91时间序列的平稳性及其检验

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,第九章 时间序列计量经济学模型,1,主要内容,确定性时间序列模型,随机时间序列概述,时间序列的平稳性及其检验,随机时间序列分析模型,协整分析和误差修正模型,2,时间序列和时间序列模型,时间序列：,各种社会、经济、自然现象的数量指标按照时间次序排列起来的统计数据。,一个时间序列数据可以视为它所对应的随机变量或随机过程（stochastic process）的一个实现（realization）,时间序列分析模型：解释时间序列自身的变化规律和相互联系的数学表达式,确定性的时间序列模型,随机时间序列模型,3,第一节、确定性时间序列模型,事物变化的过程有一类是确定型过程，,可以用关于时间,t,的函数描述的过程。 例如，真空中的自由落体运动过程，电容器通过电阻的放电过程，行星的运动过程等。,滑动（移动）平均模型,加权滑动平均模型,二次滑动平均模型,指数平滑模型,4,(1) 滑动平均模型,5,(2) 加权滑动平均模型,作用：消除干扰，显示序列的趋势性变化；并通过加权因子的选取，增加新数据的权重，使趋势预测更准确,6,(3) 二次滑动平均模型,对经过一次滑动平均产生的序列再进行滑动平均,7,(4) 指数平滑模型,8,（5）二次指数平滑模型,在一次指数平滑模型的基础上再进行指数平滑计算，即构成二次指数平滑模型。同样可以构成三次指数平滑模型。,9,第二节、 随机时间序列概述,10,经济量预测的方法,一、根据一定的经济理论，建立各种相互影响的经济变量之间的关系模型，根据观测到的经济数据估计出模型参数，利用模型来预测有关变量的未来值。,这种方法的优点在于精确地考虑到了各经济变量之间的相互影响，有理论依据，但是由于抽样信息不完备，经济模型和经济计量模型不可能真正准确地反映了经济现实，因而得到的结果不可能是相当准确。,二、利用要预测的经济变量的过去值来预测其未来值，而不考虑变量值产生的经济背景。,这种方法假定数据是由随机过程产生的，根据单一变量的观测值建立时间序列模型进行预测。这种方法在短期预测方面是很成功的。,11,随机过程与随机序列,12,随机过程,离散型,连续型,平稳的,非平稳的,宽平稳过程,严（强）平稳过程,13,时间序列分类,随机过程的一次实现称为时间序列，也用,x,t,或,x,t,表示。,与随机过程相对应，时间序列分类如下：,14,从相同的时间间隔点上取自连续变化的序列（人口序列）,时间序列,离散型,连续型,（心电图，水位纪录仪，温度纪录仪）,一定时间间隔内的累集值（年粮食产量，进出口额序列）,15,随机过程与时间序列的关系,随机过程: ,x,1,x,2, ,x,T,-1,x,T,第1次观测：,x,1,1,x,2,1, ,x,T,-1,1,x,T,1,第2次观测：,x,1,2,x,2,2, ,x,T,-1,2,x,T,2,第,n,次观测：,x,1,n,x,2,n, ,x,T,-1,n,x,T,n,16,例1,某河流一年的水位值，,x,1,x,2, ,x,T,-1,x,T,，可以看作一个随机过程。每一年的水位纪录则是一个时间序列，,x,1,1,x,2,1, ,x,T,-1,1,x,T,1,。而在每年中同一时刻（如,t = 2,时）的水位纪录是不相同的。,x,2,1,x,2,2, ,x,2,n,构成了,x,2,取值的样本空间。,17,例2,要记录某市日电力消耗量，则每日的电力消耗量就是一个随机变量，于是得到一个日电力消耗量关于天数,t,的函数。而这些以年为单位的函数族构成了一个随机过程,x,t,t,= 1, 2, 365,。因为时间以天为单位，是离散的，所以这个随机过程是离散型随机过程。而一年的日电力消耗量的实际观测值序列就是一个时间序列。,18,说 明,自然科学领域中的许多时间序列常常是平稳的,。,如工业生产中对液面、压力、温度的控制过程，某地的气温变化过程，某地,100,年的水文资料，单位时间内路口通过的车辆数过程等。,但经济领域中多数宏观经济时间序列却都是非平稳的。如一个国家的年,GDP,序列，年投资序列，年进出口序列等。,19,随机时间序列模型,自回归模型（AR）,移动平均模型（MA）,自回归移动平均模型（ARMA）,20,时间序列模型的例子,21,时间序列模型的例子,22,时间序列模型的例子,23,第三节、时间序列的平稳性及其检验,一、基本概念,24,回忆：经典回归模型的假定,25,经典线性正态假定：进一步的说明,如果满足假定1-3，回归系数的OLS估计量是无偏的,如果满足假定1-5，回归系数OLS估计量的方差估计是无偏的，而且OLS估计量是最优线性无偏估计量,如果满足假定1-6，模型的t检验和F检验是有效的,26,经典线性正态假定：进一步的说明,在大多数情况下，时间序列很难满足经典线性正态模型假定，特别是误差项条件均值为0、无序列相关以及正态性的假定。因此，就需要用大样本来做渐进处理。,27,大样本条件下的普通最小二乘估计,假定,这些假定比有限样本下的假定弱得多,28,大样本条件下的普通最小二乘估计,如果满足假定1-3，回归系数的OLS估计量是一致的,如果满足假定1-5，回归系数OLS估计量是渐近正态分布的，模型的t检验和F检验是渐近有效的,29,经典回归模型与数据的平稳性,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”要求被破坏。,如果X是非平稳数据（如表现出向上的趋势），则一致性条件不成立，回归估计量不满足“一致性”，基于大样本的统计推断也就遇到麻烦。,30,有趋势的时间序列,线性趋势,指数趋势,t,t,31,伪回归（spurious regression）,如果时间序列是有趋势的，那么一定是非平稳的，从而采用OLS估计的t检验和F检验就是无效的。,两个具有相同趋势的时间序列即便毫无关系，在回归时也可能得到很高的显著性和复判定系数,出现伪回归时，一种处理办法是加入趋势变量，另一种办法是把非平稳的序列平稳化,32,数据非平稳的问题,在现实经济生活中，实际的时间序列数据往往是非平稳的，而且主要的经济变量如消费、收入、价格往往表现为一致的上升或下降。这样，仍然通过经典的因果关系模型进行分析，一般不会得到有意义的结果。,33,时间序列分析模型方法,时间序列分析方法由Box-Jenkins (1976) 年提出，以通过揭示时间序列自身的变化规律为主线而发展起来的全新的计量经济学方法论。,它适用于各种领域的时间序列分析。,时间序列分析已组成现代计量经济学的重要内容，并广泛应用于经济分析与预测当中。,34,时间序列模型不同于经典计量模型的两个特点, 这种建模方法,不以经济理论为依据,，而是依据变量自身的变化规律，利用外推机制描述时间序列的变化。, 明确,考虑时间序列的非平稳性,。如果时间序列非平稳，建立模型之前应先通过差分把它变换成平稳的时间序列，再考虑建模问题。,35,假定某个时间序列是由某一,随机过程,生成的，即假定时间序列,X,t,（,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：,1,）均值E(X,t,)=,是,与时间,t,无关的常数；,2,）方差Var(X,t,)=,2,是,与时间,t,无关的常数；,3,）协方差Cov(X,t,X,t+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,（,stationary,),，而该随机过程是一,平稳随机过程,（,stationary stochastic process,）。,平稳的概念,36,两种基本的随机过程,白噪声（white noise）过程,随机游走（random walk）过程,37,白 噪 声,一个具有均值为零和相同有限方差的独立随机变量序列e,t,称为白噪声(white noise)。,如果e,t,服从正态分布，则称为高斯白噪声。,由于Xt具有相同的均值与方差，且协方差为零,由定义,一个白噪声序列是平稳的。,注：白噪声源于物理学与电学，原指音频和电信号在一定频带中的一种强度不变的干扰声。,38,由白噪声过程产生的时间序列,39,日元对美元汇率的收益率序列,40,随机游走,（random walk）,“随机游走”一词首次出现于,1905,年自然（,Nature,）杂志第,72,卷,Pearson K.,和,Rayleigh L.,的一篇通信中。该信件的题目是“随机游走问题”。文中讨论寻找一个被放在野地中央的醉汉的最佳策略是从投放点开始搜索。,41,随机游走,（random walk）,随机时间序列由如下随机过程生成：X,t,=X,t-1,+,t,t,是一个白噪声。,该序列有相同的均值,E(X,t,)=E(X,t-1,)，,但方差与时间有关而非常数，是一非平稳序列。,42,证 明,假设Xt的初值为X0，则易知:,X,1,=X,0,+,1,X,2,=X,1,+,2,=X,0,+,1,+,2, ,X,t,=X,0,+,1,+,2,+,+,t,由于X,0,为常数，,t,是一个白噪声，因此:,Var(X,t,)=t,2,X,t,的方差与时间,t,有关而非常数，它是一非平稳序列。,43,随机游走,对X取,一阶差分,（,first difference,）:,X,t,=X,t,-X,t-1,=,t,由于,t,是一个白噪声，则序列,X,t,是平稳的。,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,。,44,由随机游走过程产生时间序列,45,日元对美元汇率（300天，1995年）,46,时间序列模型的主要分类,自回归过程,移动平均过程,47,自回归过程,如果一个线性过程可表达为,x,t,=,1,x,t,-1,+,2,x,t,-2,+ +,p,x,t,-,p,+,u,t,其中,i,i,= 1, ,p,是,自回归参数,，,u,t,是白噪声过程，则称,x,t,为,p,阶自回归过程，用AR(,p,)表示。,x,t,是由它的,p,个滞后变量的加权和以及,u,t,相加而成。,与自回归模型常联系在一起的是,平稳性,问题。,48,移动平均过程,如果一个线性随机过程可用下式表达,x,t,=,u,t,+,1,u,t ,1,+,2,u,t,-2,+ +,q,u,t q,= (1 +,1,L +,2,L,2,+,+,q,L,q,),u,t,=,L,),u,t,其中,1,2, ,q,是回归参数，,u,t,为白噪声过程，则上式称为,q,阶移动平均过程，记为MA(,q,) 。之所以称“移动平均”，是因为,x,t,是由,q,+1个,u,t,和,u,t,滞后项的加权和构造而成。“移动”指,t,的变化，“平均”指加权和。,49,随机游走,随机游走过程是1阶自回归AR(1)过程的特例:Xt=,X,t-1,+,t,|,|1,时，该随机过程生成的时间序列是发散的，表现为持续上升(,1)或持续下降(,-1)，因此是非平稳的；,=1时，是一个随机游走过程，也是非平稳的。,只有当-1,0，样本自相关系数近似地服从以0为均值，1/n 为方差的正态分布，其中n为样本数。,55,Q -统计量,确定样本自相关函数,rk,某一数值是否足够接近于,0,是非常有用的，因为它可检验对应的自相关函数,k,的真值是否为,0,的假设。可检验对所有,k0,，自相关系数都为,0,的联合假设（,H,：,1,=,2,= =,k,），这可通过如下,Q,LB,统计量进行：,其中：,r,k,是残差序列的k阶自相关系数，,n,是观测值的个数，,p,是设定的滞后阶数 。,近似,2 （p）,56,Q -统计量,H,0,：序列不存在,p,阶自相关；,H,1,：序列存在,p,阶自相关。,如果各阶Q-统计量都没有超过由设定的显著性水平决定的临界值，则接受原假设，即不存在序列相关，并且此时，各阶的自相关和偏自相关系数都接近于0。,反之如果在某一滞后阶数p，Q - 统计量超过设定的显著性水平的临界值，则拒绝原假设，说明残差序列存在p阶自相关。,57,Q -统计量,由于Q-统计量的,P,值要根据自由度,p,来估算，因此，一个较大的样本容量是保证Q- 统计量有效的重要因素。,58,EViews软件中的操作方法,在方程工具栏选择View/Residual Tests/correlogram-,Q,-statistics 。EViews将显示残差的自相关和偏自相关函数以及对应于高阶序列相关的Ljung-Box Q统计量。如果残差不存在序列相关，在各阶滞后的自相关和偏自相关值都接近于零。所有的Q-统计量不显著，并且有大的P值。,59,60,虚线之间的区域是自相关中正负两倍于估计标准差所夹成的。如果自相关值在这个区域内，则在显著水平为5%的情形下与零没有显著区别。,本例13阶的自相关系数都超出了虚线，说明存在3阶序列相关。各阶滞后的Q-统计量的,P,值都小于5%，说明在5%的显著性水平下，拒绝原假设，残差序列存在序列相关。,61,时间序列的平稳性检验,2、根据序列的时间路径图和样本相关图判断,3、单位根检验,62,二、平稳性检验的图示判断,63,平稳性的简单图示判断,给出一个随机时间序列，首先可通过该序列的时间路径图来粗略地判断它是否是平稳的。,一个平稳的时间序列在图形上往往表现出一种围绕其均值不断波动的过程。,而非平稳序列则往往表现出在不同的时间段具有不同的均值（如持续上升或持续下降）。,64,65,t,x,t,t,x,t,66,例9.1.3:,表9.1.1序列Random1是通过一随机过程（随机函数）生成的有19个样本的随机时间序列。,67,68,69,序列1,容易验证：该样本序列的均值为0，方差为0.0789。,从图形看：它在其样本均值0附近上下波动，且样本自相关系数迅速下降到0，随后在0附近波动且逐渐收敛于0。,由于该序列由一随机过程生成，可以认为不存在序列相关性，因此该序列为一白噪声。,70,序列1,根据Bartlett的理论：,k,N(,0,1/19)，因此任一r,k,(k0)的95%的置信区间都将是:,可以看出:k0时，r,k,的值确实落在了该区间内，因此可以接受,k,(,k0)为0的假设。,71,序列1,从Q,LB,统计量的计算值看，滞后17期的计算值为26.38，未超过5%显著性水平的临界值27.58，因此,可以接受所有的自相关系数,k,(,k0)都为0的假设。,因此,，,该随机过程是一个平稳过程。,72,序列2,由一随机游走过程X,t,=X,t-1,+,t,生成的一随机游走时间序列样本。其中，第0项取值为0，,t,是由Random1表示的白噪声。,73,74,序列2,图形表示出：该序列具有相同的均值，但从样本自相关图看，虽然自相关系数迅速下降到0，但随着时间的推移，则在0附近波动且呈发散趋势。,样本自相关系数显示：r,1,=0.48，落在了区间-0.4497, 0.4497之外，因此在5%的显著性水平上拒绝,1,的真值为0的假设。,该随机游走序列是非平稳的。,75,例9.1.4,检验中国支出法GDP时间序列的平稳性,。,表9.1.2 19782000年中国支出法GDP（单位：亿元）,76,77,判断,图形：表现出了一个持续上升的过程,，可初步判断,是非平稳,的。,样本自相关系数：缓慢下降,，再次表明它的,非平稳,性。,从滞后21期的Q,LB,统计量看,：,Q,LB,(21)=146.2332.67=,2,0.05,（21）,拒绝,：该时间序列的自相关系数在滞后1期之后的值全部为0的假设。,结论,:,1978,2000年间中国GDP时间序列是非平稳序列。,78,例9.1.5,检验,2.5中关于人均居民消费与人均国内生产总值这两时间序列的平稳性。,原图 样本自相关图,79,判断,从图形上看：,人均居民消费（CPC）与人均国内生产总值（GDPPC）,是非平稳的,。,从滞后14期的QLB统计量看：,CPC与GDPPC序列的统计量计算值均为57.18，超过了显著性水平为5%时的临界值23.68。再次,表明它们的非平稳性。,就此来说，运用传统的回归方法建立它们的回归方程是无实际意义的。,不过，第三节中将看到，如果两个非平稳时间序列是,协整,的，则传统的回归结果却是有意义的，而这两时间序列恰是,协整,的。,80,三、平稳性的单位根检验,（,unit root test,）,81,1、DF检验,考虑一阶自回归模型：,82,1、DF检验,83,1、DF检验,根据 值的不同，可以分三种情况考虑：,（,1,）若 ,1,，则当,T,时， ,0,，即对序列的冲击将随着时间的推移其影响逐渐减弱，此时序列是稳定的。,84,1、DF检验,（,2,）若 ,1,，则当,T,时， ，即对序列的冲击随着时间的推移其影响反而是逐渐增大的，很显然，此时序列是不稳定的。,（,3,）若,=1,，则当,T,时，,=1,，即对序列的冲击随着时间的推移其影响是不变的，很显然，序列也是不稳定的。,85,1、DF检验,86,DF检验,所以式中的参数,1,或,=1,时，时间序列是非平稳的;相对应的是,0,或,=0。,针对,Xt=,+X,t-1,+,t,零假设H,0,：,=0 备择假设H,1,：,0,可通过OLS法下的t检验完成，但在零假设（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），呈现围绕小于零值的偏态分布，t检验无法使用。,87,DF检验,88,因此，可通过OLS法估计：,X,t,=,+X,t-1,+,t,并计算t统计量的值，与DF分布表中给定显著性水平下的临界值比较。,89,问题的提出：,在利用,X,t,=,+X,t-1,+,t,对时间序列进行平稳性检验中,，,实际上,假定了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,。,前面所描述的单位根检验只有当序列为AR(1) 时才有效。如果序列存在高阶滞后相关，这就违背了扰动项是独立同分布的假设。在实际检验中，时间序列可能由更高阶的自回归过程生成的，或者随机误差项并非是白噪声,，,或者时间序列包含有明显的随时间变化的某种趋势（如上升或下降），这样用,OLS法进行估计均会表现出随机误差项出现自相关,（autocorrelation），,导致DF检验无效。在这种情况下，可以使用增广的DF检验方法（augmented Dickey-Fuller test ），即ADF检验来检验含有高阶序列相关的序列的单位根。,2、ADF（,Augment Dickey-Fuller,）检验,90,ADF,检验是通过下面三个模型完成的：,即通过在模型中增加的滞后项,X,t,，以消除残差的序列相关性。在检验回归中包括常数，常数和线性趋势，或二者都不包含。,91,H,0,：,=0，即存在一单位根 H,1,:,临界值，接受存在单位根的零假设。,时间T的t统计量小于ADF分布表中的临界值，因此,接受不存在趋势项的假设,。,需进一步检验模型2,。,100,2）经试验，模型2中滞后项取2阶：,LM,检验表明模型残差不存在自相关性，因此该模型设定是正确的。,从,GDP,t-1,的参数值看，其,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。,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。需进一步检验模型,1,。,101,3)经试验，模型,1,中滞后项取,2,阶,：,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。,从,GDP,t-1,的参数值看，其,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。,可断定中国支出法,GDP,时间序列是非平稳的。,102,例,9.1.7,检验,2.5中关于人均居民消费与人均国内生产总值这两时间序列的平稳性。,1) 对,中国人均国内生产总值GDPPC,来说，经过尝试，三个模型的适当形式分别为：,103,104,三个模型中参数的估计值的t统计量均大于各自的临界值，因此,不能拒绝存在单位根的零假设,。,结论：,人均国内生产总值（GDPPC）是非平稳的。,105,2）对于,人均居民消费,CPC,时间序列来说，三个模型的适当形式为,：,106,107,三个模型中参数CPC,t-1,的t统计量的值均比ADF临界值表中各自的临界值大,，,不能拒绝该时间序列存在单位根的假设,，,因此,可判断人均居民消费序列CPC是非平稳的。,108,四、单整、趋势平稳与差分平稳随机过程,109,1、单整,d 阶单整（integrated of d）序列：,一个时间序列经过d次差分后变成平稳序列，记为I(d)。,一阶单整（integrated of 1）序列：,一个时间序列经过一次差分变成平稳的，记为I(1)。,I(0)代表一平稳时间序列。 I(d),在金融、经济时间序列数据中是最普遍的，而,I (0),则表示平稳时间序列。,110,1、单整,非单整（non-integrated）：无论经过多少次差分，都不能变为平稳的时间序列。,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，可通过一次或多次差分的形式变为平稳的。如一些价格指数常常是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。,111,例9.1.8,中国支出法GDP的单整性。,经过试算，发现,中国支出法GDP是1阶单整的,，,适当的检验模型为：,112,例9.1.9,中国人均居民消费与人均国内生产总值的单整性。,经过试算，发现,中国人均国内生产总值GDPPC是2阶单整的,，,适当的检验模型为：,113,同样地,，,CPC也是2阶单整的,，,适当的检验模型为：,114,趋势平稳与差分平稳随机过程,虚假回归,或,伪回归,（,spurious regression,）,：,如：用中国的劳动力时间序列数据与美国GDP时间序列作回归，会得到较高的R2 ，但不能认为两者有直接的关联关系，而只不过它们有共同的趋势罢了，这种回归结果我们认为是虚假的。,为了避免这种虚假回归的产生，通常的做法是引入作为趋势变量的时间，这样包含有时间趋势变量的回归，可以消除这种趋势性的影响。,115,引入作为趋势变量时间的,做法，只有当趋势性变量是,确定性的（deterministic）,而非,随机性的（stochastic）,，,才会是有效的。,如果一个包含有某种确定性趋势的非平稳时间序列，可以通过引入表示这一确定性趋势的趋势变量，而将确定性趋势分离出来。, 趋势平稳与差分平稳随机过程,116,1)如果,=1，,=0，,则（*）式成为,一带位移的随机游走过程,：,X,t,=,+X,t-1,+,t,（*）,根据,的正负，X,t,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）,。,考虑如下的含有一阶自回归的随机过程：,X,t,=,+t+X,t-1,+,t,（*）,其中:,t,是一白噪声，t为一时间趋势。,117,2)如果,=0，,0，,则（*）,式成为一带时间趋势的随机变化过程：,X,t,=,+t+,t,（*）,根据,的正负，X,t,表现出明显的上升或下降趋势。这种趋势称为,确定性趋势（deterministic trend）,。,X,t,=,+t+X,t-1,+,t,3),如果,=1，,0,，则Xt包含有,确定性与随机性两种趋势。,118,判断一个非平稳的时间序列，它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,t,，,即分离出了确定性趋势的影响。,(1),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,;,(2),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。,119,随机性趋势可通过差分的方法消除,例如：对式：,X,t,=,+X,t-1,+,t,可通过差分变换为：,X,t,= +,t,该时间序列称为,差分平稳过程（difference stationary process）,；,120,确定性趋势无法通过差分的方法消除，而只能通过除去趋势项消除,例如：对式：,X,t,=,+t+,t,可通过除去,t,变换为：,X,t,- t,=,+,t,该时间序列是平稳的，因此称为,趋势平稳过程（trend stationary process）。,121,最后需要说明的是，,趋势平稳过程代表了一个时间序列长期稳定的变化过程，因而用于进行长期预测则是更为可靠的。,122,单位根检验案例分析,案例1 中国进口额序列（1950-2006）的单位根检验,定义对数的年进口变量,Lnim,t,如下：,Lnim,t,=,log,(,im,t,),Lnim,t,序列（1950-2006）,Lnim,t,序列（1951-2006）,123,案例1 中国进口额序列（1950-2006）的单位根检验,124,案例1 中国进口额序列（1950-2006）的单位根检验,125,案例2 深证成指序列的单位根检验,深证成指序列（421天）从走势看决不会是随机趋势非平稳序列（含有时间趋势的2次项），也不会是随机趋势序列（含有时间趋势的1次项）。不妨先按随机趋势序列设定检验式。带有常数项的,DF,检验式的估计结果如下，,126,案例2 深证成指序列的单位根检验,127,