时间序列平稳性的检验方法时间序列平稳性的检验方法看时序图看时序图计算样本自相关函数计算样本自相关函数单位根检验单位根检验数据的平稳性及其检验平稳性检验的图示判断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）。数据的平稳性及其检验进一步的判断: 检验样本自相关函数及其图形检验样本自相关函数及其图形 随随着着滞滞后后阶阶数数的的增增加加，样样本本自自相相关关函函数数下下降降且且趋趋于于零零。但但从从下下降降速速度度来来看看，平平稳稳序序列列要要比比非非平稳序列快得多。平稳序列快得多。数据的平稳性及其检验例1 从图形看：它在其样本均值它在其样本均值0 0附近上下波动，且样本自相关附近上下波动，且样本自相关系数迅速下降到系数迅速下降到0 0，随后在，随后在0 0附近波动且逐渐收敛于附近波动且逐渐收敛于0 0。因此，初步判断，该随机过程是一个平稳过程。该随机过程是一个平稳过程。 数据的平稳性及其检验例2：该序列具有相同的均值，但从样本自相关图看，虽然自相关系数迅速下降到0，但随着时间的推移，则在0附近波动且呈发散趋势。因此，初步判断，该该随机过程是一个随机过程是一个是非平稳过程是非平稳过程。 数据的平稳性及其检验平稳性的单位根检验平稳性的单位根检验数据的平稳性及其检验 对时间序列的平稳性除了通过图形直观判断外，运用统计量进行统计检验则是更为准确与重要的。 单位根检验（单位根检验（unit root test）是统计检验中普遍应用的一种检验方法。1 1、DFDF检验检验我们已知道，随机游走序列 Xt=Xt-1+t是非平稳的，其中t是白噪声。而该序列可看成是随机模型 Xt=Xt-1+t中参数=1时的情形。数据的平稳性及其检验也就是说，我们对式 Xt=Xt-1+t （*） 做回归，如果确实发现=1，就说随机变量Xt有一个单位根单位根。 （*）式可变形式成差分形式： Xt=(1-)Xt-1+ t =Xt-1+ t (*)检验（*）式是否存在单位根=1，也可通过（*）式判断是否有 =0。数据的平稳性及其检验 一般地一般地: : 检验一个时间序列检验一个时间序列XtXt的平稳性，可通过检验的平稳性，可通过检验带有截距项的一阶自回归模型带有截距项的一阶自回归模型 X Xt t= = + + X Xt-1t-1+ + t t （* *）中的参数中的参数 是否小于是否小于1 1。 或者：或者：检验其等价变形式检验其等价变形式 X Xt t= = + + X Xt-1t-1+ + t t （*）中的参数中的参数 是否小于是否小于0 0 。 数据的平稳性及其检验因此，针对式 X Xt t= = + + X Xt-1t-1+ + t t 我们关心的检验为：零假设零假设 H0： =0。 备择假设备择假设 H1： 0 上述检验可通过上述检验可通过OLS法下的法下的t检验完成。检验完成。 然而，在零假设（序列非平稳）下，即使在大样本下t统计量也是有偏误的（向下偏倚），通常的t 检验无法使用。 Dicky和Fuller于1976年提出了这一情形下t统计量服从的分布（这时的t统计量称为 统统计计量量），即DF分布分布（见表9.1.3）。由于t统计量的向下偏倚性，它呈现围绕小于零值的偏态分布。数据的平稳性及其检验 因此，可通过OLS法估计 X Xt t= = + + X Xt-1t-1+ + t t 并计算t统计量的值，与DF分布表中给定显著性水平下的临界值比较： 如果：如果：t临界值，则拒绝零假设临界值，则拒绝零假设H0： =0，认为时间序列不存在单位根，是平稳的。认为时间序列不存在单位根，是平稳的。数据的平稳性及其检验注意：在不同的教科书上有不同的描述，但是注意：在不同的教科书上有不同的描述，但是结果是相同的。结果是相同的。例如：例如：“如果计算得到的如果计算得到的t统计量的绝对值大于临统计量的绝对值大于临界值的绝对值，则拒绝界值的绝对值，则拒绝=0”的假设，原序列不的假设，原序列不存在单位根，为平稳序列。存在单位根，为平稳序列。数据的平稳性及其检验 进一步的问题进一步的问题：在上述使用 X Xt t= = + + X Xt-1t-1+ + t t对时间序列进行平稳性检验中，实实际际上上假假定定了了时时间间序序列列是是由由具有白噪声随机误差项的一阶自回归过程具有白噪声随机误差项的一阶自回归过程AR(1)生成的生成的。 但但在在实实际际检检验验中中，时时间间序序列列可可能能由由更更高高阶阶的的自自回回归归过过程程生生成成的的，或或者者随随机机误误差差项项并并非非是是白白噪噪声声，这样用OLS法法进进行行估估计计均均会会表表现现出出随随机机误误差差项项出出现现自自相相关关（autocorrelation），导致DF检验无效。 另另外外，如果时间序列包含有明显的随时间变化的某种趋势（如上升或下降），则也容易导致上述检验中的自自相相关关随随机误差项问题机误差项问题。 为了保证DF检验中随机误差项的白噪声特性，Dicky和Fuller对DF检验进行了扩充，形成了ADF（Augment Dickey-Fuller ）检验）检验。 2 2、ADFADF检验检验数据的平稳性及其检验ADF检验是通过下面三个模型完成的：检验是通过下面三个模型完成的： 模模型型3 中中的的t是是时时间间变变量量，代表了时间序列随时间变化的某种趋势（如果有的话）。 检检验验的的假假设设都都是是：针针对对H1: 0,检检验验 H0： =0，即即存存在在一一单单位位根根。模型1与另两模型的差别在于是否包含有常数项和趋势项。数据的平稳性及其检验 实际检验时从模型3开始，然后模型2、模型1。 何时检验拒绝零假设，即原序列不存在单位根，为平稳序列，何时检验停止。否则，就要继续检验，直到检验完模型1为止。 检验原理检验原理与DF检验相同，只是对模型1、2、3进行检验时，有各自相应的临界值。数据的平稳性及其检验同时估计出上述三个模型的适当形式，然后通过ADF临界值表检验零假设H0：=0。1）只只要要其其中中有有一一个个模模型型的的检检验验结结果果拒拒绝绝了了零零假假设设，就可以认为时间序列是平稳的；就可以认为时间序列是平稳的；2）当当三三个个模模型型的的检检验验结结果果都都不不能能拒拒绝绝零零假假设设时时，则则认为时间序列是非平稳的。认为时间序列是非平稳的。这里所谓模模型型适适当当的的形形式式就是在每个模型中选取适当的滞后差分项，以使模型的残差项是一个白噪声（主要保证不存在自相关）。一个简单的检验过程：一个简单的检验过程：数据的平稳性及其检验单整、趋势平稳与差分平稳随机过程单整、趋势平稳与差分平稳随机过程数据的平稳性及其检验 随机游走序列 Xt=Xt-1+t经差分后等价地变形为 Xt=t 由于t是一个白噪声，因此差差分分后后的的序序列列 Xt是平稳的。是平稳的。单整单整数据的平稳性及其检验 一般地，如果一个时间序列经过一般地，如果一个时间序列经过d次差分后变成平稳序列，次差分后变成平稳序列，则称原序列是则称原序列是d 阶单整阶单整（integrated of d）序列序列，记为，记为I(d)。 显然，I(0)代表一平稳时间序列。代表一平稳时间序列。现实经济生活中现实经济生活中:1)只有少数经济指标的时间序列表现为平稳的，只有少数经济指标的时间序列表现为平稳的，如利率等如利率等;2)大大多多数数指指标标的的时时间间序序列列是是非非平平稳稳的的，如如一一些些价价格格指指数数常常常常是是2阶阶单单整整的的，以以不不变变价价格格表表示示的的消消费费额额、收收入入等等常常表表现现为为1阶单整。阶单整。大大多多数数非非平平稳稳的的时时间间序序列列一一般般可可通通过过一一次次或或多多次次差差分分的的形形式式变为平稳的。变为平稳的。但但也也有有一一些些时时间间序序列列，无无论论经经过过多多少少次次差差分分，都都不不能能变变为为平平稳的。这种序列被称为稳的。这种序列被称为非单整的（非单整的（non-integrated）。 如果一个时间序列经过一次差分变成平稳的，就称原如果一个时间序列经过一次差分变成平稳的，就称原序列是序列是一阶单整一阶单整（integrated of 1）序列序列，记为，记为I(1)。数据的平稳性及其检验 趋势平稳与差分平稳随机过程趋势平稳与差分平稳随机过程 前文已指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联关系，这时对这些数据进行回归，尽管有较高的R2，但其结果是没有任何实际意义的。这种现象我们称之为虚虚假假回回归归或或伪伪回回归归（spurious regression）。 如：用中国的劳动力时间序列数据与美国GDP时间序列作回归，会得到较高的R2 ，但不能认为两者有直接的关联关系，而只不过它们有共同的趋势罢了，这种回归结果我们认为是虚假的。数据的平稳性及其检验为了避免这种虚假回归的产生，通常的做法是引入作为趋势变量的时间，这样包含有时间趋势变量的回归，可以消除这种趋势性的影响。然而这种做法，只有当趋势性变量是确确定定性性的的（deterministic）而非随随机机性性的的（stochastic），才会是有效的。换言之，如如果果一一个个包包含含有有某某种种确确定定性性趋趋势势的的非非平平稳稳时时间间序序列列，可可以以通通过过引引入入表表示示这这一一确确定定性性趋趋势的趋势变量，而将确定性趋势分离出来。势的趋势变量，而将确定性趋势分离出来。数据的平稳性及其检验1)如果=1，=0，则（*）式成为一一带带位位移移的的随随机机游走过程游走过程： Xt=+Xt-1+t （*） 根据的正负，Xt表现出明显的上升或下降趋势。这种趋势称为随机性趋势（随机性趋势（stochastic trend）。 2)如果=0，0，则（*）式成为一带时间趋势的随机变化过程： Xt=+t+t （*） 根据的正负，Xt表现出明显的上升或下降趋势。这种趋势称为确定性趋势（确定性趋势（deterministic trend）。 考虑如下的含有一阶自回归的随机过程： Xt=+t+Xt-1+t （*） 其中:t是一白噪声，t为一时间趋势。数据的平稳性及其检验 3) 如果=1，0，则Xt包含有确定性与随机性确定性与随机性两种趋势。两种趋势。 判断一个非平稳的时间序列，它的趋势是随机性的还是确定性的，可通过ADF检验中所用的第3个模型进行。 该模型中已引入了表示确定性趋势的时间变量t，即分离出了确定性趋势的影响。因此，(1)如如果果检检验验结结果果表表明明所所给给时时间间序序列列有有单单位位根根，且且时时间间变变量量前前的的参参数数不不显显著著异异于于零零，则则该该序序列显示出随机性趋势列显示出随机性趋势; (2)如如果果没没有有单单位位根根，且且时时间间变变量量前前的的参参数数显著地异于零，则该序列显示出确定性趋势。显著地异于零，则该序列显示出确定性趋势。数据的平稳性及其检验 随机性趋势可通过差分的方法消除随机性趋势可通过差分的方法消除 如：对式Xt=+Xt-1+t 可通过差分变换为 Xt= +t 该时间序列称为差分平稳过程（差分平稳过程（difference stationary process）；数据的平稳性及其检验确定性趋势无法通过差分的方法消除，而只能确定性趋势无法通过差分的方法消除，而只能通过除去趋势项消除，通过除去趋势项消除，如：对式Xt=+t+t可通过除去t变换为Xt - t =+t该时间序列是平稳的，因此称为趋势平稳趋势平稳过程（过程（trend stationary process）。）。数据的平稳性及其检验