ADF 和 KPSS 单位根检验的结果相互矛盾

机器算法验证 时间序列 平稳性 单位根 增强的 dickey-fuller kpss测试
2022-02-27 21:44:53

为了检查数据是否平稳，我计算了 KPSS 和 ADF 测试并得到以下结果

adf.test(td,alternative = "stationary")

    Augmented Dickey-Fuller Test

data:  td
Dickey-Fuller = -3.7212, Lag order = 3, p-value = 0.03058
alternative hypothesis: stationary

在这里，p 值 <0.05，这表明数据是平稳的。

kpss.test(td, null="Level")
Warning message:
In kpss.test(td, null = "Level") : p-value smaller than printed p-value
KPSS Test for Level Stationarity

data:  td
KPSS Level = 1.7174, Truncation lag parameter = 1, p-value = 0.01

kpss.test(td, null="Trend")


    KPSS Test for Trend Stationarity

data:  td
KPSS Trend = 0.17075, Truncation lag parameter = 1, p-value = 0.02938

在这里，数据似乎是可接受的水平平稳性和趋势平稳性，因为 p 值小于 0.05。由于 ADF 和 KPSS 的结果相互矛盾，我很困惑数据是否平稳。如果我的理解在某处有误，或者在这种情况下我是否需要进行更多测试，请告诉我。

4个回答

请看我对以下问题的回答。平稳检验和单位根检验有什么区别？这是答案中最重要的部分：

如果您有一个时间序列数据集，它通常如何出现在计量经济时间序列中，我建议您应该同时应用单位根检验：（增强的）Dickey Fuller 或 Phillips-Perron，具体取决于基础数据的结构和 KPSS 检验。

案例1：单位根检验：你不能拒绝；KPSS 测试：拒绝。两者都暗示该系列具有单位根。H0H0

案例 2：单位根检验：拒绝。KPSS 测试：不要拒绝。两者都暗示该系列是静止的。H0H0

案例 3如果我们不能拒绝这两个测试：数据没有提供足够的观察结果。

案例 4拒绝单位根，拒绝平稳性：两个假设都是分量假设——系列中的异方差可能会产生很大的差异；如果存在结构性中断，则会影响推理。

编辑：在案例 4 中，一种更深刻的方法是应用方差比测试。如果数据是“在平稳性和单位根之间”，则方差比测试会为您呈现一个介于 0 和 1 之间的值。由于方差比检验不仅确认或拒绝原假设，而且为您提供连续值，因此它可以更详细地捕获混合。它还可以让您深入了解数据的可视化。

“在这里，数据似乎可以接受水平平稳性和趋势平稳性，因为 p 值小于 0.05。”
KPSS 的 H0 是数据是平稳的。那么我们不应该拒绝 H0（p 值 <0.05）并推断非平稳吗？

您没有将检验统计量（ADF 统计量和 KPSS 统计量）与临界值进行比较，而只是查看 p 值。如果您检查，它们仍然有可能给出相互矛盾的结果。但结果将是 ADF 说它是静止的，而 KPSS 说它是非静止的。这意味着不存在单位根，平稳性是趋势平稳性。

有一个可重现的例子来更好地测试和理解会很好。

就是说，我是从我这些天学习的无知的深度讲的，并且遇到了与您完全相同的问题。

我最终发现在我的时间序列中，我有多行具有相同的时间戳（例如[[2020-05-22, 20], [2020-05-21, 10], [2020-05-12, 5],[2020-05-22, 20], [2020-05-21, 10], [2020-05-12, 5]]）。这是由于存在另一个功能，使这些条目对于其他计算是必需的。

但事实证明，拥有这些重复项会产生问题，我通过在获得 KPSS 和 ADF 消化的新数据帧之前总结这些值来解决这个问题。在这一点上，他们俩都揭示了非平稳性。也许OP的情况是一样的。

感谢另一个答案，我想我也从中学到了一些东西。

其它你可能感兴趣的问题
上一篇Bonferroni 校正和机器学习 下一篇当 SOM 有很多节点时，自组织地图与 k-means