ฉันจะ detrend อนุกรมเวลาได้อย่างไร


14

ฉันจะ detrend อนุกรมเวลาได้อย่างไร มันโอเคที่จะเริ่มต้นความแตกต่างและทำการทดสอบ Dickey ฟุลเลอร์และถ้าเป็นเครื่องเขียนเราดีหรือไม่?

ฉันยังพบทางออนไลน์ที่ฉันสามารถ detrend ชุดเวลาโดยทำเช่นนี้ใน Stata:

reg lncredit time
predict u_lncredit, residuals
twoway line u_lncredit time
dfuller u_lncredit, drift regress lags(0)

วิธีที่ดีที่สุดในการทำลายลำดับเวลา


รหัสอาจมีความโปร่งใสสำหรับผู้ใช้ที่ไม่ใช่ผู้ใช้ Stata แต่โปรดทราบว่าการทำลายล้างคือการทำงานกับส่วนที่เหลือจากการถดถอยเชิงเส้นตรงเวลา
Nick Cox

คำตอบ:


8

หากแนวโน้มนั้นกำหนดไว้ล่วงหน้า (เช่นแนวโน้มเชิงเส้น) คุณสามารถเรียกใช้การถดถอยของข้อมูลเกี่ยวกับแนวโน้มที่กำหนดได้ (เช่นดัชนีคงที่และเวลาบวก) เพื่อประเมินแนวโน้มและลบแนวโน้มออกจากข้อมูล หากเทรนด์เป็นแบบสุ่มคุณควรสร้างความแตกต่างให้กับซีรี่ส์

การทดสอบ ADFและการทดสอบ KPSSสามารถให้ข้อมูลบางอย่างแก่คุณเพื่อตรวจสอบว่าแนวโน้มนั้นกำหนดขึ้นหรือ Stochastic หรือไม่

เนื่องจากสมมติฐานว่างของการทดสอบ KPSS อยู่ตรงข้ามกับโมฆะในการทดสอบ ADF จึงสามารถกำหนดวิธีต่อไปนี้เพื่อดำเนินการล่วงหน้าได้:

  1. ใช้ KPSS เพื่อทดสอบค่า Null ที่อนุกรมอยู่กับที่หรืออยู่นิ่ง ๆ กับแนวโน้ม หากโมฆะถูกปฏิเสธ (ในระดับที่กำหนดไว้อย่างมีนัยสำคัญ) สรุปว่าแนวโน้มนั้นเป็น Stochastic มิฉะนั้นไปที่ขั้นตอนที่ 2
  2. ใช้การทดสอบ ADF เพื่อทดสอบ null ว่ามีหน่วยรูตอยู่ หากสมมติฐานว่างถูกปฏิเสธให้สรุปว่าไม่มีหน่วยราก (stationarity) มิฉะนั้นผลลัพธ์ของขั้นตอนจะไม่ให้ข้อมูลเนื่องจากไม่มีการทดสอบใดปฏิเสธสมมติฐานสมมุติฐานที่สอดคล้องกัน ในกรณีดังกล่าวอาจมีข้อควรระวังเพิ่มเติมในการพิจารณาการมีอยู่ของรูทยูนิตและสร้างความเสียหายให้กับซีรี่ส์โดยรับความแตกต่างก่อน

ในบริบทของโมเดลอนุกรมเวลาเชิงโครงสร้างคุณสามารถใส่โมเดลระดับท้องถิ่นหรือโมเดลแนวโน้มท้องถิ่นเข้ากับข้อมูลเพื่อรับการประมาณแนวโน้มและลบออกจากซีรีส์ โมเดล local-trend ถูกกำหนดดังต่อไปนี้ (โมเดลระดับโลคัลได้มาพร้อมกับ ):σζ2=0

observed series:yt=μt+γt+ϵt,ϵtNID(0,σϵ2);latent level:μt=μt1+βt1+ξt,ξtNID(0,σξ2);latent drift:βt=βt1+ζt,ζtNID(0,σζ2);

3
การทดสอบ ADF และ KPSS มีข้อสมมติฐานมากมายซึ่งหากไม่ตรงตามข้อสรุปที่ผิดพลาด การขาด Pulse Outliers ฯลฯ การมีโครงสร้าง ARIMA การมีเวลาแปรปรวนข้อผิดพลาดที่แตกต่างกัน ฯลฯ เป็นเพียงบางส่วนของสมมติฐาน ในความคิดของฉันพวกเขาควรหลีกเลี่ยงอย่างรอบคอบและคุณแนะนำที่สองจะดำเนินการที่ผสมผสานที่เหมาะสมของหน่วยความจำและตัวชี้วัดที่มีการเลือกหุ่น
IrishStat

1
อย่าพูดถึงการแตกโครงสร้างซึ่งอาจได้รับการทดสอบเพื่อระบุรูทยูนิตในความเป็นจริงแล้วไม่มี! ในกรณีนั้นการทดสอบรูทยูนิตซึ่งช่วยให้สามารถทำการแตกโครงสร้างภายนอกได้
Plissken

ฉันจะไม่พูดว่าการทดสอบหน่วยรากมีตันของสมมติฐาน แต่ผมยอมรับว่าเราจะต้องระมัดระวังเพราะการปรากฏตัวของการเปลี่ยนแปลงระดับหรือแบ่งโครงสร้างอาจนำไปสู่ conlusions ผิดปกติกับการทดสอบเหล่านี้ ตัวอย่างเช่นเราได้พูดคุยกันแล้วที่นี่ว่าอนุกรมเวลาของแม่น้ำไนล์ไม่ต้องการความแตกต่างแม้จะเป็นการฝึกปฏิบัติตามสถานที่ต่างๆ นับตั้งแต่บทความโดย Perron (1989) ตีพิมพ์ในวารสารEconometrica vol. 57 มีความกังวลอย่างมากเกี่ยวกับปัญหานี้ซึ่งเห็นได้จากจำนวนเอกสารที่ตีพิมพ์ในสาขานี้
javlacalle

ในคำตอบอื่น ๆ ของคุณที่นี่stats.stackexchange.com/questions/107551/…คุณขอแนะนำให้เริ่มต้นด้วยการทดสอบ ADF แทน ท้ายที่สุดสิ่งนี้นำไปสู่ข้อสรุปที่แตกต่างกันหากคำตอบของ ADF คือการปฏิเสธโมฆะในขณะที่คำตอบของ KPSS คือการปฏิเสธโมฆะ
นักเรียน 1

1
@ student1 เนื่องจากผลที่ตามมาของการข้ามหน่วยรากเมื่อมีอยู่นั้นมีอันตรายมากกว่าการพิจารณาว่ามีรูทหน่วยเมื่อกระบวนการจริงหยุดนิ่งเราอาจให้โอกาสที่จะปฏิเสธสมมติฐานของความคงอยู่เมื่อมี units root แทนที่จะปฏิเสธ root unit เมื่อกระบวนการหยุดอยู่กับที่ ลำดับ KPSS-ADF คือในแง่นี้เป็นวิธีที่ปลอดภัยยิ่งขึ้น
javlacalle

2

คุณมีหลายวิธีในการทำให้เป็นช่วงเวลาโดยมีจุดประสงค์เพื่อทำให้มันอยู่กับที่:

  • การแยกเชิงเส้นคือสิ่งที่คุณคัดลอก มันอาจไม่ให้สิ่งที่คุณต้องการในขณะที่คุณแก้ไขแนวโน้มเชิงเส้นแบบกำหนดเองโดยพลการ

  • การ detrending สมการกำลังสองในบางวิธีที่คล้ายกับการ detrending เชิงเส้นยกเว้นว่าคุณจะเพิ่ม "time ^ 2" และลดพฤติกรรมแบบเอ็กซ์โปเนนเชียล

  • HP-filter จาก Hodrick และ Prescott (1980) ช่วยให้คุณสามารถแยกส่วนประกอบระยะยาวที่ไม่ได้กำหนดไว้ล่วงหน้าของซีรี่ส์ ซีรีย์ที่เหลือจึงเป็นองค์ประกอบของวัฏจักร โปรดทราบว่าเนื่องจากเป็นค่าเฉลี่ยถ่วงน้ำหนักที่ดีที่สุดจึงมีความลำเอียงจากจุดสิ้นสุด (การสังเกตครั้งแรกและครั้งสุดท้าย 4 ครั้งถูกประเมินอย่างไม่ถูกต้อง)

  • ตัวกรอง Bandpass ของ Baxter และ King (1995) ซึ่งมีความจำเป็นอย่างยิ่งสำหรับตัวกรองค่าเฉลี่ยเคลื่อนที่ที่คุณไม่ต้องรวมความถี่สูงและต่ำ

  • ตัวกรอง Christiano-Fitzgerald

โดยสรุปแล้วขึ้นอยู่กับความตั้งใจของคุณและตัวกรองบางตัวอาจเหมาะสมกับความต้องการของคุณมากกว่าตัวกรองอื่น ๆ


"เมื่อใดก็ตามที่สามารถทำได้สองวิธีใครบางคนจะสับสน" (นั่นเป็นความคิดเห็นที่ไม่ได้อยู่ในตัวกรอง / การวิเคราะห์สเปกตรัม แต่ด้วยความไม่เพียงพอของฉันเอง) ดูเพิ่มเติมว่าทำไมจึงมีวิธีการมากมายในการคำนวณคอมพิวเตอร์ psdบน dsp.se
เดนิส

1

อาจมีแนวโน้มมากกว่าหนึ่ง อาจมีการเลื่อนระดับ บางทีความแปรปรวนของข้อผิดพลาดอาจเปลี่ยนแปลงไปตามกาลเวลาไม่ว่าในกรณีใด ๆ การยกเลิกแนวโน้มที่ไม่เหมาะสมอาจไม่เหมาะสม การวิเคราะห์เชิงสำรวจที่ดีตามแนวของhttp://www.unc.edu/~jbhill/tsay.pdfควรใช้เพื่อค้นพบธรรมชาติของข้อมูล / แบบจำลอง


0

ฉันขอแนะนำให้ดูที่การวิเคราะห์สเปกตรัมเดี่ยว มันเป็นเทคนิคแบบไม่พารามิเตอร์ซึ่งสามารถเห็นได้อย่างคร่าวๆว่าเป็น PCA สำหรับอนุกรมเวลา หนึ่งในคุณสมบัติที่มีประโยชน์คือมันสามารถลดแนวโน้มได้อย่างมีประสิทธิภาพ


0

คุณต้องวิจัยเรื่องนี้อย่างรอบคอบและสามารถเริ่มต้นที่นี่

http://www.stat.pitt.edu/stoffer/tsa3/

สิ่งสำคัญที่คุณกำลังมองหาคือความคงที่หรือไม่คงที่เนื่องจากการทดสอบทางสถิติส่วนใหญ่สมมติว่ามีการเผยแพร่ข้อมูลตามปกติ มีหลายวิธีในการแปลงข้อมูลเพื่อให้อยู่กับที่ การ Detrending เป็นวิธีการหนึ่ง แต่จะไม่เหมาะสมสำหรับข้อมูลที่ไม่คงที่บางประเภท

หากข้อมูลนั้นเป็นการเดินแบบสุ่มที่มีแนวโน้มคุณอาจต้องใช้ความแตกต่าง

หากข้อมูลแสดงให้เห็นถึงแนวโน้มที่กำหนดได้ด้วยการเบี่ยงเบนตามฤดูกาลหรือความเบี่ยงเบนอื่น ๆ จากแนวโน้มที่คุณควรเริ่มต้นด้วยการทำลายล้าง

คุณอาจต้องทดสอบด้วยวิธีการที่แตกต่างกัน

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.