.采用GLS估计检验模型.证明具有更良好的性质. KPSS方法(in)检验趋势平稳非参数检验方法其它方法LMC()Ng-Perron Eviews 中提供的检验方法 Eviews 中提供的滞后阶数选择 四、单整、趋势平稳与差分平稳 1、单整(rial) 如果一个时间序列经过一次差分变成平稳的,就称原序列是一阶单整(ed of 1)序列,记为I(1).一般地,如果一个时间序列经过d次差分后变成平稳序列,则称原序列是d 阶单整(ed of d)序列,记为I(d).例如上述人均GDP序列,即为I(2)序列.I(0)代表一平稳时间序列. 现实经济生活中只有少数经济指标的时间序列表现为平稳的,如利率等;大多数指标的时间序列是非平稳的,例如,以当年价表示的消费额、收入等常是2阶单整的,以不变价格表示的消费额、收入等常表现为1阶单整. 大多数非平稳的时间序列一般可通过一次或多次差分的形式变为平稳的. 但也有一些时间序列,无论经过多少次差分,都不能变为平稳的.这种序列被称为非单整的(ed). 2、趋势平稳与差分平稳随机过程 含有一阶自回归的随机过程: 如果ρ=1,β=0,Xt成为一带位移的随机游走过程.根据α的正负, Xt表现出明显的上升或下降趋势.这种趋势称为随机性趋势(stochastic trend).如果ρ=0,β≠0, Xt成为一带时间趋势的随机变化过程.根据β的正负, Xt表现出明显的上升或下降趋势.这种趋势称为确定性趋势(istic trend).如果ρ=1,β≠0 ,则Xt包含有确定性与随机性两种趋势.
判断一个非平稳时间序列的趋势是随机性的还是确定性的,可通过ADF检验中所用的第3个模型进行.该模型中已引入了表示确定性趋势的时间变量,即分离出了确定性趋势的影响.如果检验结果表明所给时间序列有单位根,且时间变量前的参数显著为零,则该序列显示出随机性趋势;如果没有单位根,且时间变量前的参数显著地异于零,则该序列显示出确定性趋势.
差分平稳过程和趋势平稳过程具有随机性趋势的时间序列通过差分的方法消除随机性趋势.该时间序列称为差分平稳过程(s);具有确定性趋势的时间序列通过除去趋势项消除确定性趋势.该时间序列称为趋势平稳过程(s).
点击查看更多关于的相关文档
? 实验教学大纲第3章现代时间序列计量经济学模型本章说明? 关于经典的平稳时间序列分析模型，即自回归模 型（AR）、移动平均模型（MA）、自回归移动 平均模型（ARMA）等，在一般的中级计量经济 学教科书或者经典的时间序列分析教科书中，都 有详细的介绍，本章将不予涉及。 ? 本章所讨论的，主要是非平稳时间序列。重点是 单位根检验、协整
检验和误差修正模型。 ? 向量自回归模型（VAR）已经成为一类广泛应用 的现代时间序列分析模型，本章将进行简单的介 绍。§3.1 时间序列平稳性和单位根检验一、时间序列的平稳性 二、单整序列 三、单位根检验 四、趋势平稳与差分平稳随机过程 五、结构变化时间序列的单位根检验一、时间序列的平稳性 Stationary Time Series⒈问题的提出? 经典计量经济模型常用到的数据有：C 时间序列数据（time-series data)； C 截面数据(cross-sectional data) C 平行/面板数据（panel data/time-series cross-section data)? 时间序列数据是最常见，也是最常用到的数据。 ? 经典回归分析暗含着一个重要假设：数据是平稳的。? 数据非平稳，大样本下的统计推断基础――“一致 性”要求――被破怀。 ? 数据非平稳，往往导致出现“虚假回归” （Spurious Regression）问题。C表现为两个本来没有任何因果关系的变量，却有很高的 相关性。 C例如：如果有两列时间序列数据表现出一致的变化趋势 （非平稳的），即使它们没有任何有意义的关系，但进 行回归也可表现出较高的可决系数。2、平稳性的定义? 假定某个时间序列是由某一随机过程 （stochastic process）生成的，即假定时间 序列{Xt}（t=1, 2, …）的每一个数值都是从一 个概率分布中随机得到，如果满足下列条件：C均值E(Xt)=?是与时间t 无关的常数； C方差Var(Xt)=σ2是与时间t 无关的常数； γ k C协方差Cov(Xt,Xt+k)=γk 是只与时期间隔k有关，与 时间t 无关的常数；? 则称该随机时间序列是平稳的（stationary)， 而该随机过程是一平稳随机过程（stationary stochastic process）。宽平稳、广义平稳? 白噪声（white noise）过程是平稳的： Xt=?t ， ?t~N(0,σ2) ? 随机游走（random walk）过程是非平稳的： Xt=Xt-1+?t ， ?t~N(0,σ2) Var(Xt)=tσ2 ? 随机游走的一阶差分（first difference）是平 稳的： ?Xt=Xt-Xt-1=?t ，?t~N(0,σ2) ? 如果一个时间序列是非平稳的，它常常可通过 取差分的方法而形成平稳序列。二、单整序列 Integrated Series? 如果一个时间序列经过一次差分变成平稳的， 就称原序列是一阶单整（integrated of 1）序 列，记为I(1)。 ? 一般地，如果一个时间序列经过d次差分后变 成平稳序列，则称原序列是d 阶单整 （integrated of d）序列，记为I(d)。 ? I(0)代表一平稳时间序列。? 现实经济生活中只有少数经济指标的时间序列 表现为平稳的，如利率等; ? 大多数指标的时间序列是非平稳的，例如，以 当年价表示的消费额、收入等常是2阶单整的， 以不变价格表示的消费额、收入等常表现为1 阶单整。 ? 大多数非平稳的时间序列一般可通过一次或多 次差分的形式变为平稳的。 ? 但也有一些时间序列，无论经过多少次差分， 都不能变为平稳的。这种序列被称为非单整的 （non-integrated）。三、平稳性的单位根检验（unit root test）1、DF检验（Dicky-Fuller Test）X t = X t ?1 + ?t X t = ρX t ?1 + ? t随机游走，非平稳 对该式回归，如果确实 发现ρ=1，则称随机变 量Xt有一个单位根。 等价于通过该式判断 是否存在δ=0。?X t = ( ρ ? 1) X t ?1 + ? t = δ X t ?1 + ? t ?1? 通过上式判断Xt是否有单位根,就是时间序列平稳 性的单位根检验。? 一般检验模型X t = α + ρ X t ?1 + ? t ? X t = α + δ X t ?1 + ? t零假设 H0：δ=0 备择假设 H1：δ&0? 可通过OLS法下的t检验完成。但是:C 在零假设（序列非平稳）下，即使在大样本下t统计量 也是有偏误的（向下偏倚），通常的t 检验无法使用。 C Dicky和Fuller于1976年提出了这一情形下t统计量服 从的分布（这时的t统计量称为τ统计量），即DF分布。 C 由于t统计量的向下偏倚性，它呈现围绕小于零均值的 偏态分布。样 本 容 量 显著性水平 0.01 0.05 0.10 25 -3.75 3.00 2.63 50 -3.58 -2.93 -2.60 100 -3.51 -2.89 -2.58 500 -3.44 -2.87 -2.57 ∝ -3.43 -2.86 -2.57 t分布临界值 （n=∝） -2.33 -1.65 -1.28如果t&临界值，则拒绝零假设H0：δ =0，认为时 间序列不存在单位根，是平稳的。单尾检验2、ADF检验（Augment Dickey-Fuller test）? 为什么将DF检验扩展为ADF检验？C DF检验假定时间序列是由具有白噪声随机误差项的 一阶自回归过程AR(1)生成的。但在实际检验中，时 间序列可能由更高阶的自回归过程生成，或者随机 误差项并非是白噪声，用OLS法进行估计均会表现 出随机误差项出现自相关，导致DF检验无效。 C 如果时 间序列含有明显的随时间变化的某种趋势 （如上升或下降），也容易导致DF检验中的自相关 随机误差项问题。? ADF检验模型?X t = δ X t ?1 + ∑ β i ?X t ? i + ε ti =1 =1 m模型1 模型2? X t = α + δ X t ?1 + ∑ β i ? X t ? i + ε ti =1m? X t = α + β t + δ X t ?1 +∑βi =1 =1mi? X t ?i + ε t模型3零假设 H0：δ=0 备择假设 H1：δ&0? 检验过程C实际检验时从模型3开始，然后模型2、模型1。 C何时检验拒绝零假设，即原序列不存在单位根，为 平稳序列，何时停止检验。 C否则，就要继续检验，直到检验完模型1为止。? 检验原理与DF检验相同，只是对模型1、2、3 进行检验时，有各自相应的临界值表。 ? 检验模型滞后项阶数的确定：以随机项不存在 序列相关为准则。模型统计量样本容量 25 50 1000.01 -2.66 -2.62 -2.60 -2.58 -2.58 -2.58 -3.75 -3.58 -3.51 -3.46 -3.44 -3.43 3.41 3.28 3.22 3.19 3.18 3.180.025 -2.26 -2.25 -2.24 -2.23 -2.23 -2.23 -3.33 -3.22 -3.17 -3.14 -3.13 -3.12 2.97 2.89 2.86 2.84 2.83 2.830.05 -1.95 -1.95 -1.95 -1.95 -1.95 -1.95 -3.00 -2.93 -2.89 -2.88 -2.87 -2.86 2.61 2.56 2.54 2.53 2.52 2.520.10 -1.60 -1.61 -1.61 -1.61 -1.61 -1.61 -2.62 -2.60 -2.58 -2.57 -2.57 -2.57 2.20 2.18 2.17 2.16 2.16 2.16τδ1250 500 &500τδ25 50 100 250 500 &5002τα25 50 100 250 500 &500模型统计量样本容量 25 50 100 250 500 &5000.01 -4.38 -4.15 -4.04 -3.99 -3.98 -3.96 4.05 3.87 3.78 3.74 3.72 3.71 3.74 3.60 3.53 3.49 3.48 3.460.025 -3.95 -3.80 -3.73 -3.69 -3.68 -3.66 3.59 3.47 3.42 3.39 3.38 3.38 3.25 3.18 3.14 3.12 3.11 3.110.05 -3.60 -3.50 -3.45 -3.43 -3.42 -3.41 3.20 3.14 3.11 3.09 3.08 3.08 2.85 2.81 2.79 2.79 2.78 2.780.10 -3.24 -3.18 -3.15 -3.13 -3.13 -3.12 2.77 2.75 2.73 2.73 2.72 2.72 2.39 2.38 2.38 2.38 2.38 2.38τδτα325 50 100 250 500 &500τβ25 50 100 250 500 &500? 一个简单的检验过程：C 同时估计出上述三个模型的适当形式，然后通过 ADF临界值表检验零假设H0：δ=0。 C 只要其中有一个模型的检验结果拒绝了零假设，就 可以认为时间序列是平稳的； C 当三个模型的检验结果都不能拒绝零假设时，则认 为时间序列是非平稳的。3、例题演示? 检验年间中国实际支出法国内生产总 值GDPC时间序列的平稳性。年份80 83 GDPC4.2 1.8 10.8 66.8年份88 91 GDPC16.3 47.4 30.9 69.1年份96 99 GDPC67.5 88.5 25.8 62.5年份04 GDPC82.2 02.1
? ADF检验在Eviews中的实现? ADF检验在Eviews中的实现? 检验GDPC，模型3? 检验GDPC，模型3从GDPC(-1)的参 数值看，其t统计 t 量的值大于临界 值，不能拒绝存 在单位根的零假 设。同时，由于 时间项T的t统计量 也小于ADF分布 表中的临界值， 因此不能拒绝不 存在趋势项的零 假设。需进一步 检验模型2 。? 检验GDPC，模型2? 检验GDPC，模型2从GDPC(-1)的参 数值看，其t统计 量的值大于临界 值，不能拒绝存 在单位根的零假 设。同时，由于 常数项的t统计量 也小于ADF分布 表中的临界值， 因此不能拒绝不 存在趋势项的零 假设。需进一步 检验模型1。? 检验GDPC，模型1? 检验GDPC，模型1?从GDPC(-1)的 参数值看，其t统 计量的值大于临 界值，不能拒绝 存在单位根的零 假设。? 至此，可断定中国实际支出法GDP时间序列是非 平稳的。如果仅需要检验该时间序列是否是平稳 的，检验到此结束。 ? 如果需要检验该时间序列的单整性，即它是多少 阶的单整序列，则需要对其一次差分序列、二次 差分序列等进行单位根检验。? 检验ΔGDPC，模型3? 检验ΔGDPC，模型3从△GDPC(-1)的 参数值看，其t统 计量的值大于临 界值，不能拒绝 存在单位根的零 假设。同时，由 于时间项项T的t 统计量也小于 AFD分布表中的 临界值，因此不 能拒绝不存在趋 势项的零假设。 需进一步检验模 型2 。? 检验ΔGDPC，模型2从△GDPC(-1)的参 数值看，其统计量 的值大于临界值， 不能拒绝存在单位 根的零假设。同时， 由于常数项的t统计 量也小于AFD分布 表中的临界值，因 此不能拒绝不存在 趋势项的零假设。 需进一步检验模型1。? 检验ΔGDPC，模型1?从△GDPC(-1)的 参数值看，其统计 量的值大于临界值 （单尾），不能拒 绝存在单位根的零 假设。至此，可断 定△GDPC时间序 列是非平稳的。? 检验Δ（ΔGDPC），模型3? 检验Δ（ΔGDPC），模型3? 检验Δ（ΔGDPC），模型2? 检验Δ（ΔGDPC），模型1从△2GDPC(-1)的 参数值看，其t统 计量的值小于临 界值，拒绝存在 单位根的零假设。 至此，可断定 △2GDPC时间序 列是平稳的。 GDPC是I(2)过程。4、关于ADF检验的几点讨论? 关于检验模型中滞后项的确定C 模型（1）、（2）、（3）中都含有滞后项，其目的是 1 2 3 为了消除模型随机项的序列相关，保证随机项是白噪 声。C 一般采用LM检验确定滞后阶数，以及其它数据 依赖方法。? 关于检验模型中滞后项的确定C 当采用一些应用软件（例如Eviews）进行ADF检验时， Eviews ADF 可以自动得到滞后阶数，使得估计过程更加简单。 C 但是，在软件中一般采用信息准则（例如AIC、BIC等） 确定滞后阶数，其明显的缺点是无法判断滞后阶数不 连续的情况，例如只存在1阶和3阶而不存在2阶相关的 情况。 C 另外，从理论上讲，信息准则主要是基于预测的均方 误差最小，但对于单位根检验而言重要的是消除序列 之间的相关性。? 关于检验模型中滞后项的确定C 过高定阶和过低定阶对单位根检验有着不对称的影响。 C 过高定阶意味着自相关已经消除，但含有冗余回归元， 因此不会影响检验的尺度(size)，但会影响检验的势， Monte-Carlo试验证实这种势的降低并不强烈。 C 过低定阶意味着自相关还没有消除，因此t统计量的分 布形态将会发生改变，检验的尺度和势（power）都 会发生扭曲。 C 由于信息准则相对于检验序列相关的数据依赖方法一 般倾向于过低定阶，因此其在单位根检验中的表现差 于数据依赖方法。? 如何处理检验过程中的矛盾现象？C 对于模型（3），如果检验显示既不拒绝零假设：δ=0， 3 δ=0 也不拒绝零假设：β=0，既然就要检验模型（2）。 C 如果检验显示不拒绝零假设：δ=0，但是拒绝零假设： β=0 ，那么回到模型（2）是不合理的。这就出现了矛 盾。 C 一种经验的处理方法是采用正态分布临界值检验是否 存在单位根，即将临界值适当放松，如果仍然存在单 位根，即停止检验，得到该时间序列非平稳的结论。? 关于ADF检验模型的进一步说明模型 1 是为了区分如下两个数据生成过程： DGP1： yt = ε1 + ε 2 + L + ε t (数据的起始值 y0 = 0 )； DGP2： yt = ρ yt ?1 + ε t 两个数据序列都绕着 0 附近游走，因此直觉分不清。模型 2 是为了区分如下两个数据生成过程： DGP1：yt = y0 + ε1 + ε2 +L+ εt (数据的起始值 y0 ≠ 0 )； DGP2( yt ? ? ) = ρ ( yt?1 ? ? ) + εt两个数据过程都绕着一个非 0 的固定值游走， 因此直觉也分 不清。模型 3 是为了区分如下两个数据生成过程： DGP1： yt = y0 + ?t + ε1 + ε2 +L+ εt ； DGP2： ( yt ? ? ) = βt + ρ ( yt ?1 ? ? ) + εt 两个数据生成过程都绕着一个时间趋势游走， 因此直觉还是 分不清。C 如果时间序列具有明显的趋势，则应该用模型3检验； C 如果时间序列没有时间趋势，但绕着一个非0值来回游 摆，则应该用2模型； C 如果时间序列绕着0来回游摆，则应该用1模型。 C 如果时间序列没有很明显的上述特征，则应该是遵循 从3到1的检验顺序。5、其它单位根检验方法简介? PP检验（Phillips-Perron）C 检验模型中不引入滞后项，以避免自由度损失降低检 验效力。 C 直接采用Newey-West一致估计式作为调整因子，修 正一阶自回归模型得出的统计量。 C 一种非参数检验方法?xt = α + β t + δxt ?1 + ε t? 霍尔工具变量方法C 用工具变量法估计ADF检验模型。 C 用Xt-k和ΔXt-i-k作为yt-1和ΔXt-i的工具变量。 C 检验统计量仍然服从ADF分布。?X t = α + βt + δX t ?1 + ∑ β i ?X t ? i + ε ti =1m? DF-GLS 方法（Elliott,Rothenberg,Stock,ERS）C 去势（趋势、均值）。 C 对去势后的序列进行ADF型检验。 C 采用GLS估计检验模型。 C 证明具有更良好的性质。? KPSS方法（Kwiatkowski,Philips,Schmidt,Shin）C 检验趋势平稳 C 非参数检验方法? 其它方法C LMC(Leybourne,McCabe) C Ng-Perron? Eviews 中提供的检验方法四、趋势平稳与差分平稳随机过程? 考虑如下的含有一阶自回归的随机过程：X t = α + β t + ρX t ?1 + ?tX t = α + β t + ?tρ=0 β≠0 ρ=1 β=0X t = α + X t ?1 + ? t随机性趋势确定性趋势判断一个非平稳时间序列的趋势是随机性的还是确定性的，可通过 ADF检验中所用的模型（3）进行。如果检验结果表明所给时间序列 有单位根，且时间变量前的参数显著为零，则该序列显示出随机性 趋势；如果没有单位根，且时间变量前的参数显著地异于零，则该 序列显示出确定性趋势。? 随机性趋势可通过差分的方法消除 ，该时间序列 Xt称为差分平稳过程（difference stationary process）； ? 确定性趋势无法通过差分的方法消除，只能通过 除去趋势项消除，该时间序列Xt称为趋势平稳过 程（trend stationary process）。五、结构变化时间序列的单位根检验说明? 现代时间序列分析的一个前沿研究领域。 ? 文献庞杂。 ? 只介绍几种实用的检验方法。1、随机时间序列的结构变化? 3种基本突变类型C存在水平(level)突变； C存在倾斜(slope)突变； C存在水平和倾斜突变。? 扩展突变类型C2个及多个断点。2、ZA检验? 概述C Zivot and Andrews(1992)提出。 C 以原序列是一个单位根过程为零假设。 C 备择假设有三种： ? 原序列是一个存在水平(level)突变的趋势平稳过程； ? 原序列是一个存在倾斜(slope)突变的趋势平稳过程； ? 原序列是一个存在水平和倾斜突变的趋势平稳过程。? 检验模型：C 对应于三个不同的备择假设，ZA检验有三个不同的 模型（依次为模型A、B、C）：k ? y t = α + β t + ρ y t ?1 + τ 1 DU t + ∑ 1 c j ? y t ? j + et k ? y t = α + β t + ρ y t ?1 + τ 2 DTt + ∑ 1 c j ? y t ? j + et k ? yt = α + β t + ρ yt ?1 + τ 1 DU t + τ 2 DTt + ∑ 1 c j ? yt ? j + etDU t = 1( t ≥ TB ) DTt = ( t ? TB )1( t ≥ TB )? 检验步骤C ZA检验采用迭代的方法侦察断点。 C 在给定的迭代区间内，依次假定每一个点为断点， 逐次进行回归得到tρ序列； C 找到该序列的最小值，即是关键统计量的值； C 用该统计量值与相应的临界值进行比较，作出判断。? 关于迭代区间 的选择：C Zivot and Andrews(1992)：除样本的两个端点以 外的任何区间 C Perron(1997)：即使包含样本端点也是可以的。? ZA检验t统计量的分布C DUt、DTt 类似于时间势的加入，会影响到统计量的分 DT 布形态，因此ZA检验t统计量的分布形态与通常单位根 检验的分布形态不一样。 C 关于ZA检验t统计量的分布形态，各个模型并不一样。 C 相关的文献中模拟了各个统计量分布表。? ZA统计量的渐进分布? ? ? 对模型 A 而言，设参数 α 0A , α1A , α 2A 是下面最优化问题的解：? ? ? α 0 ,α1 ,α 2? ? ? min A ∫ | W ( r ) ? α 0A ? α1A r ? α 2A DU ( λ , r ) |2 dr A A1 0令：? ? ? W A ( λ , r ) = W ( r ) ? α 0A ? α1A r ? α 2A DU ( λ , r )? ? ?B 对模型 B 而言，设参数 α0B ,α1B ,α2 是下面最优化问题的解：? ? ? α0 ,α1 ,α2?B ?B ? min B ∫ | W ( r ) ?α0 ?α1Br ?α2 DT ( λ, r ) |2 dr B B1 0令：?B ?B ? W B ( λ, r ) = W ( r ) ?α0 ?α1Br ?α2 DT ( λ, r )?C ? ?C ?C 对模型 C 而言，设参数 α0 ,α1C ,α2 ,α3 是下面最优化问题的解：? ? ? ? α0 ,α1 ,α2 ,α3min C C C?C ? ?C ?C | W ( r ) ?α0 ?α1C r ?α2 DU ( λ, r ) ?α3 DT ( λ, r ) |2 dr C ∫1 0令：?C ?C ?C ? W C ( r ) = W ( r ) ?α0 ?α1C r ?α2 DU ( λ, r ) ?α3 DT ( λ, r )ZA 统计量的渐进分布为：inf tαi ( λ ) ?? inf → ?d λ∈Λλ∈Λ(∫ W ( λ, r ) dr1 i 2 0) (?1/ 2W i ( λ, r ) dW ( r ) ∫1 0)as T →∞d 这里 i = A, B, C ， ?? 表示依分布收敛。 →3、LP检验? 检验模型C Lumsdaime and Papell(1996)将Zivot and Andrews(1992)的模型A和模型C推广到两个断点。 C 得到了3个模型，依次分别称之为模型AA、模型 AC、模型CC。?yt = α + β t + θ DU 1t + ω DU 2t + ρ yt ?1 + ∑1 c j ?yt ? j + etk?yt = α + β t + θ DU1t + ωDU 2t + γ DT1t + ρ yt ?1 + ∑1 c j ?yt ? j + etk?yt = α + βt +θ DU1t + ωDU 2t + γ DT1t +ψ DT 2t + ρ yt ?1 + ∑1 cj ?yt ? j + etk| T 1B ? T 2 B | ≠ 1? 检验步骤C LP LP检验对断点的侦察采用的是与ZA检验完全相同的方 ZA 法，即在给定的迭代区间 内，依次假定每两个不相邻 点为断点，逐次进行回归得到tρ序列，然后找到该序列 的最小值，此最小值就是关键统计量的值。? 统计量的分布? ? ? ? 对模型 AA 而言，设参数 α0AA,α1AA ,α2AA ,α3AA 是下面最优化问题的解：? AA ? ? ? α0 ,α1 ,α2 ,α3min AA AA? ? ? ? | W ( r ) ?α0AA ?α1AAr ?α2AADU ( λ1, r ) ?α3AADU ( λ2 , r ) |2 dr AA ∫1 0? ? ? ? 令： W AA ( λ1, λ2 , r ) = W ( r ) ?α0AA ?α1AAr ?α2AADU ( λ1, r ) ?α3AADU ( λ2 , r )? ? ? ? ? 对模型 AC 而言，设参数 α0AC ,α1AC ,α2AC ,α3AC ,α4AC 是下面最优化问题的解：? AC ? ? ? ? α0 ,α1 ,α2 ,α3 ,α4min AC AC AC? ? ? ? ? | W( r) ?α0AC ?α1ACr ?α2ACDU ( λ1, r) ?α3ACDU ( λ2, r) ?α4ACDT ( λ1, r) |2 dr AC ∫1 0? ? ? ? ? 令： WAC ( λ1, λ2, r) =W ( r) ?α0AC ?α1ACr ?α2ACDU ( λ1, r) ?α3ACDU ( λ2, r) ?α4ACDT ( λ1, r)?C ? ?C ? ?C ? 对模型 CC 而言，设参数 α 0 C , α 1CC , α 2 C , α 3CC , α 4 C , α 5CC 是下面最优化问题的解：?CC ?CC ? α0 ,α1 ,α2min CC CC? ? CC ? CC ,α3 ,α4 ,α5? ∫ |W ( r) ?α1 0CC 0? CC ? CC ? CC ? CC ? ?α1CCr ?α2 DU ( λ1, r) ?α3 DU ( λ2, r) ?α4 DT ( λ1, r) ?α5 DT ( λ2, r) |2 dr? CC ? ? CC ? CC ? CC ? CC 令： WCC ( λ1, λ2 , r ) = W ( r ) ?α0 ?α1CCr ?α2 DU ( λ1, r ) ?α3 DU ( λ2 , r ) ?α4 DT ( λ1, r ) ?α5 DT ( λ2 , r )LP 统计量的渐进分布为：λ1,λ2∈Λinf t ( λ1, λ2 ) ?? inf →i ρ dλ1,λ2∈Λ(∫ W ( λ1,λ2, r) dr1 i 2 0) (?1/2Wi ( λ1, λ2, r) dW ( r) ∫1 0)as T →∞d → 这里 i = AA, AC, CC ， ?? 表示依分布收敛。
3.1 时间序列平稳性和单位根检验.ppt [兼容模式]―汇集和整理大量word文档,专业文献,应用文书,考试资料,教学教材,办公文档,教程攻略,文档搜索下载下载,拥有海量中文文档库,关注高价值的实用信息,我们一直在努力,争取提供更多下载资源。