时间序列数据的平稳性检验..ppt

第五章时间序列数据的平稳性检验本章要点第一节随机过程和平稳性原理随机过程中有一特殊情况叫白噪音，其定义如下：如果随机过程服从的分布不随时间改变，且二、平稳性原理
如果一个随机过程的均值和方差在时间过程上都是常数，并且在任何两时期的协方差值仅依赖于该两时期间的距离或滞后，而不依赖于计算这个协方差的实际时间，就称它为平稳的。平稳随机过程的性质：
均值（对所有t）
方差（对所有t）
协方差（对所有t）
其中即滞后k的协方差[或自(身)协方差]，是和，也就是相隔k期的两值之间的协方差。三、伪回归现象
将一个随机游走变量（即非平稳数据）对另一个随机游走变量进行回归可能导致荒谬的结果，传统的显著性检验将告知我们变量之间的关系是不存在的。
有时候时间序列的高度相关仅仅是因为二者同时随时间有向上或向下变动的趋势，并没有真正的联系。这种情况就称为“伪回归”（SpuriousRegression）。第二节平稳性检验的具体方法DF检验的基本思想：
从考虑如下模型开始：由式(5.1),我们可以得到：
依次将式(5.4)…(5.3)、(5.2)代入相邻的上式，并整理，可得：对于式（5.1），DF检验相当于对其系数的显著性检验，所建立的零假设是：H0：如果拒绝零假设，则称Yt没有单位根，此时Yt是平稳的；如果不能拒绝零假设，我们就说Yt具有单位根，此时Yt被称为随机游走序列（randomwalkseries）是不稳定的。I(1)过程在金融、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。
从理论与应用的角度，DF检验的检验模型有如下的三个：其中t是时间或趋势变量，在每一种形式中，建立的零假设都是：H0：或H0：，即存在一单位根。（5.7）和另外两个回归模型的差别在于是否包含有常数（截距）和趋势项。如果误差项是自相关的，就把（5.9）修改如下：式（5.10）中增加了的滞后项，建立在式（5.10）基础上的DF检验又被称为增广的DF检验（augmentedDickey-Fuller，简记ADF）。ADF检验统计量和DF统计量有同样的渐近分布，使用相同的临界值。（二）ADF检验模型的确定
首先，我们来看如何判断检验模型是否应该包含常数项和时间趋势项。解决这一问题的经验做法是：考察数据图形
其次，我们来看如何判断滞后项数m。在实证中，常用的方法有两种：（1）渐进t检验。该种方法是首先选择一个较大的m值，然后用t检验确定系数是否显著，如果是显著的，则选择滞后项数为m;如果不显著，则减少m直到对应的系数值是显著的。
（2）信息准则。常用的信息准则有AIC信息准则、SC信息准则，一般而言，我们选择给出了最小信息准则值的m值二、非平稳性数据的处理
一般是通过差分处理来消除数据的不平稳性。即对时间序列进行差分，然后对差分序列进行回归。对于金融数据做一阶差分后，即由总量数据变为增长率，一般会平稳。但这样会让我们丢失总量数据的长期信息，而这些信息对分析问题来说又是必要的。这就是通常我们所说的时间序列检验的两难问题。第三节协整的概念和检验为什么会有协整关系存在呢？
这是因为虽然很多金融、经济时间序列数据都是不平稳的，但它们可能受某些共同因素的影响，从而在时间上表现出共同的趋势，即变量之间存在一种稳定的关系，它们的变化受到这种关系的制约，因此它们的某种线性组合可能是平稳的，即存在协整关系。假如有序列Xt和Yt，一般有如下性质存在：
(1)如果Xt~I(0)，即Xt是平稳序列，则a+bXt也是I(0)；
(2)如果Xt~I(1)，这表示Xt只需经过一次差分就可变成平稳序列。那么a+bXt也是I(1)；
(3)如果Xt和Yt都是I(0)，则aXt+bYt是I(0)；（4）如果Xt~I(0)，Yt~I(1)，则aXt+bYt是I(1)，即I(1)具有占优势的性质。
（5）如果Xt和Yt都是I(1)，则aXt+bYt一般情况下是I(1)，但不保证一定是I(1)。如果该线性组合是I(0)，Xt和Yt就是协整的，a、b就是协整参数。二、协整检验的具体方法
（一）EG检验和CRDW检验
假如Xt和Yt都是I(1)，如何检验它们之间是否存在协整关系，我们可以遵循以下思路：
首先用OLS对协整回归方程进行估计。
然后，检验残差是否是平稳的。因为如果Xt和Yt没有协整关系，那么它们的任一线性组合都是非平稳的，残差也将是非平稳的。检验是否平稳可以采用前文提到的单位根检验，但需要注意的是，此时的临界值不能再用(A)DF检验的临界值，而是要用恩格尔和格兰杰（EngleandGranger）提供的临界值，故这种协整检验又称为（扩展的）恩格尔格兰杰检验(简记(A)EG检验）。此外，也可以用协整回归的Durbin-Watson统计检验（CointegrationregressionDurbin-Wat