单位根检验详解.docx
《单位根检验详解.docx》由会员分享,可在线阅读,更多相关《单位根检验详解.docx(13页珍藏版)》请在冰点文库上搜索。
单位根检验详解
第2节单位根检验
由于虚假回归问题的存在,因此检验变量的平稳性是一个必须解
决的问题。
在第十二章中介绍用相关图判断时间序列的平稳性。
这一章则给出序列平稳性的严格的统计检验方法,即单位根检验。
单位根检验有很多方法,这里主要介绍DF和ADF检验。
序列均值为0则无C,序列无时间趋势则无trend
在介绍单位根检验之前,先认识四种典型的非平稳随机过程。
1四种典型的非平稳随机过程
(1)随机游走过程。
2
yt=yt-i+ut,yo=0,utIID(0,-)
其均值为零,方差无限大(?
),但不含有确定性时间趋势。
(见图1a)
2
yt=+yt-i+5,yo=0,utIID(0,-)
其中〉称作位移项(漂移项)。
由上式知,E(yi)=:
(过程初始值的期望)。
将上式作如下迭代变换,
t
yt=+yt-i+ut=+(+yt-2+ut-i)+ut=…=t+yo+'u
i-4
tt
yt由确定性时间趋势项t和yo5组成。
可以把yo+'5看作随机
iAiJ
的截距项。
在不存在任何冲击Ut的情况下,截距项为y。
。
而每个冲
击Ut都表现为截距的移动。
每个冲击Ut对截距项的影响都是持久的,导致序列的条件均值发生变化,所以称这样的过程为随机趋势过程
(stochastictrendprocess),或有漂移项的非平稳过程(non-stationaryprocesswithdrift),见图2,虽然总趋势不变,但随机游走过程围绕趋势项上下游动。
由上式还可以看出,[是确定性
时间趋势项的系数(原序列%的增长速度)。
[为正时,趋势向上;-为负时,趋势向下。
因为对yt作一次差分后,序列就平稳了,
丄yt=yt-yt-1=:
+ut(平稳过程)
所以也称yt为差分平稳过程(difference-stationaryproces)?
是厶yt序列的均值,原序列yt的增长速度。
(3)趋势平稳过程
yt=0+1t+ut,ut=ut-1+vt,(‘<1,vtIID(0,2))
yt与趋势值飞+喘不同,差值为ut。
因为ut是平稳的,yt只会
暂时背离趋势。
yt+k的长期预测值将趋近于趋势线n+r(t+k)。
所以称
其为趋势平稳过程(trendstationaryprocess。
趋势平稳过程由确定
性时间趋势it所主导。
趋势平稳过程见图3,属于非平稳过程。
趋势平稳过程也称为退势平稳过程,因为减去趋势后,其为平稳过程,yt-it=0+ut。
yt='o+it+ut不必通过差分变为平稳过程。
因为趋势平稳过程的差分过程是过度差分过程。
yt=-1+ut-ut-i。
移动平均特征方程中含有单位根。
trendstationaryprocess
50
40
30
20
10
0
-10
-■■■I■■■■-■■■■■■■■■"■■■■■■■■■■■■■■■■-a■■■■||■■r■||■I■■■■■i■
50100l5020025030035。
400
图3yt=0.05+0・1t+AR
(1),=0・8生成的序列
(4)趋势非平稳过程
yt=0+t+yt-i+ut,y0=0,utIID(0,二2)
其中0称作位移项(漂移项),:
•t称为趋势项。
上式是含有随机趋
势和确定性趋势的混合随机过程(见图4)。
图4y=0・01+0・01t+yt-i+山utIID(0,-2)生成的序列
对上式进行迭代运算(设定yo=0)
yt=i+t+yt-1+ut=l+t+[i+(t-1)+yt-2+ut-1]+ut
t
==y0+it+(t)t-(1+2+…+t)+'山
iT
tt
=yo+it+t2一(1+t)t+、u=(」一)t+二t2+、w,
2y22i吕
趋势非平稳过程是含有随机趋势和确定性趋势的混合过程。
趋势项中
包括t的1次和2次项。
这种过程在经济问题中非常少见。
下面分析随机趋势过程与平稳的AR
(1)过程的区别。
对于如下过程:
yt=0+1yt-1+Ut
当1=1时,yt是一个随机趋势过程;当11时,yt是一个均
值为亠的平稳过程。
1-%
随机趋势过程yt=0.1+yt-1+ut和带有漂移项的平稳过程yt=4+0.6yt-1+ut的比较见下图。
差别在于随机趋势过程的自回归系数为1,带有漂移项的平稳过程的自回归系数绝对值小于1。
40
30
20
10
0
-10
-20
stochastictrend一..AR⑴withmean
5DT10OT1^lr20Or25OT30^35^400
图5随机趋势过程和带有漂移项的平稳过程的比较
2、DF分布
(1)DF统计量的分布特征
三个简单的自回归模型:
yt=
叽5,yo=0,
utIID(0,r2)
(13.1)
yt=
「uw,yo=
2
0,utIID(0,-)
(13.2)
yt=
'■亠:
t■:
yt」ut,
2
yo=0,utIID(0,")
(13.3)
其中■是漂移项,:
t是趋势项。
当真值1<1时,%是平稳的,当1=1时,yt是非平稳的。
现在以(13.1)式为例,讨论?
的分布特征如何。
若1=0,统计量t(?
)=二、t(T-1),其极限分布为标准正态分布。
s(?
)
若-<1,统计量t(?
)=()渐近服从标准正态分布。
当一:
=1时,变量非平稳,上述极限分布发生退化(方差为零)
定义DF统计量为:
DF=^
(2)DF统计量的分布特征与百分位数表
取样本容量T=100,分别用(13.3)、(13.2)和(13.1)各模拟10000次得到的DF的分布见图11。
红、绿、黑色直方图分别代表对应式子DF统计量的分布。
随着确定项的增加,分布越来越向左移。
黑色DF分布近似于t分布,但整体向左大约移动了1.6个单位。
图11DF统计量分布的蒙特卡罗模拟
Full(佃76)用蒙特卡罗模拟方法得到DF统计量的百分位数表,见附表5。
(3)进一步讨论
以上三个自回归模型对于研究实际经济变量太严格,还应该进一步讨论在AR(p)模型条件下,随机误差项非白噪声条件下,检验用统计量的分布特征。
(i)对于AR(p)过程
yt=1yt-1+2*2+…+pyt-p+u(13.4)
当%中含有单位根时,可以通过如下模型研究[=1条件下,检验用统计量DF的分布特征。
pj
yt=yt-1+'jyz+ut(13.5)
pp
其中-'i,j*=-v1,j=1,2,p,T。
i4T1
i为(13.4)式中的自回归系数。
为什么可以通过(13・5)式进行研
究呢?
看一个例子。
yt=iyt-i+2yt-2+3yt-3+u
上式右侧同时加减2yt-i,3yt-i,3yt-2然后合并同类项,
yt=iyt-i+2yt-i+3yt-i-2yt-i+2yt-2-3yt-i-3yt-2
+3yt-2+3yt-3+ut
=(i+2+3)yt-i-2yt-i-3yt-i-3yt-2+ut
=(i+2+3)yt-i-(2+3)yt-i-3yt-2+Ut
=-yt-i-i*yt-i-2*yt-2+ut
2
=:
yt-i4】〔叽+ut
j二
_3
其中1=\i,
iA
3
j*=-'i,j=i,2。
(i3.5)式中1的DF统计量的分布与yt=iyt-i+ut中]的DF统计
量的分布近似相同。
(i3.5)式中的差分项上yt-j,j=i,2,…,pT之
所以不会对DF统计量的分布产生影响是因为当ytI(i),则全部的
yt-jI(0)oyt与,yt-j的交叉积渐进被忽略,从而使两式中的DF
统计量的分布渐近相同。
当模型(i3・4)中含有位移项"■和趋势项:
t时,相应于1的DF统
计量的分布分别与模型(i3.2)和(i3・3)的DF统计量的分布渐近
相同
(ii)现在进一步放宽对yt的限制。
考虑如下AR
(1)过程
yt=yt-i+ut(13.6)
其中允许yt是一个ARMA(p,q),随机项ut是一个MA(q)过程(即
误差项ut中的自相关),甚至参数p,q的值也可未知。
则可以用下式研究:
和DF统计量的分布。
k
yt=?
yt-i+、?
yt-i+?
t(13.7)
i二
若一:
=1,上式是一个差分的AR(k)过程。
加入5滞后项的目的是捕捉(13.6)式误差项ut中的自相关。
(ut的自相关项对于模型(13.6)来说是移动平均项,所以「y滞后项的加入可以捕捉之。
)因为可逆的移动平均过程可以转化为一个无限阶的自回归过程,从而使?
t近似为一个白噪声过程。
Said-Dickey(1984)证明(13・7)式中]的DF统计量的分布与
(13.6)式中1的DF统计量的分布类似。
当(13・7)式中加入位移项
"■和趋势项:
t时,1的DF分布类似。
3、单位根检验
对于时间序列yt可用如下自回归模型检验单位根。
yt=yt-1+ut,
零假设和备择假设分别是:
Ho:
=1,
(yt非平稳)
H1:
<1,
(yt平稳)
在零假设成立条件下,用DF统计量进行单位根检验
DF=豊=——1
心响ytr
其中s(U)=;丄送Ut2叮-1^
若用样本计算的
DF>临界值,贝S接受Ho,yt非平稳;
DF<临界值,贝S拒绝Ho,yt是平稳的
图12单位根检验示意图
、卜\、、八
注意
(1)因为用DF统计量作单位根检验,所以此检验称作DF检
验(由Dickey-Fuller提出)。
(2)DF检验采用的是OLS估计。
(3)DF检验是左单端检验。
因为1>1意味着强非平稳,1<1意味着平稳。
当接受1<1,拒绝1=1时,自然也应拒绝1>1。
上述DF检验还可用另一种形式表达。
yt=:
yt-1+ut式两侧同减yt-1,得
yt=(-1)yt-1+ut,
令丫=:
-1,代入上式得厶y=「yt-1+ut,
与上述零假设和备择假设相对应,用于模型的零假设和备择假设是
Ho:
'=0,(y非平稳)
Hl:
P<0,(yt平稳)
这种变化并不影响DF统计量的值,所以检验规则仍然是:
若DF>临界值,则%是非平稳的;
若DF<临界值,则yt是平稳的。
这种检验方法是DF检验的常用方法。
(便于在计算机上实现)
举例说明以上两种单位根检验方法的DF值相同。
用同一组数据
yt得到的两个回归结果如下(括号内给出的是标准差),
y=0.1474yt-1
(13.8)
(0.1427)
s.e.=
:
0.87,
DW=
=1.93
?
t=0.8526yt-1
(13.9)
(0.1427)
s.e.=
:
0.87,
DW=
=1.93
对应(13.8)式,因零假设是1=1,所以统计量的计算方法是
对应(13.9)式,因零假设是「=0,所以统计量的计算方法是
两种计算方法的结果相同。
因为-5.97<-1.95(临界值),所以拒绝
Ho,认为yt是平稳的
注意:
(1)式子厶yt=5+u中‘yt和yt-1的下标分别为t和t-1,计
算时不要用错!
(2)在实际检验中,若Ho不能被拒绝,说明yt是非平稳序列(起码为一阶非平稳序列)。
接下来应该继续检验yt的平稳性。
即
2
yt=yt-i+ut,
直至结论为平稳为止。
从而获知yt为几阶单整序列
(3)当检验式中含有位移项」和趋势项:
t时
yt=l+yt-i+ut
yt=l+t+yt-i+ut
也可以把检验式写成如下形式
yt=J+'yt-i+ut
yt=i+:
t+「yt-i+ut
检验用临界值应分别从附表5的b,c部分中查找。
(4)厶yt=,yt-i+Ut的残差序列?
t不能存在自相关。
如存在自相关,说明yt不是一个AR(i)过程,则不能使用DF检验。
以上方法只适用于AR(i)过程的单位根检验。
当时间序列为AR(p)形式,或者由以上形式检验得到的残差序列存在自相关时,应米用如
下形式检验单位根。
k
yt=?
yt-i+'?
yt-i+v(i3.7)
i=1
因为上式中含有/yt的滞后项,所以对于’=0(yt非平稳)的检验称为增项DF检验或ADF检验。
、卜\、、八
注意:
(1)(13.7)式中yt滞后项个数k的选择准则是:
尽量小,以保持更大的自由度;充分大以消除Vt内的自相关。
(2)在前面已经证明,上式中检验单位根的统计量近似服从标准的DF分布,所以检验用临界值可以从附表5a部分中查找。
(3)当(13.7)式中含有位移项和趋势项:
t时,相应ADF检验用临界值应分别从附表5b,c部分中查找。
(4)因为实际经济时间序列一般不会是一个AR
(1)过程,所以最常用的单位根检验方法是ADF检验(增项DF检验)。
实际中并不知道被检验序列属于哪一种形式,怎样选择单位根检
验式呢?
一般方法是当被检验序列中存在趋势项时,则应该采用
(13.2)式和(13.3)式。
如不存在趋势项时,则应该采用(13.1)式。