时间序列模型的单位根检验比较（ADFvsPP）.docxVIP

时间序列模型的单位根检验比较（ADFvsPP）

一、引言：时间序列平稳性与单位根检验的关键意义

在时间序列分析中，平稳性是一个绕不开的核心概念。简单来说，平稳序列的统计特性（如均值、方差、自协方差）不会随时间推移而显著变化，就像一条在固定范围内波动的河流；而非平稳序列则可能像潮水般呈现趋势性上涨、周期性震荡，或如随机游走般失去“锚点”，其波动范围随时间不断扩大。这种差异直接影响着后续模型选择——若误用非平稳数据构建传统回归模型，可能出现“伪回归”现象，即两个无关序列因共同趋势而表现出高度相关性；若对平稳数据强行差分，又会平白损失信息。

单位根检验正是判断序列是否平稳的“标尺”。它通过统计方法验证序列中是否存在“单位根”（即自回归系数为1的特征），若存在则序列非平稳。在众多单位根检验方法中，ADF检验（增广迪基-富勒检验）和PP检验（菲利普斯-佩龙检验）是应用最广泛的两种。二者虽目标一致，但理论逻辑、实现方式和适用场景大相径庭。深入理解它们的差异，对准确判断序列平稳性、提升时间序列模型效果至关重要。

二、单位根检验的基本原理与核心目标

（一）时间序列平稳性的定义与影响

要理解单位根检验，需先明确平稳性的两种常见类型：严格平稳与弱平稳。严格平稳要求序列的任意k阶联合分布不随时间平移改变，这在实际中难以验证；弱平稳（又称协方差平稳）则更易操作，仅要求均值为常数、方差有限，且任意两个时间点的协方差仅与时间间隔有关。例如，温度的日均值序列若多年来围绕25℃波动，方差稳定，可视为弱平稳；而GDP序列因长期增长趋势，均值随时间递增，属于非平稳。

非平稳序列的危害主要体现在模型估计的有效性上。以简单线性回归为例，若因变量和自变量均含单位根且未协整（即不存在长期均衡关系），回归结果的t统计量会虚高，导致错误拒绝“变量无关”的原假设，得出误导性结论。因此，单位根检验是时间序列分析的“前哨站”，为后续差分处理、协整检验或选择ARIMA、GARCH等模型提供依据。

（二）单位根与非平稳序列的典型特征

从数学形式看，一个简单的自回归过程AR(1)可表示为：(y_t=y_{t-1}+_t)，其中(_t)为白噪声。若(||1)，序列是平稳的，其冲击（(t)）对未来的影响会逐渐衰减；若(=1)，则序列变为随机游走（(y_t=y{t-1}+_t)），冲击的影响会永久保留，序列均值随时间漂移，表现出非平稳性——这就是“单位根”的本质。

现实中的非平稳序列常呈现两种形态：一种是带漂移项的随机游走（如未差分的股票价格），其均值随时间线性增长；另一种是趋势平稳过程（如受技术进步推动的产出序列），虽含确定性趋势，但剔除趋势后是平稳的。单位根检验的核心任务，就是区分这两种情况——若存在单位根，需通过差分消除非平稳性；若仅含确定性趋势，则可直接拟合趋势项。

三、ADF检验：基于参数修正的单位根检验方法

（一）ADF检验的理论背景与发展历程

传统的迪基-富勒检验（DF检验）针对AR(1)过程设计，原假设为“存在单位根（(=1)）”，备择假设为“序列平稳（(||1)）”。但现实中的序列往往存在高阶自相关（如AR(p)过程），误差项可能包含滞后项的影响，直接应用DF检验会因忽略自相关而导致检验功效下降（即更可能错误接受原假设）。

为解决这一问题，迪基和富勒于20世纪70年代末提出ADF检验（AugmentedDickey-FullerTest）。其核心改进是在回归模型中加入因变量的滞后差分项，通过参数化方法控制自相关。例如，ADF的回归方程可表示为：(y_t=+t+y_{t-1}+_{i=1}^piy{t-i}+t)，其中(y_t=y_ty{t-1})为一阶差分，(p)为滞后阶数，()（截距项）和(t)（趋势项）根据序列特征选择是否包含。通过估计()的显著性（若(0)且显著，则拒绝单位根原假设），即可判断序列平稳性。

（二）ADF检验的实现步骤与关键参数选择

ADF检验的操作流程可分为四步：

第一步，确定回归模型形式。需根据序列的直观特征（如是否有明显趋势）选择是否包含截距项和趋势项。例如，观察到序列均值随时间上升且无明显固定趋势，可选择含截距项的模型；若序列呈现线性增长趋势，则需加入趋势项。

第二步，选择滞后阶数(p)。这是ADF检验的关键环节，滞后阶数不足会导致误差项仍存在自相关，高估检验统计量；滞后阶数过高则会减少有效样本量，降低检验功效。实际中常用信息准则（如AIC、BIC）自动选择，或通过观察自相关函数（ACF）图手动判断——当滞后k阶的自相关系数显著不为零时，(p)至少需设为k。

第三步，估计回归方程并计算t统计量。这里的t统计量并非传统t