ทำความเข้าใจกับความล่าช้าในการทดสอบเพิ่ม Dickey Fuller ของ R


15

ฉันเล่นรอบ ๆ ด้วยการทดสอบรูทยูนิตใน R และฉันไม่แน่ใจว่าจะทำอย่างไรกับพารามิเตอร์ k lag ฉันใช้การทดสอบเพิ่มDickey FullerและการทดสอบPhilipps Perronจากแพ็คเกจtseries เห็นได้ชัดว่าพารามิเตอร์เริ่มต้น(สำหรับ) ขึ้นอยู่กับความยาวของซีรีส์เท่านั้น ถ้าฉันเลือกk- ค่าต่างกันฉันจะได้ผลลัพธ์ที่แตกต่างกันมาก ปฏิเสธโมฆะ:kadf.testk

Dickey-Fuller = -3.9828, Lag order = 4, p-value = 0.01272
alternative hypothesis: stationary 
# 103^(1/3)=k=4 


Dickey-Fuller = -2.7776, Lag order = 0, p-value = 0.2543
alternative hypothesis: stationary
# k=0

Dickey-Fuller = -2.5365, Lag order = 6, p-value = 0.3542
alternative hypothesis: stationary
# k=6

บวกกับผลการทดสอบ PP:

Dickey-Fuller Z(alpha) = -18.1799, Truncation lag parameter = 4, p-value = 0.08954
alternative hypothesis: stationary 

k

คำใบ้ใด ๆ


3
หนังสือเล่มนี้ควรตอบคำถามของคุณทั้งหมด
mpiktas

1
ขอบคุณ! ฉันชอบซีรีย์ Springer useR แต่ฉันไม่รู้จักอันนี้ ...
hans0l0

hmm, iiuc การทดสอบเหล่านี้เท่านั้นว่า phi = 1 ไม่ใช่ถ้า phi> 1 แต่ก็ยังเอาท์พุท R บอกว่าทางเลือกคือ: stationarity พวกเขาตรวจสอบไฟ> 1 ด้วยหรือไม่ เห็นได้ชัดว่าจะไม่นิ่งเช่นกัน
hans0l0

คำตอบ:


5

ไม่นานมานี้ตั้งแต่ฉันดูการทดสอบ ADF แต่ฉันจำการทดสอบ adf อย่างน้อยสองรุ่น

http://www.stat.ucl.ac.be/ISdidactique/Rhelp/library/tseries/html/adf.test.html

http://cran.r-project.org/web/packages/fUnitRoots/

แพ็คเกจ fUnitRoots มีฟังก์ชันที่เรียกว่า adfTest () ฉันคิดว่าปัญหา "แนวโน้ม" ได้รับการจัดการแตกต่างกันไปในแพ็คเกจเหล่านั้น

แก้ไข ------ จากหน้า 14 ของลิงค์ต่อไปนี้มีการทดสอบ adf 4 เวอร์ชัน (หยุดชั่วคราว)

http://math.uncc.edu/~zcai/FinTS.pdf

อีกหนึ่งลิงก์ อ่านหัวข้อ 6.3 ในลิงค์ต่อไปนี้ มันทำงานได้ดีกว่าที่ฉันทำได้ในการอธิบายคำล่าช้า:

http://www.yats.com/doc/cointegration-en.html

นอกจากนี้ฉันจะระมัดระวังกับโมเดลตามฤดูกาลด้วย เว้นแต่คุณจะแน่ใจว่ามีบางฤดูกาลฉันจะหลีกเลี่ยงการใช้คำตามฤดูกาล ทำไม? สิ่งใดก็ตามที่สามารถแยกย่อยได้ตามเงื่อนไขของฤดูกาลแม้ว่าจะไม่ใช่ก็ตาม นี่คือสองตัวอย่าง:

#First example: White noise
x <- rnorm(200)

#Use stl() to separate the trend and seasonal term
x.ts <- ts(x, freq=4) 
x.stl <- stl(x.ts, s.window = "periodic")
plot(x.stl)

#Use decompose() to separate the trend and seasonal term
x.dec <- decompose(x.ts)
plot(x.dec)

#===========================================

#Second example, MA process
x1 <- cumsum(x)

#Use stl() to separate the trend and seasonal term
x1.ts <- ts(x1, freq=4)
x1.stl <- stl(x1.ts, s.window = "periodic")
plot(x1.stl)

#Use decompose() to separate the trend and seasonal term
x1.dec <- decompose(x1.ts)
plot(x1.dec)

กราฟด้านล่างมาจากคำสั่ง plot (x.stl) ด้านบน stl () พบคำตามฤดูกาลเล็ก ๆ ในเสียงสีขาว คุณอาจพูดว่าคำนั้นเล็กมากจนไม่ใช่ปัญหา ปัญหาคือในข้อมูลจริงคุณไม่ทราบว่าคำนั้นเป็นปัญหาหรือไม่ ในตัวอย่างด้านล่างโปรดสังเกตว่าชุดข้อมูลเทรนด์มีเซ็กเมนต์ที่ดูเหมือนว่าข้อมูลดิบที่ผ่านการกรองแล้วและเซกเมนต์อื่น ๆ ที่อาจพิจารณาว่าแตกต่างจากข้อมูลดิบอย่างมีนัยสำคัญ

ป้อนคำอธิบายรูปภาพที่นี่


1

พารามิเตอร์ k คือชุดของ lags ที่ถูกเพิ่มเข้ากับความสัมพันธ์แบบอนุกรม A ใน ADF หมายถึงการทดสอบนั้นเพิ่มขึ้นโดยการเพิ่มความล่าช้า การเลือกจำนวนความล่าช้าใน ADF นั้นสามารถทำได้หลายวิธี วิธีทั่วไปคือการเริ่มต้นด้วยจำนวนมากของความล่าช้าที่เลือกเบื้องต้นและลดจำนวนของความล่าช้าตามลำดับจนกว่าความล่าช้าที่ยาวที่สุดมีนัยสำคัญทางสถิติ

คุณสามารถทดสอบความสัมพันธ์แบบอนุกรมในส่วนที่เหลือหลังจากใช้ lags ใน ADF

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