计量经济学讲义计量经济学讲义第四讲 趋势和DF 检验（修订版）此翻译稿制作学习之用，如有错误之处，文责自负。
趋势平稳序列（TS ）（图1和2）一个趋势平稳序列绕着一个确定的趋势（序列的均值），其波动幅度不显示增大或者减小的趋势。
线性确定性趋势： tt t y εβα++= ),0(~2σεiid t t=1,2,…平方确定性趋势： tt t t y εγβα+++=2),0(~2σεiid t t=1,2,…通常：tt t f y ε+=)(),0(~2σεiid t t=1,2,…均值是是随时间变化的（川），但是方差是常数。
tε可以为任意平稳序列，也就是说，不一定要是白噪声过程。
通过拟合一个确定的多项式时间趋势，趋势可以来消除：拟合趋势后残差将给出一个去趋势的序列。
一个带线性确定性趋势AR （1）过程可以写作：t1-t 1t )1)-t (y (t y εβαφβα+--=--),0(~2σεiid t版权所t=1,2,…此处确定性趋势被ty 减去。
然而在实践中，α、β是未知的而且必须估计出来。
于是模型可以被重述为： t1-t 1111ty t )1()1(yεφβφβφαφ++-++-=其中包含一个截距和一个趋势，也就是 t1-t 1**ty t y εφβα+++=此处 βφαφα11*)1(+-= 且βφβ)1(1*-=若1||1<φ，那么此AR 过程就是围绕一个确定性趋势的平稳过程.差分平稳序列（DF ）（也叫单整序列）和随机性趋势如果一个非平稳序列可以由一个平稳序列通过d 次差分得到，那么我们说这个序列就是d 阶单整的，写做I （d ）.这一过程也因此叫做差分平稳过程（DSP ）.因此，平稳序列就是零阶单整的，I （0）。
白噪声序列是I （0）。
所以如果序列td ty w ∆=是平稳的，那么ty 就是I（d ）。
∆是差分算子，即等等2-t 1-t t 2-t 1-t 1-t t 1-t t t t 21-t t t y 2y y )y y ()y y ()y y (y y ,y y y +-=---=-∆=∆∆=∆-=∆如果序列 1-t t t t y y y w -=∆= 是平稳的话，ty 是I （1）；如果序列2-t 1-t t t 2ty 2y y y w+-=∆= 是平稳的，ty 是I（2），随机游走（图3）ty 是随机游走的，如果满足 tt t y y ε+=-1 此处),0(~2εσεiid t这是一个AR （1）过程，且在tt ty y εφ+=-1中具有根1=φ这一序列被称为具有单位根，或者叫做1阶单整，I （1）。
注意：tt ty y ε=∆=--t 1y假设此过程在t=0起始处有一个确定的值y0.那么，101ε+=y y210212εεε++=+=y y y……∑=+=++++=t10t 2102...ττεεεεy y y (1)注释：(a) 在（1）式中，y t 被表示为初始值y 0和一个序列的局部的和∑=t1ττε（即所谓的随机趋势）。
所有随机冲击ε对序列y t 都有永久的影响，它们可以永久的改变y t 的水平，而在平稳序列中，冲击的影响会随着时间的流逝而趋向于零。
因此，称随机游走具有一个随机趋势。
(b) E （y t ）=y 0+t*0= y 0 [定值]Var(y t )= Var(∑=t1ττε)=t σ2都时间依赖的，即，Var(y t )存在趋势。
所以y t 是非平稳的。
但是∆y t =tε是平稳的。
这也叫做不带漂移的随机游走。
（c ） ∆y t =μ+tε称作带漂移的随机游走。
现在，∆y t = y 0+t μ+∑=t1ττε 可以推出E （y t ）= y 0+t μ 均值具有趋势 Var(y t )= t σ2 方差具有趋势就是说，不带漂移的随机游走只有方差具有趋势，而带漂移的随机游走均值和方差中都具有趋势，即不仅有确定性趋势y 0+t μ，也有随机性趋势∑=t1ττε（d ） 因此随机游走是一个I （1）序列。
由于差分平稳序列通常可以用ARMA(p,q)表示，所以随机游走是一种特殊的I （1）序列。
但是对于随机游走来说，其中),0(~2σεiid t[当由t t ty yε+=-1tt y y ε∑+=⇒0时，我们使用单整这个词，总和≡单整] （e ）在tt ty yε+=-1中，冲击的影响会持续到永远，而在平稳序列中，例如，tt ty yεφ+=-11中，冲击的影响会随着时间的流逝趋向于0。
（f ） 一个I （0）序列将围绕着均值波动，而且观测值会频繁的与这个值相交。
I （1）序列会不断扩散而很少回到其早先的值。
（g ）对于I （0）序列其相关系数0→kρ（迅速地）。
对I （1）序列，其相关系数对于任何滞后期k都在1附近。
（i ）当我们分析分平稳序列的时候，标准分布理论（中心极限定理）会失效。
特别地，弱大数定律（WLLN ）也不成立。
弱大数定律说的是：在一定条件下，当样本容量趋向于无穷的时候，样本距会收敛于总体距。
I （0）和I （1）序列的区别—小结I （0）I （1）冲击的影响随时间的消逝趋向于0冲击的影响永远持续观测值绕着均值波动且经常与均值相交 观测值偏离均值很大且很少回到先前的值 自相关系数很快趋向0，0→kρ相关系数对于任何滞后期k 都在1附近 中心极限定理适用 中心极限定理不适用通过读图辨别非平稳性纯粹的随机游走和带漂移的随机游走的图示如下-10-551020406080100120140160180200y=y(-1)+u-20020406080100120with stochastic trend图例 另见讲义P30纯粹的随机游走过程在整个时间段内，不显示任何上升或者下降的趋势，也不显示趋向于一个给定的均值的趋势（比如汇率）；而带漂移的随机游走的时间路径有确定性的趋势主导（例如货币供给，GNP 等）。
这些序列可以从一个长期的确定性的趋势中得到。
在小样本的情形下，很难区分出纯粹的随机游走和带漂移的随机游走。
漂移μ的绝对值较小，或者冲击ε的方差较大，都将掩盖带漂移的随机游走的长期中所具有的趋势。
同时要区分（具有确定性趋势的）平稳AR 过程和（带漂移的）随机游走也不是很容易的。
趋势平稳序列（TF ）和差分平稳序列（DF ） 图例 见讲义 现在我们来考虑下述三个序列： 1） 平稳的AR （1）过程 t t t y y ε++=-195.005.02） 带漂移的随机游走 tt t r r ε++=-105.0 3） 发散过程 tt t z z ε++=-105.105.0样本容量 1500 图示见讲义一个对平稳性的非正式检验是基于对相关图的观察。
一个平稳AR 序列的相关图应该按指数规律下降，而对于非平稳序列则下降得非常缓慢。
下面是y 和r 序列的自相关系数的一些数据变化的比较。
滞后期数 自相关系数y : 平稳的AR （1）过程 r : 带漂移的随机游走 1 0.951 0.995 3 0.856 0.982 5 0.783 0.972 11 0.596 0.939 15 0.496 0.917 360.1270.770上述两组自相关系数的变化模式是很不相同的，这就验证了y 序列的平稳性和随机游走的非平稳性。
非平稳性检验（单位根检验）单位根的存在也就意味着中心极限定理的失效。
因此在进行任何估计前，为了运用适当的去趋势的方法，检验该序列的平稳性就显得很重要了。
迪基-富勒（DF ）检验和修正的DF 检验 A 单假设检验考虑一个ＡＲ（１）过程 t 1t t y y ερ+=- ),0(iid ~2tσε如果ρ＝１，则上述等式就定义了一个纯粹的随机游走过程，而且ｙ是非平稳的。
检验非平稳的零假设为Ｈ０：ρ＝１。
此假设检验就是所谓的单位根检验。
检验零假设的一个简单的方法是把ＡＲ（１）等式化为如下形式： t1t 1t t1)y (y y ερ+-=--- t1t ty yεγ+=∆⇒-因此假设Ｈ０：ρ＝１现在就等价于要检验Ｈ０：0=γ，而且我们只要相应的检验)0(1<<γρ就可以了（因为拒绝域在左边）。
我们不考虑1||>ρ的情形，因为在此情形下序列是发散的，而在经济数据序列中我们并不认为会是发散的。
上述等式也可以包含一个常数项： t1t ty y εγα++=∆-还可以包含一个常数项和一个趋势变量， t1t ty t y εγβα+++=∆-进行检验时，我们用ＯＬＳ对上述三个回归中的一个进行估计，然后将γ前的系数的ｔ统计量与适当的临界值进行比较得到结论。
称（1）中（即无常数项等式）的γˆ的ｔ比率为ncˆτ；称（2）中（无趋势项等式）的γˆ的ｔ比率为cˆτ；称（3）中（带趋势项等式）的γˆ的ｔ比率为ct ˆτ。
在（1）（2）（3）每一种情形下，H 0都是0=γ（单位根），对应于H 1为0<γ（平稳序列）。
如果拒绝H 0，那么有：在（1）中，y t 是均值为0的平稳序列；[t 1t t y yερ+=-] 在（2）中，y t 是均值为非0的平稳序列 ；[t 1t t t 1t t y y y y εραερμ++=+=---或者 此处)1(ρμα-=]在（3）中，y t 是均值为具有确定性趋势的平稳序列 [t 1t t ))1t (b a y (bt a y ερ+---=--- 或者 t 1t t y t y ερβα+++=- 此处 )1(b ,b )-a(1ρβρρα-=+=且]上述临界值由Fuller,W.A.，1976年的Introduction to Statistical Times Series (时间序列统计概论)和迪基与富勒在1981年的计量经济学刊物上的文章给出（这些临界值只针对一些样本容量而言）。
注释:在H 0成立的条件下，τ不服从t 分布。
相对于t 分布或者N （0，1）正态分布来说，τ的分布向左移了。
要拒绝零假设就需要较大的负值。
见下表：为了在5%的水平下拒绝H 0的话，我们需要τ<-1.95。
对于一个N （0，1）的5%的单边检验，或者是较大T 值的t 检验来说，临界值为-1.645。
所以不恰当的使用标准正态分布进行单边检验将会导致对于零假设的过度拒绝。
单位根检验的渐进临界值（见讲义P33）请自己填列！运用响应面回归，J.麦金农得到了一个计算所有样本容量（T ）的临界值的方法。
（见J.麦金农，“CI 检验的临界值”，Engle, Granger 编，长期经济中的关系，OUP ，1991，13章）例如：221T T CV φφφτ++=∞，给定∞φ、1φ、2φ 的值，令T=106，自像（3）式中的常数加趋势的情形的5%的临界值为4523.310683.17106039.4-4126.3C.V.2-=--=（相关数据可以从N=1行中的麦金农的表格中得到）。
