如何知道时间序列是固定的还是非固定的?


30

我使用R,我搜索在谷歌和了解到kpss.test()PP.test()adf.test()用来了解时间序列的平稳性。

但是我不是统计学家,他可以解释他们的结果

> PP.test(x)

     Phillips-Perron Unit Root Test
data:  x 
Dickey-Fuller = -30.649, Truncation lag parameter = 7, p-value = 0.01

> kpss.test(b$V1)

  KPSS Test for Level Stationarity
  data:  b$V1 
  KPSS Level = 0.0333, Truncation lag parameter = 3, p-value = 0.1

Warning message:
In kpss.test(b$V1) : p-value greater than printed p-value
> adf.test(x)

    Augmented Dickey-Fuller Test

data:  x 
Dickey-Fuller = -9.6825, Lag order = 9, p-value = 0.01
alternative hypothesis: stationary

Warning message:
In adf.test(x) : p-value smaller than printed p-value

我正在处理数千个时间序列,请告诉我如何定量检查时间序列的平稳性。

Answers:


22

要测试一个序列是平稳的还是非平稳的,需要考虑一系列可选假设。每个可列出的高斯假设一个。必须理解高斯假设与误差过程有关,与被评估的观测序列无关。正如StasK正确总结的那样,这可能包括对平稳性的违反,例如均值变化,方差变化,模型参数随时间的变化。例如,一组值的上升趋势将是该序列的表面上的一个例子,该序列在Y中不是恒定的,而来自合适模型的残差可以描述为具有恒定的均值。因此,原始序列的均值是非平稳的,而剩余序列的均值是平稳的。如果在残差序列中有未缓解的均值违规,例如脉冲,水平移动,季节性脉冲和/或本地时间趋势,则残差序列(未处理)的均值可以定为不稳定,而一系列指标变量可以是易于检测并将其合并到模型中,以使模型残差平均保持不变。现在,如果原始序列的方差表现出非平稳方差,则压缩过滤器/模型以呈现具有恒定方差的误差过程是非常合理的。同样,模型中的残差可能具有非恒定方差,需要三种可能的补救方法之一- 然后可以通过季节性脉冲和/或本地时间趋势将残差序列(未处理)表征为均值非平稳,而可以轻松检测到一系列指标变量并将其纳入模型,以使模型残差在均值中保持平稳。现在,如果原始序列的方差表现出非平稳方差,则压缩过滤器/模型以呈现具有恒定方差的误差过程是非常合理的。同样,模型中的残差可能具有非恒定方差,需要三种可能的补救方法之一- 然后可以通过季节性脉冲和/或本地时间趋势将残差序列(未处理)表征为均值非平稳,而可以轻松检测到一系列指标变量并将其纳入模型,以使模型残差在均值中保持平稳。现在,如果原始序列的方差表现出非平稳方差,则压缩过滤器/模型以呈现具有恒定方差的误差过程是非常合理的。同样,模型中的残差可能具有非恒定方差,需要三种可能的补救方法之一- 现在,如果原始序列的方差表现出非平稳方差,则压缩过滤器/模型以呈现具有恒定方差的误差过程是非常合理的。同样,模型中的残差可能具有非恒定方差,需要三种可能的补救方法之一- 现在,如果原始序列的方差表现出非平稳方差,则压缩过滤器/模型以呈现具有恒定方差的误差过程是非常合理的。同样,模型中的残差可能具有非恒定方差,需要三种可能的补救方法之一-

  1. 加权最小二乘(一些分析家普遍忽略了)
  2. 进行功率转换以使期望值与通过Box-Cox测试和/或可识别的误差的方差解耦
  3. 需要GARCH模型来说明残差平方中明显的ARIMA结构。如果参数随时间变化或模型的形式随时间变化继续,那么人们将面临着检测该特征并通过数据分段或使用TAR方法àla Tong对其进行补救的需求。

34

ÿŤ=Ť

ÿŤ=ÿŤ-1个+ϵŤ
ÿŤ-2ÿŤ-3系数较小)。这是有效金融市场的简单模型,在该模型中,任何信息都无法用来预测价格的未来变化。大多数经济学家认为他们的时间序列来自ARIMA模型。这些时间序列具有明确定义的发生事件的时间段(月,季度或年份),因此对于它们而言,它很少比集成时间序列更糟糕。因此,尽管显然也已经开发了针对这些影响的测试,但这些测试并非针对更复杂的平稳性而设计,例如均值变化,方差变化,自回归系数的变化等。

在工程学或自然科学中,您更有可能遇到时间序列,并遇到更复杂的问题,例如远距离依赖,分数积分,粉红色噪声等。由于缺乏典型时间范围的过程描述,因此缺乏清晰的指导(气候变化多久一次?),通常更有意义的是分析频域中的数据(而对于经济学家来说,频域非常清楚:存在年度季节性周期,加上更长的3-4-5年商业周期) ;否则,几乎不会出现任何意外)。

p0.05/3中号中号30.05ppp.test(x)$p.value


4

如果时间序列的平均水平和方差随时间保持稳定,则该时间序列是固定的。您可以在我们的文章中阅读有关此主题的更多信息(以及R中相关测试的规范) 。http://www.statosphere.com.au/check-time-series-stationary-r/


1
最新评论,但是您的意思是均值和方差随着时间的推移保持稳定?对于给定的数据集,均值和方差分别是对的,对吗?还是意味着数据的所有子集的均值/变量必须相等?
Erik Vesterlund

2
我看了链接页面。据指出,“ Ljung-Box检验检查了在滞后1-20时是否存在非零相关性的显着证据。小的p值(即小于0.05)表明该序列是平稳的。” 结论是完全错误的。零是观察值是iid。基于较小的p值拒绝空值仅表示存在至少一个显着的滞后。网站上的结论意味着,平稳性至少需要一个滞后才能实现显着的自相关。那是不对的。
random_guy
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.