คำถามติดแท็ก augmented-dickey-fuller

ผมใช้ R, ฉันค้นหาใน Google และได้เรียนรู้ว่าkpss.test(), PP.test()และadf.test()มีการใช้ความรู้เกี่ยวกับ stationarity ของอนุกรมเวลา แต่ฉันไม่ใช่นักสถิติที่สามารถตีความผลลัพธ์ของพวกเขาได้ > PP.test(x) Phillips-Perron Unit Root Test data: x Dickey-Fuller = -30.649, Truncation lag parameter = 7, p-value = 0.01 > kpss.test(b$V1) KPSS Test for Level Stationarity data: b$V1 KPSS Level = 0.0333, Truncation lag parameter = 3, p-value = 0.1 Warning …

30 r  time-series  stationarity  augmented-dickey-fuller  kpss-test 

อะไรคือความแตกต่างระหว่างการทดสอบ Kwiatkowski – Phillips – Schmidt – Shin (KPSS) และการทดสอบเพิ่ม Dickey-Fuller (ADF) พวกเขากำลังทดสอบสิ่งเดียวกันหรือไม่? หรือเราจำเป็นต้องใช้มันในสถานการณ์ต่าง ๆ ?

27 time-series  stationarity  unit-root  augmented-dickey-fuller  kpss-test 

ฉันเคยเห็นหลายครั้งที่ผู้คนปฏิเสธโมฆะในการทดสอบเพิ่ม Dickey-Fullerแล้วอ้างว่ามันแสดงให้เห็นว่าซีรี่ส์ของพวกเขานั้นอยู่กับที่ (แต่น่าเสียดายที่ฉันไม่สามารถแสดงแหล่งที่มาของการอ้างสิทธิ์เหล่านี้ได้ วารสารหนึ่งฉบับหรืออีกฉบับหนึ่ง) ฉันยืนยันว่ามันเป็นความเข้าใจผิด (การปฏิเสธโมฆะของหน่วยรากนั้นไม่จำเป็นต้องเป็นแบบเดียวกับที่มีชุดเครื่องเขียนโดยเฉพาะอย่างยิ่งเนื่องจากรูปแบบทางเลือกที่ไม่เป็นทางเลือกจะไม่ค่อยถูกตรวจสอบหรือพิจารณาเมื่อทำการทดสอบเช่นนั้น) สิ่งที่ฉันค้นหาคือ: a) ตัวอย่างที่ชัดเจนที่ชัดเจนเกี่ยวกับการอ้างสิทธิ์ (ฉันนึกภาพออกได้สองสามคนตอนนี้ แต่ฉันพนันได้ว่าคนอื่นที่ไม่ใช่ฉันจะมีสิ่งที่ดีกว่าที่ฉันคิดไว้) มันอาจเป็นคำอธิบายของสถานการณ์ที่เฉพาะเจาะจงอาจมีข้อมูล (จำลองหรือจริงทั้งสองมีข้อดี) หรือ b) ข้อโต้แย้งที่น่าเชื่อถือว่าทำไมการปฏิเสธในส่วนที่เพิ่มขึ้นของ Dickey-Fuller ควรถูกมองว่าเป็นการสร้างความคงที่ (หรือแม้กระทั่งทั้งคู่ (ก) และ (ข) หากคุณรู้สึกฉลาด)

18 time-series  unit-root  stationarity  augmented-dickey-fuller 

เวอร์ชั่นสั้น: ฉันมีอนุกรมเวลาของข้อมูลสภาพภูมิอากาศที่ฉันกำลังทดสอบหาอยู่กับที่ จากการวิจัยก่อนหน้านี้ฉันคาดหวังรูปแบบพื้นฐาน (หรือ "การสร้าง" เพื่อที่จะพูด) ข้อมูลที่จะมีคำดักจับและแนวโน้มเวลาเชิงเส้นเชิงบวก ในการทดสอบข้อมูลเหล่านี้สำหรับความคงที่ฉันควรใช้การทดสอบ Dickey-Fuller ที่มีการสกัดกั้นและแนวโน้มเวลาเช่นสมการ # 3หรือไม่ ∇ yเสื้อ= α0+ α1t + δYt - 1+ uเสื้อ∇Yเสื้อ=α0+α1เสื้อ+δYเสื้อ-1+ยูเสื้อ\nabla y_t = \alpha_0+\alpha_1t+\delta y_{t-1}+u_t หรือฉันควรใช้การทดสอบ DF ที่มีเพียงการสกัดกั้นเพราะความแตกต่างแรกของสมการที่ฉันเชื่อว่าการจำลองนั้นมีเพียงการสกัดกั้น? รุ่นยาว: ตามที่ระบุไว้ข้างต้นฉันมีอนุกรมเวลาของข้อมูลสภาพภูมิอากาศที่ฉันกำลังทดสอบหาอยู่กับที่ จากการวิจัยก่อนหน้านี้ฉันคาดหวังว่าแบบจำลองที่อยู่ภายใต้ข้อมูลจะมีระยะเวลาการสกัดกั้นแนวโน้มเชิงเส้นเวลาเชิงบวกและคำผิดพลาดบางส่วนที่กระจายตามปกติ กล่าวอีกนัยหนึ่งฉันคาดหวังว่าแบบจำลองพื้นฐานจะมีลักษณะดังนี้: Yเสื้อ= a0+ a1t + βYt - 1+ uเสื้อYเสื้อ=a0+a1เสื้อ+βYเสื้อ-1+ยูเสื้อy_t = a_0 + a_1t + \beta y_{t-1} + u_t ที่มีการกระจายตามปกติ …

17 time-series  stationarity  unit-root  augmented-dickey-fuller 

ฉันพยายามที่จะทดสอบ cointegration ระหว่างสองชุดเวลา ทั้งสองซีรี่ส์มีข้อมูลครอบคลุมทุกสัปดาห์ ~ 3 ปี ฉันกำลังพยายามทำวิธีสองขั้นตอนของ Engle-Granger คำสั่งของฉันของการดำเนินการดังต่อไปนี้ ทดสอบแต่ละชุดเวลาสำหรับรูทยูนิตผ่าน Augmented Dickey-Fuller สมมติว่าทั้งคู่มีรูทหน่วยจากนั้นหาการประมาณเชิงเส้นตรงของความสัมพันธ์ผ่าน OLS จากนั้นสร้างชุดของส่วนที่เหลือ ทดสอบส่วนที่เหลือสำหรับรูทยูนิตผ่าน Augmented Dickey-Fuller สรุป cointegration (หรือไม่) โดยผลของ 3 คำถาม: วิธีนี้ดูใช้ได้ไหม? (ฉันเป็นระดับปริญญาตรีและฉันกำลังมองหาการวิเคราะห์ข้อมูลของฉันในแบบที่ถูกต้องไม่จำเป็นต้องวิเคราะห์ข้อมูลด้วยวิธีการที่เข้มงวดที่สุด) หากชุดหนึ่งไม่สามารถปฏิเสธสมมติฐานว่างด้วย ADF (และดังนั้นจึงไม่มีหน่วยรูท) ในขั้นตอนที่ 1 มีเหตุผลหรือไม่ที่จะสรุปว่าทั้งสองชุดไม่ได้ถูกรวมเข้าด้วยกันเพราะชุดข้อมูลหนึ่งไม่ใช่ชุดข้อมูล? ฉันจะไม่คิดอย่างนั้น แต่ฉันต้องการให้แน่ใจ ชุดข้อมูลทั้งสองมีลักษณะ "สุ่ม" ดังนั้นฉันจึงสงสัยว่าเหมาะสมหรือไม่ที่จะใช้ OLS เพื่อวัดความสัมพันธ์เพื่อรับส่วนที่เหลือ

13 time-series  cointegration  unit-root  augmented-dickey-fuller