趋势平稳与差异平稳过程
非平稳过程
平稳随机过程是许多计量经济学时间序列模型的组成部分。然而,许多观测到的时间序列具有与平稳性假设不一致的经验特征。例如,下面的图表显示了从1947年到2005年的季度美国GDP。在这个系列中有一个非常明显的上升趋势,应该将其纳入该过程的任何模型中。
负载Data_GDPplot(Data) xlim([0,234])《1947-2005年美国季度GDP》)
趋势平均值是对平稳性的常见破坏。具有趋势均值的非平稳级数有两种流行的模型。
趋势平稳:平均趋势是确定的。一旦趋势被估计出来并从数据中去除,剩余序列就是一个平稳的随机过程。
不同固定:平均趋势是随机的。微分级数D次数产生一个平稳的随机过程。
确定性趋势和随机趋势之间的区别对过程的长期行为具有重要意义:
具有确定性趋势的时间序列在长期内总是会恢复到趋势(冲击的影响最终会被消除)。预测区间宽度恒定。
具有随机趋势的时间序列永远不会从对系统的冲击中恢复(冲击的影响是永久性的)。预测间隔随着时间的推移而增加。
不幸的是,对于任何有限数量的数据,都存在一种确定性和随机趋势,它同样适合数据(Hamilton, 1994)。单位根检验是一种工具,用于评估观测序列中随机趋势的存在。
趋势平稳
你可以写出一个趋势平稳的过程,yt,因为
地点:
是确定的平均趋势。
是均值为零的平稳随机过程。
在某些应用中,趋势是最重要的。时间序列分解方法侧重于分解 分成不同的趋势来源(例如,长期趋势成分和季节成分)。可以使用过滤器(移动平均)非参数地分解序列,也可以使用回归方法参数地分解序列。
给出一个估计 ,你可以探索残差级数 对于自相关,并可选择使用平稳随机过程模型进行建模。
不同固定
在Box-Jenkins建模方法中[2]时,对非平稳时间序列进行差分,直至达到平稳。你可以写出一个差分平稳过程,yt,因为
地点:
是一个Dth阶差分算子。
是一个无限次滞后算子多项式,具有绝对可和系数且所有根都在单位圆外。
是一个均值为零的不相关创新过程。
通过差分可以使时间序列平稳的称为时间序列集成流程。具体地说,当D要使一个级数平稳需要差分,这个级数就是有序的积分D,表示我(D).过程与D≥1常被认为有a单位根.
参考文献
[1] j.d.汉密尔顿时间序列分析.普林斯顿,新泽西州:普林斯顿大学出版社,1994。
[2]博克斯,g.e.p, g.m.詹金斯,g.c.赖塞尔。时间序列分析:预测与控制.恩格尔伍德悬崖,新泽西州:普伦蒂斯大厅,1994年。