タグ付けされた質問 「unit-root」

ユニットルートテストのコンテキストで、ユニットルートとは何かを直感的にどのように説明しますか？ 私はこの質問で設立したように説明する方法で考えている。 ユニットルートの場合は、ユニットルートテストが時系列の定常性をテストするために使用されることを（少しだけですが）知っていますが、それだけです。 素人に、または非常に基本的な確率と統計学のコースを学んだ人にどのように説明しますか？ 更新 ここで尋ねたことを最も反映しているので、私はwhuberの答えを受け入れました。しかし、私はここに来たすべての人に、パトリックとマイケルの答えも読むことをお勧めします。彼らはユニットルートを理解する上で自然な「次のステップ」だからです。数学を使用しますが、非常に直感的な方法です。

97 intuition  unit-root 

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 

ドリフトのある系列は、としてモデル化できます。 ここで、はドリフト（定数）、です。 yt= c + ϕ yt − 1+ εtyt=c+ϕyt−1+εty_t = c + \phi y_{t-1} + \varepsilon_tcccϕ = 1ϕ=1\phi=1 傾向のある系列は、としてモデル化できます。ここで、はドリフト（定数）、は確定的な時間傾向、です。yt= c + δt + ϕ yt − 1+ εtyt=c+δt+ϕyt−1+εty_t = c + \delta t + \phi y_{t-1} + \varepsilon_tcccδtδt\delta tϕ = 1ϕ=1\phi=1 どちらのシリーズもあり、どちらの動作も増加していると思います。私（1 ）I(1)I(1) 動作が増加する新しいシリーズがある場合、このシリーズがドリフトまたはトレンドのあるシリーズであることをどのようにして知ることができますか？ 私は2つの実行できるADFテストを： ADFテスト1：系列がドリフトのあるであるという帰無仮説私（1 ）I(1)I(1) ADFテスト2：Null仮説は、系列が傾向のあるである私（1 ）I(1)I(1) …

12 time-series  hypothesis-testing  stationarity  trend  unit-root 

パッケージのur.df()関数を使用して、時系列で次の単体ルートテスト（Dickey-Fuller）を実行していurcaます。 コマンドは次のとおりです。 summary(ur.df(d.Aus, type = "drift", 6)) 出力は次のとおりです。 ############################################### # Augmented Dickey-Fuller Test Unit Root Test # ############################################### Test regression drift Call: lm(formula = z.diff ~ z.lag.1 + 1 + z.diff.lag) Residuals: Min 1Q Median 3Q Max -0.266372 -0.036882 -0.002716 0.036644 0.230738 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) …

11 r  time-series  hypothesis-testing  unit-root 

時系列と非時系列の概念を混同している可能性がありますが、シリアル相関を示す回帰モデルと単位根を示すモデルの違いは何ですか？ さらに、シリアル相関のテストにダービンワトソン検定を使用できるのに、単位根にはディッキーフラー検定を使用する必要があるのはなぜですか。（これは、独立変数にラグを含むモデルではダーバンワトソン検定を使用できないためです。）

10 time-series  autocorrelation  unit-root 

ARMA（p、q）プロセスは、そのAR部分のルートが単位円上にない場合、弱く定常的です。したがって、その弱い定常性はMAの部分に依存しません。しかし、MA部分のルーツの位置は何を意味するのでしょうか。 ARIMAの単位根検定では、MA多項式の単位根は、データが過差分であることを示しています。それは、時系列の差が弱く静止していないことを意味しますか？はいの場合、それはARMAの弱い定常性がMAの部分に依存しないという以前の事実と矛盾しますか？

8 time-series  unit-root  moving-average 

プロジェクトに対していくつかのユニットルートテストを実行する必要があります。データの解釈方法がわからないだけです（これは私が要求されたものです）。 これが私の結果の1つです。 dfuller Demand Dickey-Fuller test for unit root Number of obs = 50 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical 5% Critical 10% Critical Statistic Value Value Value ------------------------------------------------------------------- Z(t) -1.987 -3.580 -2.930 -2.600 ------------------------------------------------------------------- MacKinnon approximate p-value for Z(t) = 0.2924 臨界値とp値の結果について何を言いますか？

8 time-series  hypothesis-testing  stata  interpretation  unit-root 

私はplmパッケージを持っており、いくつかの変数に対してユニットルートテストを実行したいと考えています。次のエラーが発生します。 > purtest(data$tot.emp) Error in data.frame(baldwin = c(59870, 61259, 60397, 58919, 57856, 57227, : arguments imply differing number of rows: 14, 19, 11, 12, 1, 20, 18, 10, 13 私のパネルのバランスが悪いため、このエラーが発生していると思います。2つの質問： パネルのユニットルートテスト（Levin、Lin、Chu（2002）、Im、Pesaran、Shin（2003）など）を使用して、バランスの取れていないパネルを作成できますか？ もしそうなら、それはRで実装されていますか？

8 r  panel-data  unit-root