时间序列数据的平稳性检验

0.05 -1.95 -1.95 -1.95 -1.95 -1.95 -1.95 -3.00 -2.93 -2.89 -2.88 -2.87 -2.86 2.61 2.56 2.54 2.53 2.52 2.52
0.10 -1.60 -1.61 -1.61 -1.61 -1.61 -1.61 -2.62 -2.60 -2.58 -2.57 -2.57 -2.57 2.20 2.18 2.17 2.16 2.16 2.16
只要其中有一个模型的检验结果拒绝了零假设，就可 以认为时间序列是平稳的；
当三个模型的检验结果都不能拒绝零假设时，则认为 时间序列是非平稳的。
20
整理课件
3、例：检验1978-2000年间中国支出法 GDP时间序列的平稳性
例8.1.6检验1978~2006年间中国实际支出法国 内生产总值GDPC时间序列的平稳性。
ADF检验在Eviews中的实现—检验 GDPP
29
整理课件
ADF检验在Eviews中的实现—检验 GDPP
30
整理课件
•从GDPP(-1) 的参数值看， 其t统计量的值 大于临界值， 不能拒绝存在 单位根的零假 设。同时，由 于常数项的t统 计量也小于 ADF分布表中 的临界值，因 此不能拒绝不 存在趋势项的 零假设。需进 一步检验模型 1。
均值E(Xt)=是与时间t 无关的常数； 方差Var(Xt)=2是与时间t 无关的常数；
协方差Cov(Xt,Xt+k)=k 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（stationary)，而
该随机过程是一平稳随机过程（stationary
stochastic process）。

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。

（1）一个平稳的时间序列总可以找到生成它
的平稳的随机过程或模型； （2）一个非平稳的随机时间序列通常可以通 过差分的方法将它变换为平稳的，对差分后平稳 的时间序列也可找出对应的平稳随机过程或模型。
（六） 中国GDPP的 ARMA(p,q)模型
ARMA(1,1) ARMA(2,2)
ARIMA(8,2,7)非对称
p阶自回归模型,简记为AR(p)：
xt 0 1 xt 1 2 xt 2 p xt p t 2 E ( ) 0 ， Var ( ) t t , E ( t s ) 0, s t
0 且 1 1 2 p , Var( x ) t
（二）向量自回归模型定义 VAR（Vector AutoRegression，向量自回归）
•1980年Sims提出向量自回归模型（vector autoregressive model）。 •VAR模型是自回归模型的联立形式，所以称向量自回归 模型。
q 阶移动平均模型，
xt t 1 t 1 2 t 2 q t q q 0 2 E ( t ) 0，Var ( t ) , E ( t s ) 0, s t
特别当
0
时，称为中心化
MA(q) 模型
二、自回归模型
（一） AR模型的定义 1阶自回归模型,记为AR(1)： xt=0+1xt-1+t (1) E(t)=0,Var(t)=2, E(ts)=0, st 若序列是弱平稳的,则 E(xt)=, Var(xt)=0, Cov(xt, xt-k)=k 由(1)可得 E(xt)=0+1E(xt-1) 0 因此

一、问题的引出：非平稳变量与经典 回归模型
⒈常见的数据类型
到目前为止，经典计量经济模型常用到的数据有： • 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
(2) (Xi X)2/n 依概率收敛：P li(m (X iX )2/n )Q n
第（1）条是OLS估计的需要 第（2）条是为了满足统计推断中大样本下的
“一致性”特性：
Plim(ˆ) n
注意：在双变量模型中：
ˆxiui xiui/n
ห้องสมุดไป่ตู้
xi2
xi2/n
Xt= 1Xt-1+2Xt-2…+kXt-k 该随机过程平稳性条件将在第二节中介绍。
三、平稳性检验的图示判断
• 给出一个随机时间序列，首先可通过该序列 的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）。
X t=Xt-1+t 这里， t是一个白噪声。
容易知道该序列有相同的均值：E(Xt)=E(Xt-1) 为了检验该序列是否具有相同的方差，可假设 Xt的初值为X0，则易知:
X1=X0+1 X2=X1+2=X0+1+2 ……
Xt=X0+1+2+…+t
由于X0为常数，t是一个白噪声，因此: Var(Xt)=t2 即Xt的方差与时间t有关而非常数，它是一非平稳 序列。