R의 확장 된 Dickey Fuller 테스트의 지연 이해

$k$adf.test$k$

Dickey-Fuller = -3.9828, Lag order = 4, p-value = 0.01272
alternative hypothesis: stationary 
# 103^(1/3)=k=4 


Dickey-Fuller = -2.7776, Lag order = 0, p-value = 0.2543
alternative hypothesis: stationary
# k=0

Dickey-Fuller = -2.5365, Lag order = 6, p-value = 0.3542
alternative hypothesis: stationary
# k=6

PP 테스트 결과와 함께 :

Dickey-Fuller Z(alpha) = -18.1799, Truncation lag parameter = 4, p-value = 0.08954
alternative hypothesis: stationary 

데이터를 살펴보면 기본 데이터가 비정상적이라고 생각하지만 여전히 의 역할을 이해하지 못하기 때문에 이러한 결과를 강력한 백업으로 간주하지 않습니다.$k$ 매개 변수 . 내가 분해 / stl을 보면 나머지 또는 계절적 변동으로 인한 작은 기여와는 대조적으로 경향이 강한 영향을 미친다는 것을 알 수 있습니다. 내 시리즈는 분기 별 빈도입니다.

힌트가 있습니까?

ADF 테스트를 살펴본 지 오래되었지만, 두 가지 버전의 adf 테스트를 기억합니다.

http://www.stat.ucl.ac.be/ISdidactique/Rhelp/library/tseries/html/adf.test.html

http://cran.r-project.org/web/packages/fUnitRoots/

fUnitRoots 패키지에는 adfTest ()라는 함수가 있습니다. "트렌드"문제는 해당 패키지에서 다르게 처리된다고 생각합니다.

편집 ------ 다음 링크의 14 페이지부터 adf 테스트의 4 가지 버전 (uroot 중단)이있었습니다.

http://math.uncc.edu/~zcai/FinTS.pdf

하나 더 링크. 다음 링크에서 섹션 6.3을 읽으십시오. 지체 기간을 설명하는 것보다 훨씬 더 나은 일을합니다.

http://www.yats.com/doc/cointegration-en.html

또한 계절 모델에주의를 기울일 것입니다. 계절성이 있는지 확실하지 않으면 계절 용어를 사용하지 마십시오. 왜? 계절 용어로 분류 할 수 있습니다. 다음은 두 가지 예입니다.

#First example: White noise
x <- rnorm(200)

#Use stl() to separate the trend and seasonal term
x.ts <- ts(x, freq=4) 
x.stl <- stl(x.ts, s.window = "periodic")
plot(x.stl)

#Use decompose() to separate the trend and seasonal term
x.dec <- decompose(x.ts)
plot(x.dec)

#===========================================

#Second example, MA process
x1 <- cumsum(x)

#Use stl() to separate the trend and seasonal term
x1.ts <- ts(x1, freq=4)
x1.stl <- stl(x1.ts, s.window = "periodic")
plot(x1.stl)

#Use decompose() to separate the trend and seasonal term
x1.dec <- decompose(x1.ts)
plot(x1.dec)

아래 그래프는 위의 plot (x.stl) 문에서 가져온 것입니다. stl ()은 화이트 노이즈에서 작은 계절 항을 찾았습니다. 용어가 너무 작아서 실제로 문제가되지 않을 수 있습니다. 문제는 실제 데이터에서 해당 용어가 문제인지 아닌지 모른다는 것입니다. 아래 예에서 추세 데이터 계열에는 필터링되지 않은 원시 데이터 버전처럼 보이는 세그먼트와 원시 데이터와 크게 다른 것으로 간주 될 수있는 다른 세그먼트가 있습니다.

k 매개 변수는 직렬 상관을 해결하기 위해 추가 된 일련의 지연입니다. ADF의 A는 지연을 추가하여 테스트를 보강 함을 의미합니다. ADF에서 지연 수의 선택은 다양한 방법으로 수행 될 수 있습니다. 일반적인 방법은 선험적으로 선택된 많은 수의 지연으로 시작하고 가장 긴 지연이 통계적으로 유의할 때까지 순차적으로 지연 수를 줄이는 것입니다.

ADF에서 지연을 적용한 후 잔차의 직렬 상관 관계를 테스트 할 수 있습니다.