Wie kann ich Zeitreihen auswerten? Ist es in Ordnung, nur den ersten Unterschied zu machen und einen Dickey-Fuller-Test durchzuführen, und wenn er stationär ist, sind wir gut?
Ich habe auch online festgestellt, dass ich die Zeitreihen in Stata nachverfolgen kann:
reg lncredit time
predict u_lncredit, residuals
twoway line u_lncredit time
dfuller u_lncredit, drift regress lags(0)
Was ist der beste Ansatz zur Ermittlung von Zeitreihen?
regression
time-series
stata
stationarity
user58710
quelle
quelle
Antworten:
Wenn der Trend deterministisch ist (z. B. ein linearer Trend), können Sie eine Regression der Daten für den deterministischen Trend (z. B. einen konstanten plus Zeitindex) ausführen, um den Trend zu schätzen und aus den Daten zu entfernen. Wenn der Trend stochastisch ist, sollten Sie die Serie abwerten, indem Sie die ersten Unterschiede berücksichtigen.
Der ADF-Test und der KPSS-Test können Ihnen einige Informationen geben, um festzustellen, ob der Trend deterministisch oder stochastisch ist.
Da die Nullhypothese des KPSS-Tests das Gegenteil der Null im ADF-Test ist, kann die folgende Vorgehensweise im Voraus festgelegt werden:
Im Kontext von strukturellen Zeitreihenmodellen können Sie den Daten ein Modell auf lokaler Ebene oder ein Modell mit lokalem Trend zuordnen, um eine Schätzung des Trends zu erhalten und ihn aus der Serie zu entfernen. Das lokale Trendmodell ist wie folgt definiert (das lokale Modell wird mit ):σ2ζ= 0
quelle
Sie haben verschiedene Möglichkeiten, eine Zeitreihe zu analysieren, um sie stationär zu machen:
Die lineare Tendenz ist das, was Sie kopiert haben. Es gibt Ihnen möglicherweise nicht das, was Sie wünschen, wenn Sie einen deterministischen linearen Trend willkürlich festlegen.
Die quadratische Tendenz ähnelt in gewisser Weise der linearen Tendenz, mit der Ausnahme, dass Sie eine "Zeit ^ 2" hinzufügen und ein exponentielles Verhalten annehmen.
Mit dem HP-Filter von Hodrick und Prescott (1980) können Sie die nicht deterministische Langzeitkomponente der Reihe extrahieren. Die Restreihe ist somit die zyklische Komponente. Beachten Sie, dass es sich um einen optimal gewichteten Durchschnitt handelt, der unter einer Verzerrung der Endpunkte leidet (die ersten und letzten 4 Beobachtungen werden falsch geschätzt).
Der Bandpassfilter von Baxter and King (1995), der im Wesentlichen ein Moving Average-Filter ist, bei dem Sie hohe und niedrige Frequenzen ausschließen.
Der Christiano-Fitzgerald-Filter.
Zusammenfassend kann gesagt werden, dass dies von Ihrer Absicht abhängt und dass einige Filter möglicherweise besser für Ihre Anforderungen geeignet sind als andere.
quelle
Vielleicht gibt es mehr als einen Trend. Vielleicht gibt es eine Pegelverschiebung. Möglicherweise hat sich die Fehlervarianz im Laufe der Zeit geändert. In jedem Fall kann eine einfache Abwertung unangemessen sein. Eine gute explorative Analyse gemäß http://www.unc.edu/~jbhill/tsay.pdf sollte verwendet werden, um die Art der Daten / des Modells zu ermitteln.
quelle
Ich schlage vor, einen Blick auf die Singular Spectrum-Analyse zu werfen. Es ist eine nichtparametrische Technik, die grob als PCA für Zeitreihen angesehen werden kann. Eine der nützlichen Eigenschaften ist, dass es Serien effektiv de-trenden kann.
quelle
Sie müssen dieses Thema sorgfältig recherchieren und können hier beginnen.
http://www.stat.pitt.edu/stoffer/tsa3/
Der Schlüssel, den Sie suchen, ist Stationarität oder Nichtstationarität, da die meisten statistischen Tests davon ausgehen, dass die Daten normal verteilt sind. Es gibt verschiedene Möglichkeiten, Daten zu transformieren, um sie stationär zu machen. Detrending ist eine der Methoden, wäre aber für einige Arten von nicht stationären Daten ungeeignet.
Wenn es sich bei den Daten um eine zufällige Wanderung mit Trend handelt, müssen Sie möglicherweise die Differenzierung verwenden.
Wenn die Daten einen deterministischen Trend mit einer saisonalen oder sonstigen Abweichung vom Trend aufweisen, sollten Sie mit einer Abwertung beginnen.
Möglicherweise müssen Sie mit verschiedenen Ansätzen experimentieren.
quelle