非平稳时间序序列的特征与检验课件.ppt

*情形2時t統計量概率分佈密度函數（樣本數為200）*情形2統計量分佈特徵當估計模型中含有常數項時，t統計量的極限分佈發生了變化，從而臨界值也就不同。比情形1時更加向左偏移。*（三）其他情形的DF檢驗法Dickey、Fuller還考察了情形三、情形四下的單位根檢驗問題，檢驗統計量同前。可以證明，在情形三下，檢驗用的t統計量的極限分佈為正態分佈，從而可按照傳統OLS檢驗法進行。在情形四下，檢驗用的t統計量的極限分佈為非正規分佈，需要參考其特殊的臨界值表。*四、PP單位根檢驗法與ADF單位根檢驗法數據模型：其中滿足白雜訊要求，獨立同分佈，且的自相關函數記為，記。回歸模型為：檢驗假設為：*非平穩時間序列的特徵及檢驗*第一節非平穩時間序列的特徵本節基本內容：非平穩時間序列的概念非平穩序列的分類非平穩時間序列的統計特徵*一、非平穩時間序列的概念嚴格平穩與嚴格非平穩：如果序列滿足：其概率分佈、均值、方差、協方差及其它各高階矩均不隨時間發生變化如果時間序列的統計特徵隨時間的推移而發生變化，則稱為非平穩時間序列。*弱平穩，是指時間序列的均值、方差和協方差等一、二階矩存在並不隨時間改變，表現為時間的常數。弱平穩的三個條件：*【例7.1】AR(1)時間序列的平穩性分析對於AR(1)：，假設初始值，干擾項為白雜訊，滿足零均值獨立同分佈，其方差為。討論不同係數時序列的平穩性情況。對迭代，得到:對均值，有：，與時間無關。對方差，有：*【例7.1】當時，分子、分母取極限可得到：當時，有：當時，與時間相關並按指數增長。可見：當，方差與時間無關，其他情形與時間相關。容易證明，協方差與方差具有同樣的特徵。*【例7.1】結論當時，AR(1)過程為平穩的，因為其均值、方差與協方差均與時間無關。當時，方差與協方差均與時間有關，為非平穩的。對於經濟問題而言，很少出現的情形。通常將的情形稱為隨機漫步過程，或者稱為單位根過程。當時，方差、協方差隨時間指數增長，當然也是非平穩過程。此時時間序列經過短暫的時間間隔就會迅速增加到無窮，這對實際經濟變數而言是比較少見的，故我們在實踐中通常不考慮這種非平穩情形。*二、非平穩時間序列的分類隨機趨勢非平穩過程（stochastictrendprocess）隨機趨勢非平穩過程又稱為差分平穩過程（differencestationaryprocess）、有漂移項的非平穩過程（non-stationaryprocesswithdrift）。其生成過程為：趨勢平穩過程（trendstationaryprocess）趨勢平穩過程又稱為退勢平穩過程，其生成過程為：確定性趨勢非平穩過程（non-stationaryprocesswithdeterministictrend）模型為*三、非平穩時間序列的統計特徵對單位根過程而言，有可以看出，隨著時間長度的增加，相關係數趨近於常數1；在小樣本條件下，隨著滯後期k的增加，相關係數會不斷衰減。對於AR(1)的平穩過程而言，有可以看出，相關係數隨滯後期k的增加按指數迅速衰減到0。單位根過程與平穩過程的自相關係數隨滯後期的增加有顯著不同的衰減速度，這個區別為我們檢驗非平穩性提供了一個思路，樣本相關圖法就是利用這個性質來檢驗時間序列的非平穩性的。*隨機漫步過程與平穩一階自回歸過程特徵的比較隨機漫步過程平穩一階自回歸過程方差隨時間線性增長保持不變協方差跟時間與時間間隔都有關與時間無關自相關係數不變或緩慢衰減按照指數衰減記憶性長記憶性短記憶性t統計量的有效性傳統用法無效有效*第二節非平穩時間序列的檢驗方法本節基本內容：數據圖示法相關圖法逆序檢驗法*一、數據圖示法如果時間序列是平穩的，它有一固定不變的均值，並且應該在有限