数据的平稳性及其检验

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,*,时间序列平稳性的检验方法,看时序图,计算样本自相关函数,单位根检验,平稳性检验的图示判断,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）。,进一步的判断:,检验样本自相关函数及其图形,随着滞后阶数的增加，样本自相关函数下降且趋于零。但从下降速度来看，平稳序列要比非平稳序列快得多。,例1,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。,因此，初步判断，,该随机过程是一个平稳过程。,例2：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,。,因此，初步判断，,该随机过程是一个,是非平稳过程,。,平稳性的单位根检验,对时间序列的平稳性除了通过图形直观判断外，运用统计量进行统计检验则是更为准确与重要的。,单位根检验（,unit root test,）,是统计检验中普遍应用的一种检验方法。,1、DF检验,我们已知道，随机游走序列,X,t,=X,t-1,+,t,是,非平稳的，其中,t,是白噪声。,而该序列可看成是随机模型,X,t,=,X,t-1,+,t,中参数,=1,时的情形。,也就是说，我们对式,X,t,=,X,t-1,+,t,（*）,做回归，如果确实发现,=1,，就说随机变量Xt有一个,单位根,。,（*）式可变形式成差分形式：,X,t,=(1-)X,t-1,+,t,=X,t-1,+,t,(*),检验（*）式是否存在单位根,=1，也可通过（*）式判断是否有,=0。,一般地:,检验一个时间序列Xt的平稳性，可通过检验带有截距项的一阶自回归模型,X,t,=,+X,t-1,+,t （*）,中的参数,是否小于,1,。,或者：,检验其等价变形式,X,t,=,+X,t-1,+,t （*）,中的参数是否小于0。,因此，针对式,X,t,=,+X,t-1,+,t,我们关心的检验为：,零假设,H0,：,=0,。,备择假设,H1,：,0,上述检验可通过OLS法下的t检验完成。,然而，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,（见表）。,由于t统计量的向下偏倚性，它呈现围绕小于零值的偏态分布。,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：,如果：,t临界值，则拒绝零假设H,0,：,=0，,认为时间序列不存在单位根，是平稳的。,注意：在不同的教科书上有不同的描述，但是结果是相同的。,例如：“如果计算得到的t统计量的绝对值大于临界值的绝对值，则拒绝=0”的假设，原序列不存在单位根，为平稳序列。,进一步的问题,：,在上述使用,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,。,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的，或者随机误差项并非是白噪声,，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。,另外,，如果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），则也容易导致上述检验中的,自相关随机误差项问题,。,为了保证DF检验中随机误差项的白噪声特性，Dicky和Fuller对DF检验进行了扩充，形成了,ADF（Augment Dickey-Fuller）检验,。,2、ADF检验,ADF,检验是通过下面三个模型完成的：,模型3 中的t是时间变量,，代表了时间序列随时间变化的某种趋势（如果有的话）。,检验的假设都是：针对H1:,0,检验 H0：,=0，即存在一单位根,。模型1与另两模型的差别在于是否包含有常数项和趋势项。,实际检验时从模型3开始，然后模型2、模型1。,何时检验拒绝零假设，即原序列不存在单位根，为平稳序列，何时检验停止。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。,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：,=0,。,1）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；,2）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。,这里所谓,模型适当的形式,就是在每个模型中选取适当的滞后差分项，以使模型的残差项是一个白噪声（主要保证不存在自相关）。,一个简单的检验过程：,单整、趋势平稳与差分平稳随机过程,随机游走序列,X,t,=X,t-1,+,t,经差分后等价地变形为,X,t,=,t,由于,t,是一个白噪声，因此,差分后的序列,X,t,是平稳的。,单整,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),。,显然，,I(0),代表一平稳时间序列。,现实经济生活中:,1)只有少数经济指标的时间序列表现为平稳的，,如利率等;,2)大多数指标的时间序列是非平稳的，,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。,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）,。,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),。,趋势平稳与差分平稳随机过程,前文已指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联关系，这时对这些数据进行回归，尽管有较高的R,2,，但其结果是没有任何实际意义的。这种现象我们称之为,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R,2,，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。,然而这种做法，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。,换言之，,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。,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）,。,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）,。,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。,3),如果,=1，,0,，则Xt包含有,确定性与随机性两种趋势。,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。,因此，,(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不显著异于零，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。,随机性趋势可通过差分的方法消除,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）,；,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，,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）。,