非平稳时间序列.ppt

依情况1为例,另一种写法 ADF检验 例6.2续 对1978年－2002年中国农村居民家庭人均纯收入对数差分后序列 和生活消费支出对数差分后序列 进行检验 例6.2 序列的ADF检验 例6.2 序列的ADF检验 PP检验 ADF检验主要适用于方差齐性场合，它对于异方差序列的平稳性检验效果不佳 Phillips和 Perron于1988年对ADF检验进行了非参数修正，提出了PP检验统计量。 PP检验统计量适用于异方差场合的平稳性检验，且服从相应的ADF检验统计量的极限分布 PP检验统计量 其中： 例6.2续 对1978年－2002年中国农村居民家庭人均纯收入对数差分后序列 和生活消费支出对数差分后序列 进行PP检验 例6.2 序列的pp检验 例6.2 序列的PP检验 的临界值 零假设下, 不服从t分布,需要使用蒙特卡罗法估计临界值. 例如随机产生100个随机数 , 在零假设 下可以计算 估计模型 , 得到一个估计 值. 重复很多次, 例如5000次,得到5000个的 值. 如果这5000个值,有95%的值大于-1.95,则临界值为-1.95. 小于此值,拒绝 三种情况的 的临界值是不一样的 进行单位根检验必须选择合适的回归模型. 一个简单的原则,如果数据没有明显的趋势,则在回归模型中包括常数项;如果有明显的趋势,则在回归模型中既要包含常数项和时间趋势项 四个问题 数据生成过程未知,有可能包括滑动平均部分 可能包括不止一个滞后项,如果实际数据生成过程是AR(p)模型,估计量和标准差是错误的 DF检验只考虑了一个单位根,可以考虑多与一个单位根的情况 很难判断合适包括常数项,何时包括时间趋势 用（1）式检验单位根等价于先验认定被检验过程 xt 是一个零均值、无趋势项的AR(1)过程。因为只有当一个含有单位根的随机过程中不含有确定性变量，那么该过程的均值完全由初始值决定，所以x0 = 0。可见，只有在一个过程的均值为零时，使用（1）式检验单位根才是正确的。 * 如果被检验的过程的均值非零，就应该首先减去这个均值，然后再用（1）式检验单位根。但实际中，被检验过程的均值一般是不知道的。所以，当不知被检验过程的均值是否为零，或不知其初始值x0是否为零时，应该用(2)式检验单位根 * 估计（2）式得到的 ? 和DF的分布都不受 x0取值的影响。这一点太重要了。否则必须先知道x0 的值和DF分布才能进行单位根检验。 * 当真实的随机过程如（2）式时，就不能用（2）式检验单位根了。因为当 ? = 0时，xt是一个随机趋势非平稳过程。根据 c 的符号（正或负）分别呈向上或向下的固定趋势变化。当? ? 0时，xt是一个以c / (-? )为均值的平稳过程，不含有趋势分量。所以这种条件下，用（2）式检验单位根就没有办法包括零假设和备择假设所有可能结果,即不能包括退势平稳过程,就考虑(3)式 * 数据由?=1的（1）式生成，而DF检验式是（1）、（2）、（3）的DF分布的蒙特卡罗模拟结果见下图 * 可以看出检验式中随着?和 ?t 项的加入，相应的DF分布或临界值逐渐向左移，即临界值相应变小。 （3）式中的? 和DF的分布不受x0和c值的影响 * 针对第四个问题,Perron提出 1. 如果拒绝零假设,那么检验过程停止,该过 程是平稳过程 .不能拒绝,说明存在单位根,过程非平稳,那么回归模型中的时间趋势项是不是多余的参数呢?如果是,会导致检验的势降低,进入步骤2. 2. 使用统计量 ,检验零假设. F统计量 对于检验式（3），若? =0不能被拒绝，但F 检验的零假设 =? =0 被拒绝，这意味着 ?0，则xt是一个确定趋势加单位根过程。这时随机单位根过程完全被确定性趋势 t 所主导，对应于? 的DF统计量渐近服从标准正态分布。这时应该查t 分布或标准正态分布临界值表。 * 上述两种F 检验的结论是拒绝零假设H0：c =? =0（对应（2）式）， =? =0（对应（3）式）时，分别为c ?0，? =0； ?0，? =0。被检验的真实过程和检验式具有了相同的形式（非平稳过程且含有确定性成分）。此时称检验为准确检验（exact test），而利用DF统计量临界值的检验称作近似检验（similar test，含义是可以用t 统计量检验）。 * 如果拒绝零假设, 这时检验 , 临界值用 t 统计量,