首页 理论教育 Augmented Dickey-Fuller检验(ADF检验)详解

Augmented Dickey-Fuller检验(ADF检验)详解

时间:2023-05-25 理论教育 版权反馈
【摘要】:Said-Dickey证明式中γ的DF统计量的分布与式中γ的DF统计量的分布类似。无论是情形1还是情形2发生,如果还用DF检验,都会导致随机扰动项ut存在自相关。而当随机扰动项存在自相关时,直接使用DF检验法会出现偏误,为了保证单位根检验的有效性,对DF检验进行拓展,从而形成了扩展的DF检验,简称为ADF检验。

Augmented Dickey-Fuller检验(ADF检验)详解

以上三个自回归模型对于研究实际经济变量太严格,只允许数据生成过程是一阶自回归,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。

(一)扩展之一:从一阶自回归过程到p阶自回归过程

由于:

(1-γL)-(α1 L+α2 L2+…+αp-1 Lp-1)(1-L)

=1-γL-α1 L+α1 L22 L22 L3-…-αp-1 Lp-1p-1 Lp

=1-(γ+α1)L-(α21)L2-(α32)L3

-…-(αp-1p-2)Lp-1-(-αp-1)Lp

=1-[(γ12+…+γp)-(γ2+…+γp)]L

-[-(γ34+…+γp)+(γ2+…+γp)]L2

-…-[-(γp)+(γp-1p)]Lp-1-(γp)Lp

=1-γ1 L-γ2 L2-…-γp-1 Lp-1p Lp

从而可把式(9-34):yt-(γ1yt-12yt-2+…+γpyt-p)=ut等价地变换为

{(1-γL)-(α1L+α2L2+…+αp-1Lp-1)(1-L)}yt=ut

亦即

yt=γyt-11Δyt-12Δyt-2+…+αp-1Δyt-p+1+ut

当yt中含有单位根时,可以通过如下模型研究γ=1条件下,检验用统计量DF的分布特征。

其中,γ=γ12+…+γp,αj=-[γj+1+…+γj+p],j=1,2,…,p-1

式(9-35)中相对于γDF统计量的分布与式(9-22)中DF统计量的分布近似相同。(9-35)式中的差分项Δyt-j,j=1,2,…,p-1之所以不会对DF统计量的分布产生影响是因为当yt~I(1),则全部Δyt-j~I(0)。yt与Δyt-j的交叉积渐进被忽略。从而使式(9-35)中γ的DF统计量的分布与式(9-22)中γ的DF统计量渐近相同。

当模型(9-34)中含有漂移项α和固定趋势项βt时,对应γ的DF统计量的分布分别与情形2、情形3中DF统计量的分布相同。(www.xing528.com)

(二)扩展之二:扰动项原来不相关变为相关

考虑如下AR(1)过程:

其中,允许随机项ut是一个ARMA(p,q)过程,参数p,q的值也可未知。则可以用下式研究γ和DF统计量的分布。

若γ=1,上式是一个差分的AR(k)过程。加入Δyt滞后项的目的是捕捉式(9-21)误差项ut中的自相关(ut的自相关项对于模型(9-21)来说是移动平均项,所以Δyt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,所以对ut而言的移动平均项vt,t=1,…,q完全可以通过增加ut的滞后项而吸收。进而被足够的Δyt-i项所吸收,并使 近似为一个白噪声过程。

Said-Dickey(1984)证明式(9-37)中γ的DF统计量的分布与式(9-21)中γ的DF统计量的分布类似。当式(9-21)中加入位移项α和趋势项βt时,γ的DF分布分别与 情形1和情形中γ的DF分布类似。

无论是情形1还是情形2发生,如果还用DF检验,都会导致随机扰动项ut存在自相关。而当随机扰动项存在自相关时,直接使用DF检验法会出现偏误,为了保证单位根检验的有效性,对DF检验进行拓展,从而形成了扩展的DF检验,简称为ADF检验。根据上述讨论,要使扰动项无自相关,只需要在原模型加入差分项即可,具体做法如下。

假设基本模型为如下三种类型:

模型Ⅰ:Yt=γYt-1+ut

模型Ⅱ:Yt=α+γYt-1+ut

模型Ⅲ:Yt=α+βt+γYt-1+ut

其中,ut为随机扰动项,它可以是一个一般的平稳过程。为了借用DF检验的方法,将模型变为如下形式:

模型Ⅰ:

模型Ⅱ:

模型Ⅲ:

由于在上述模型中检验原假设H0:γ=1的t统计量的极限分布,同DF检验的极限分布相同,从而可以使用相同的临界值表。

由于实际数据绝大多数具有不同程度的相关性,因而ADF是实证研究的主要工具。但是,如何保证实证结论的准确性还需要考虑滞后阶数的确定。

Δyt滞后项加入检验方程是为校正自相关性,因此,滞后阶数的选取既要截获相关性,同时又要尽量减少信息损失(滞后阶越大,用于估计的有效样本就越少,从而使信息损失越大),基于这一思想,实证中常用的方法有两种。其一,渐近t检验,即对较大的滞后阶p,用t检验确认αi是否显著,若不显著,减少p值直到对应的系数的t值显著。由于t显著是对Δyt-i(~I(0))的系数而言的,故t统计量是渐近有效的,但一般而言,显著性水平应稍高,如α=0.15,或0.20亦可。其二,基于最小信息准则(AIC)来选取滞后阶p,选取较大的滞后阶p,计算对应的AIC,然后减少p,直至AIC最小并基于此确定最终滞后阶。这两种方法确定滞后阶体现了从一般到特殊的思想,即从一般(较大)的p值开始直至最优的滞后阶(或特殊的滞后阶)。

实施上述从一般到特殊的方法确定滞后阶有可能犯过度差分(overdifference)和不足差分(underdifference)的错误,即初始的p值选取得过大(小),使其逐渐减小(增大)的过程中确定了不恰当的滞后阶。然而,从一般到特殊所确定的滞后阶或最小的AIC从实证的角度并不能保证估计残差具有严格的iid性质,而不适当的p值可能导致检验势降低,因而,选取理想的p值并非易事。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈