adftest

Увеличенный Более полный Дики тест

Синтаксис

h = adftest(Y)
h = adftest(Y,Name,Value)
[h,pValue] = adftest(___)
[h,pValue,stat,cValue,reg] = adftest(___)

Описание

пример

h = adftest(Y) возвращает логическое значение с решением отклонения от проведения увеличенного Более полного Дики теста для модульного корня в одномерных временных рядах, Y.

пример

h = adftest(Y,Name,Value) дополнительные опции использования заданы одним или несколькими аргументами пары Name,Value.

  • Если какой-либо аргумент Name,Value является вектором, то все заданные аргументы Name,Value должны быть векторами равной длины или длины один. adftest(Y,Name,Value) обрабатывает каждый элемент векторного входа как отдельный тест и возвращает вектор решений отклонения.

  • Если какой-либо аргумент Name,Value является вектором - строкой, то adftest(Y,Name,Value) возвращает вектор - строку.

[h,pValue] = adftest(___) возвращает решение отклонения и p-значение для теста гипотезы, с помощью любого из входных параметров в предыдущих синтаксисах.

пример

[h,pValue,stat,cValue,reg] = adftest(___) дополнительно возвращает тестовую статистическую величину, критическое значение и структуру статистики регрессии для теста гипотезы.

Примеры

свернуть все

Протестируйте временные ряды на модульный корень использование модели авторегрессии по умолчанию без увеличенных условий различия.

Загрузите канадские данные об уровне инфляции.

load Data_Canada
Y = DataTable.INF_C;

Протестируйте временные ряды на модульный корень.

h = adftest(Y)
h = logical
   0

h = 0 результата указывает, что этому тесту не удается отклонить нулевую гипотезу модульного корня против авторегрессивной альтернативы.

Протестируйте временные ряды на модульный корень против стационарной трендом альтернативы, увеличенной с изолированными условиями различия.

Загрузите временные ряды данных о GDP и вычислите его журнал.

load Data_GDP;
Y = log(Data);

Протестируйте на модульный корень против стационарной трендом альтернативы, увеличив модель с 0, 1, и 2 изолированных условия различия.

h = adftest(Y,'model','TS','lags',0:2)
h = 1x3 logical array

   0   0   0

adftest обрабатывает три варианта задержки как три отдельных теста и возвращает вектор с решениями отклонения для каждого теста. h = 0 значений указывает, что всем трем тестам не удается отклонить нулевую гипотезу модульного корня против стационарной трендом альтернативы.

Протестируйте временные ряды на модульный корень против стационарных трендом альтернатив, увеличенных с различными количествами изолированных условий различия. Посмотрите на статистику регрессии, соответствующую каждой из альтернативных моделей, чтобы выбрать, сколько изолированное различие называет, чтобы включать в увеличенную модель.

Загрузите временные ряды данных о GDP и вычислите его журнал.

load Data_GDP;
Y = log(Data);

Протестируйте на модульный корень использование трех различных вариантов для количества изолированных условий различия. Возвратите статистику регрессии для каждой альтернативной модели.

[h,~,~,~,reg] = adftest(Y,'model','TS','lags',0:2);

adftest обрабатывает каждый из трех вариантов задержки как отдельные тесты и возвращает результаты для каждого теста. reg является массивом трех структур данных, соответствуя каждой альтернативной модели.

Отобразите имена коэффициентов, включенных в каждую из этих трех альтернатив.

reg.names
ans = 3x1 cell array
    {'c'}
    {'d'}
    {'a'}

ans = 4x1 cell array
    {'c' }
    {'d' }
    {'a' }
    {'b1'}

ans = 5x1 cell array
    {'c' }
    {'d' }
    {'a' }
    {'b1'}
    {'b2'}

Вывод показывает, какие условия включены в три альтернативных модели. Первая модель не имеет никаких добавленных условий различия, вторая модель имеет один термин различия (b1), и третья модель имеет два условия различия (b1 и b2).

Отобразите t-статистику и соответствующие p-значения для каждого коэффициента в трех альтернативных моделях.

[reg(1).tStats.t reg(1).tStats.pVal]
ans = 3×2

    2.0533    0.0412
    1.8842    0.0608
   61.4717    0.0000

[reg(2).tStats.t reg(2).tStats.pVal]
ans = 4×2

    2.9026    0.0041
    2.7681    0.0061
   64.1396    0.0000
    5.6514    0.0000

[reg(3).tStats.t reg(3).tStats.pVal]
ans = 5×2

    3.2568    0.0013
    3.1249    0.0020
   62.7825    0.0000
    4.7586    0.0000
    1.7615    0.0795

Возвращенная t-статистика и p-значения соответствуют коэффициентам в reg.names. Эти результаты показывают, что коэффициент на первом сроке различия существенно отличается от нуля и во вторых и в третьих моделях, но коэффициент на втором сроке в третьей модели не. Это предлагает увеличиться, модель с одним изолированным термином различия соответствует.

Сравните BIC для каждой из этих трех альтернатив.

reg.BIC
ans = -1.4774e+03
ans = -1.4966e+03
ans = -1.4878e+03

На основе значений BIC выберите модель, увеличенную с одним изолированным термином различия, потому что это имеет лучшее (то есть, самое маленькое) значение BIC.

Входные параметры

свернуть все

Одномерные временные ряды, заданные как вектор-столбец. Последний элемент является новым наблюдением. adftest игнорирует недостающие наблюдения, обозначенные NaN s.

Типы данных: double

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'alpha',0.1,'lags',0:2 задает три теста с 0, 1, и 2 изолированных условия различия, проводимые на 0,1 уровнях значения

Уровни значения для тестов гипотезы, заданных как пара, разделенная запятой, состоящая из 'alpha' и скаляра или вектора. Используйте вектор, чтобы провести несколько тестов. Все значения alpha должны быть между 0.001 и 0.999.

Пример: 'alpha',0.01

Типы данных: double

Количество изолированного различия называет, чтобы включать в модель, заданную как пара, разделенная запятой, состоящая из 'lags' и неотрицательного целого числа или вектора неотрицательных целых чисел. Используйте вектор, чтобы провести несколько тестов.

Пример: 'lags',[0,1,2]

Типы данных: double

Образцовый вариант, заданный как пара, разделенная запятой, состоящая из 'model' и 'AR', 'ARD' или 'TS'. Чтобы провести несколько тестов с различными образцовыми вариантами, используйте массив ячеек, чтобы задать образцовый вариант для каждого теста.

'AR'

Авторегрессивный образцовый вариант, который задает тест пустой модели

yt=yt1+β1Δyt1+β2Δyt2++βpΔytp+εt

против альтернативной модели

yt=ϕyt1+β1Δyt1+β2Δyt2++βpΔytp+εt,

с AR (1) коэффициент, ϕ<1.

'ARD'

Авторегрессивная модель с вариантом дрейфа, который задает тест пустой модели

yt=yt1+β1Δyt1+β2Δyt2++βpΔytp+εt

против альтернативной модели

yt=c+ϕyt1+β1Δyt1+β2Δyt2++βpΔytp+εt,

с коэффициентом дрейфа, c и AR (1) коэффициент, ϕ<1.

'TS'

Стационарный трендом образцовый вариант, который задает тест пустой модели

yt=c+yt1+β1Δyt1+β2Δyt2++βpΔytp+εt

против альтернативной модели

yt=c+δt+ϕyt1+β1Δyt1+β2Δyt2++βpΔytp+εt,

с коэффициентом дрейфа, c, детерминированным коэффициентом тренда, δ и AR (1) коэффициент, ϕ<1.

Пример: 'model',{'AR','ARD'}

Типы данных: char | cell

Протестируйте статистическую величину, заданную как пара, разделенная запятой, состоящая из 'test' и 't1', 't2' или 'F'. Чтобы провести несколько тестов с помощью различной тестовой статистики, используйте массив ячеек, чтобы задать тестовую статистическую величину для каждого теста.

't1'

Стандартная статистическая величина t,

t1=(ϕ^1)se,

вычисленное использование оценки OLS AR (1) коэффициент, ϕ^, и его стандартная погрешность (se), в альтернативной модели.

Тест оценивает значение ограничения, ϕ1=0.

't2'

Настроенный задержкой, unstudentized статистическая величина t,

t2=N(ϕ^1)(1β^1β^p),

вычисленное использование оценок OLS AR (1) коэффициент и стационарные коэффициенты в альтернативной модели. N является эффективным объемом выборки, настроенным для задержек и отсутствующих значений.

Тест оценивает значение ограничения, ϕ1=0.

'F'

Статистическая величина F для оценки значения объединенного ограничения на альтернативную модель.

  • Для образцового различного 'ARD' ограниченияϕ1=0 и c = 0.

  • Для образцового различного 'TS' ограниченияϕ1=0 и δ = 0.

Статистическая величина F недопустима для образцового различного 'AR'.

Пример: 'test',{'t2','F'}

Типы данных: char | cell

Выходные аргументы

свернуть все

Протестируйте решения отклонения, возвращенные как логическое значение или вектор логических значений с длиной, равной количеству проводимых тестов.

  • h = 1 указывает на отклонение корневого модулем пустого указателя в пользу альтернативной модели.

  • h = 0 указывает на отказ отклонить корневой модулем пустой указатель.

Протестируйте статистические p-значения, возвращенные как скаляр или вектор с длиной, равной количеству проводимых тестов.

  • Если тестовой статистической величиной является 't1' или 't2', то p-значения являются вероятностями лево-хвоста.

  • Если тестовой статистической величиной является 'F', то p-значения являются вероятностями правильного хвоста.

Когда тестовые статистические данные являются внешними сведенными в таблицу критическими значениями, adftest возвращает максимум (0.999) или минимум (0.001) p - значения.

Протестируйте статистику, возвращенную как скаляр или вектор с длиной, равной количеству проводимых тестов. adftest вычисляет тестовую статистику с помощью оценок обычных наименьших квадратов (OLS) коэффициентов в альтернативной модели.

Критические значения, возвращенные как скаляр или вектор с длиной, равняются количеству проводимых тестов.

  • Если тестовой статистической величиной является 't1' или 't2', то критические значения для вероятностей лево-хвоста.

  • Если тестовой статистической величиной является 'F', то критические значения для вероятностей правильного хвоста.

Статистические данные регрессии для оценки обычных наименьших квадратов (OLS) коэффициентов в альтернативной модели, возвращенной как массив структуры данных или структуры данных с длиной, равняются количеству проводимых тестов.

Каждая структура данных имеет следующие поля.

Поле Описание
numДлина входного ряда с NaN s удаленный
sizeЭффективный объем выборки, настроенный для задержек
namesИмена коэффициента регрессии
coeffПредполагаемые содействующие значения
seПредполагаемые содействующие стандартные погрешности
CovПредполагаемая содействующая ковариационная матрица
tStatsСтатистика t коэффициентов и p-значений
FStatСтатистическая величина F и p-значение
yMuСреднее значение настроенного задержкой входного ряда
ySigmaСтандартное отклонение настроенного задержкой входного ряда
yHatПодходящие значения настроенного задержкой входного ряда
resНевязки регрессии
DWStatСтатистическая величина Дербин-Уотсона
SSRСумма квадратов регрессии
SSEОшибочная сумма квадратов
SSTПолная сумма квадратов
MSEСреднеквадратичная погрешность
RMSEСтандартная погрешность регрессии
RSqСтатистическая величина R2
aRSqСтатистическая величина Скорректированного R2
LLLoglikelihood данных под Гауссовыми инновациями
AICКритерий информации о Akaike
BICБайесов (Шварц) информационный критерий
HQCКритерий информации о Ханане-Квинне

Больше о

свернуть все

Увеличенный более полный Дики тест для модульного корня

Увеличенный Более полный Дики тест для модульного корня оценивает нулевую гипотезу модульного корня использование модели

yt=c+δt+ϕyt1+β1Δyt1++βpΔytp+εt,

где

  • Δ оператор дифференцирования, такой что Δyt=ytyt1.

  • Количество изолированных условий различия, p, является заданным пользователем.

  • εt является средним нулевым инновационным процессом.

Нулевая гипотеза модульного корня

H0:ϕ=1.

В соответствии с альтернативной гипотезой, ϕ<1.

Варианты модели допускают различные характеристики роста. Модель с δ = 0 не имеет никакого компонента тренда, и модель с c = 0 и δ = 0 не имеет никакого дрейфа или тренда.

Тесту, которому не удается отклонить нулевую гипотезу, не удается отклонить возможность модульного корня.

Алгоритмы

  • adftest выполняет регрессию обычных наименьших квадратов (OLS), чтобы оценить коэффициенты в альтернативной модели.

  • Более полные Дики статистические данные следуют за нестандартными дистрибутивами по нулевой гипотезе (даже асимптотически). Критические значения для области значений объемов выборки и уровней значения были сведены в таблицу с помощью симуляций Монте-Карло пустой модели с Гауссовыми инновациями с пятью миллионами репликаций на объем выборки.

  • Для небольших выборок сведенные в таблицу критические значения только допустимы для Гауссовых инноваций. Для больших выборок сведенные в таблицу значения все еще допустимы для негауссовых инноваций.

  • adftest интерполирует критические значения и p-значения из таблиц. Таблицы для теста вводят 't1', и 't2' идентичны тем для pptest.

Представленный в R2009b

Для просмотра документации необходимо авторизоваться на сайте