平稳性检验

（对全部t）
▪ 方差 var( yt ) E( yt )2 2（对全部t）
▪ 协方差 k E[( yt )( ytk )]（对全部t）
▪ 其中 k 即滞后k旳协方差[或自(身)协方差]，yt 是
和 ytk ，也就是相隔k期旳两值之间旳协方差。
6
▪ 三、伪回归现象 ▪ 将一种随机游走变量（即非平稳数据）对另一种
14
▪ I (1)过程在金融、经济时间序列数据中是最普遍 旳，而I (0)则表达平稳时间序列。
▪ 从理论与应用旳角度，DF检验旳检验模型有如下
旳三个：
Yt (1 )Yt1 ut 即 Yt Yt1 ut
（5.7）
Yt 1 (1 )Yt1 ut 即 Yt 1 Yt1 ut
（5.8）
随机游走变量进行回归可能造成荒唐旳成果，老 式旳明显性检验将告知我们变量之间旳关系是不 存在旳。 ▪ 有时候时间序列旳高度有关仅仅是因为两者同步 随时间有向上或向下变动旳趋势，并没有真正旳 联络。这种情况就称为“伪回归”（Spurious Regression）。
7
第二节 平稳性检验旳详细措施
一、单位根检验 ▪ （一）单位根检验旳基本原理 ▪ David Dickey和Wayne Fuller旳单位根检验
34
▪ Johansen协整检验有两个检验统计量：
▪ ①迹检验统计量trace ：
g
▪ trace=-T ln(1-ˆi)，其中r为假设旳协整关系旳 i=r+1 个数，ˆi 为 旳第i个特征值旳估计值（下同）。 相应旳零假设是：H0：协整关系个数不不小于等
于r；被择Байду номын сангаас设：H1：协整关系个数不小于r。
yt yt-k+1yt-1+2yt-2+...k-1yt-(k-1)+ut （5.12）

学术研究中的平稳性检验摘要：平稳性检验是时间序列数据分析中非常重要的一步，它可以帮助我们确定时间序列数据是否具有稳定性，从而避免由于非平稳数据导致的统计误判。

本文将对平稳性检验的方法、原理和应用进行详细介绍。

一、引言在时间序列数据分析中，平稳性是一个非常重要的概念。

如果一个时间序列数据是平稳的，那么我们就可以对其进行一系列的统计分析和预测。

反之，如果一个时间序列数据是非平稳的，那么我们就需要采取一些措施来消除其非平稳性，否则会导致统计误判和预测误差。

因此，平稳性检验是时间序列数据分析中非常重要的一步。

二、平稳性检验的方法1.单位根检验（Augmented Dickey-Fuller Test）单位根检验是一种常用的平稳性检验方法，它可以通过建立时间序列数据的回归模型来检验其是否具有单位根。

如果回归模型的系数不显著，则说明该时间序列数据是平稳的；反之，如果回归模型的系数显著，则说明该时间序列数据是非平稳的。

常用的单位根检验方法有ADF检验和PP检验等。

2.协整检验（Cointegration Test）协整检验是一种用于检验两个或多个非平稳时间序列数据之间是否存在长期均衡关系的统计方法。

如果两个或多个时间序列数据之间存在协整关系，那么它们之间就可以建立回归模型进行分析和预测。

常用的协整检验方法有Kao检验和Johansen检验等。

三、平稳性检验的原理平稳性检验的原理是利用时间序列数据的特性进行分析。

在统计学中，平稳时间序列是指其均值、方差和自相关系数都是常数，也就是说，该时间序列数据具有稳定性。

如果一个时间序列数据是非平稳的，那么它的统计特性就会发生变化，从而影响统计分析和预测的准确性。

因此，在进行时间序列数据分析之前，必须对数据进行平稳性检验，以确保数据的稳定性和可靠性。

四、平稳性检验的应用1.经济领域中的应用在经济学中，平稳性检验被广泛应用于各种经济指标的时间序列数据分析中。

例如，通货膨胀率、失业率、国内生产总值等指标都是常用的经济指标，它们的变化趋势往往受到多种因素的影响。

时间序列平稳性的检验常见的数据类型•时间序列数据（time-series data)；•截面数据(cross-sectional data)•平行/面板数据（panel data/time-series cross-section data)经典回归分析暗含着一个重要假设：数据是平稳的；数据非平稳，往往导致出现“虚假回归”故：时间序列首先遇到的问题就是平稳性的问题平稳的条件：假定某个时间序列是由某一随机过程（stochastic process）生成的，即假定时间序列{X t}（t=1, 2, …）的每一个数值都是从一个概率分布中随机得到，如果满足下列条件：1）均值E(X t)=m是与时间t无关的常数；2）方差Var(X t)=s2是与时间t无关的常数；3）协方差Cov(Xt,Xt+k)=gk是只与时期间隔k有关，与时间t无关的常数；则称该随机时间序列是平稳的，而该随机过程是一平稳随机过程。

白噪声X t=m t，m t~N(0,s2)是平稳的随机游走：Xt=Xt-1+mt mt是一个白噪声是非平稳的DXt=Xt-Xt-1=mt是平稳的故：一个时间序列是非平稳的，可以通过差分的方法变为平稳的Xt=fXt-1+mt不难验证: |f|>1时，该随机过程生成的时间序列是发散的，表现为持续上升(f>1)或持续下降(f<-1)，因此是非平稳的；f=1时，是一个随机游走过程，也是非平稳的。

平稳性的检验：方法1；时间路径图来粗略地判断它是否是平稳的。

一个平稳的时间序列在图形上往往表现出一种围绕其均值不断波动的过程；而非平稳序列则往往表现出在不同的时间段具有不同的均值（如持续上升或持续下降）。

单位根检验、协整检验和格兰杰因果关系检验三者之间的关系实证检验步骤：1,做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平稳，则服从i阶单整（注意趋势、截距不同情况选择，根据P值和原假设判定）。

ppt课件完整
5
（5）PP检验
• 平稳性检验常用的方法还有PP检验，在图 1-9的对话框中“Test Type”中选择下拉菜 单Phillips-Perron，出现图1-12的对话框， 其他选项同ADF检验，图1-13是对sha序列 带趋势项和常数项的方程进行的pp检验， 从结果看出来，接受存在一个单位根的原 假设，于是同ADF检验，对其一阶差分序 列进行PP检验，结果见图1-14，可以看出， 和ADF检验结果相同，一阶差分序列已经 平稳。
1序列各项之间不存在相关即相应滞后阶数的自相关系数与0没有显著性差异序列为白噪声序列序列即纯随机序列进行的统计检验至少存在某个在图18中由每个q统计量的伴随概率可以看出都是拒绝原假设的说明至少存在某个k使得滞后k期的自相关系数显著非0也即拒绝序列是白噪声序列的原假设
时间序列数据平稳性检验
• （1）、通过时序图看时间序列的平稳性， 这个方法很直观，但比较粗糙；
ppt课件完整
3
（3）、纯随机性判断
• 1、序列各项之间不存在相关，即相应滞后阶数的 自相关系数与0没有显著性差异，序列为白噪声序 列，序列即纯随机序列进行的统计检验
H 0 ： 1 = 2 = ...= m = 0 , m 1
•
• 至少存在某个在图1-8中，由每个Q统计量的伴随 概率可以看出，都是拒绝原假设的，说明至少存 在某个k，使得滞后k期的自相关系数显著非0， 也即拒绝序列是白噪声序列的原假设。
• 2、相关图显示的最大滞后阶数k，观测值多，k可取 T/10 或 T ；若样本量较小k一般取 T /4
• 3、相关图的左半部分是自相关和偏自相关分析图，垂立 的两道虚线表示2倍标准差。右半部分是滞后阶数、自相 关系数、偏自相关系数、Q统计量和相伴的概率。从自相 关和偏自相关分析图可以看出自相关系数趋向0的速度相 当缓慢，且滞后6阶之后自相关系数才落入2倍标准差范围 以内，并且呈现一种三角对称的形式，这是具有单调趋势 的时间序列典型的自相关图的形式。