タグ付けされた質問 「augmented-dickey-fuller」

私はRを使用しています、私はGoogleで検索していることを学んだkpss.test()、PP.test()とadf.test()時系列の定常性について知るために使用されています。 しかし、私は彼らの結果を解釈できる統計学者ではありません > 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 message: In kpss.test(b$V1) : p-value greater than …

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

Kwiatkowski–Phillips–Schmidt–Shin（KPSS）テストと拡張Dickey-Fuller（ADF）テストの違いは何ですか？彼らは同じことをテストしていますか？または、さまざまな状況でそれらを使用する必要がありますか？

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

拡張されたDickey-Fullerテストでnullを拒否する人が数回いるのを見て、シリーズが静止していることを主張しています（残念ながら、これらの主張の出所を示すことはできませんが、 1つまたは別のジャーナル）。 私はそれが誤解であると主張します（ユニットルートのヌルの拒否は、特にそのようなテストが行​​われたときに非定常性の代替形式がめったに調査または検討さえされないため、必ずしも定常級数を持つことと同じではありません）。 私が求めるのは次のいずれかです。 a）主張に対する良い明確な反例（私は今、カップルを想像することができますが、私以外の誰かが私が考えているものよりも良いものを持っていると確信しています）。おそらくデータ（シミュレーションまたは実物。両方とも利点があります）を使用した特定の状況の説明です。または b）増強されたディッキーフラーでの拒絶が定常性の確立と見なされるべきである理由を説得力のある議論 （または、（a）と（b）の両方が賢いと感じている場合）

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

短縮版： 定常性をテストしている時系列の気候データがあります。以前の調査に基づいて、データの基礎となる（または「生成」と呼ばれる）モデルには、インターセプト項と正の線形時間傾向があると予想しています。これらのデータの定常性をテストするには、インターセプトと時間トレンドを含むDickey-Fullerテストを使用する必要がありますか。方程式＃3か？ ∇yt=α0+α1t+δyt−1+ut∇yt=α0+α1t+δyt−1+ut\nabla y_t = \alpha_0+\alpha_1t+\delta y_{t-1}+u_t または、モデルの基礎となる方程式の最初の違いはインターセプトのみを持っているため、インターセプトのみを含むDFテストを使用する必要がありますか？ ロングバージョン： 上記のように、定常性をテストする気候データの時系列があります。以前の調査に基づいて、データの基礎となるモデルには、切片項、正の線形時間傾向、および正規分布の誤差項があると予想しています。つまり、基礎となるモデルは次のようになります。 yt=a0+a1t+βyt−1+utyt=a0+a1t+βyt−1+uty_t = a_0 + a_1t + \beta y_{t-1} + u_t ここで、ututu_tは正規分布です。基礎となるモデルには切片と線形時間トレンドの両方があると仮定しているため、以下に示すように、単純なDickey-Fullerテストの等式＃3で単位根をテストしました。 ∇yt=α0+α1t+δyt−1+ut∇yt=α0+α1t+δyt−1+ut\nabla y_t = \alpha_0+\alpha_1t+\delta y_{t-1}+u_t この検定は、帰無仮説を棄却し、基礎となるモデルが非定常であると結論付けることにつながる臨界値を返します。しかし、私の質問にもかかわらず、以来、私は、これを正しく適用していた場合に基礎となるモデルは、インターセプトとタイムトレンドを持っていると想定されるが、これは意味するものではありません。最初の違いその∇yt∇yt\nabla y_t同様になります。実際、私の数学が正しければ、まったく逆です。 モデルの基礎となる仮定の式に基づいて第1の差を計算する与える： ∇yt=yt−yt−1=[a0+a1t+βyt−1+ut]−[a0+a1(t−1)+βyt−2+ut−1]∇yt=yt−yt−1=[a0+a1t+βyt−1+ut]−[a0+a1(t−1)+βyt−2+ut−1]\nabla y_t = y_t - y_{t-1} = [a_0 + a_1t + \beta y_{t-1} + u_t] - [a_0 + a_1(t-1) + \beta …

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

2つの時系列間の共和分をテストしようとしています。両方のシリーズには、約3年にわたる週次データがあります。 Engle-Granger Two Step Methodをやろうとしています。私の操作の順序は次のとおりです。 Augmented Dickey-Fullerを介してユニットルートの各時系列をテストします。 両方に単位根があると仮定し、OLSを介して関係の線形近似を見つけます。次に、一連の残差を作成します。 Augmented Dickey-Fullerを介してユニットルートの残差をテストします。 3の結果により、共和分を終了します（またはしない）。 質問： この方法は大丈夫ですか？（私は学部生であり、データを正当な方法で分析したいと考えています。必ずしも最も厳密な既知の方法でデータを分析する必要はありません。） ステップ1で1つのシリーズが ADFを使用して帰無仮説を拒否できない（したがって、単位根がない）場合、1つのデータセットが非定常であるため、2つのシリーズは共和化しないと結論付けるのは合理的ですか？私はそうは思わないだろうが、私は確信したい。 両方のデータセットは「確率論的」に見えるため、OLSを使用して関係を測定して残差を取得することが適切かどうか疑問に思っています。

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