Stationarität bedeutet, dass sich die marginale Verteilung des Prozesses mit der Zeit nicht ändert. Eine schwächere Form besagt, dass der Mittelwert und die Varianz über die Zeit gleich bleiben. Also wird alles, was dagegen verstößt, aus irgendwelchen dummen Gründen als instationär angesehen. Zum Beispiel eine deterministischeyt= Sündet ist instationär, da sich sein Mittelwert ständig ändert, obwohl dies ein ziemlich einfacher und vorhersehbarer Prozess ist.
Alle Tests, die Sie in Betracht ziehen, haben eine bestimmte Alternative im Sinn: einen zufälligen Gehprozess
yt= yt - 1+ ϵt
oder eine einfache Änderung (z. B. zusätzliche Verzögerungen)
yt - 2,
yt - 3mit kleinen Koeffizienten). Dies ist ein einfaches Modell eines effizienten Finanzmarktes, an dem keinerlei Informationen verwendet werden können, um zukünftige Preisänderungen vorherzusagen. Die meisten Ökonomen denken, dass ihre Zeitreihen von ARIMA-Modellen stammen. Diese Zeitreihen haben genau festgelegte Zeiträume, in denen Dinge passieren (Monat, Quartal oder Jahr), sodass sie selten schlechter werden als eine integrierte Zeitreihe für sie. Daher sind diese Tests nicht für komplexere Verstöße gegen die Stationarität wie Mittelwertänderung, Varianzänderung, Änderung der autoregressiven Koeffizienten usw. ausgelegt, obwohl offensichtlich auch Tests für diese Effekte entwickelt wurden.
In den Ingenieur- oder Naturwissenschaften treten mit größerer Wahrscheinlichkeit Zeitreihen mit komplizierteren Problemen auf, wie z. B. Abhängigkeit von großer Reichweite, fraktionierte Integration, rosa Rauschen usw. Mangels eindeutiger Anleitung bei der Beschreibung des Prozesses in Bezug auf die typischen Zeitskalen ( Wie oft ändert sich das Klima?) ist es in der Regel sinnvoller, die Daten im Frequenzbereich zu analysieren (für Ökonomen ist der Frequenzbereich klar: Es gibt jährliche saisonale Zyklen sowie längere 3-4-5-jährige Geschäftszyklen ; sonst können nur wenige Überraschungen auftreten).
Im Grunde habe ich dir gesagt, warum du nicht das tun willst, was du dir vorgenommen hast. Wenn Sie Zeitreihen nicht verstehen, ist es besser, jemanden zu finden, der das tut, und die Beratungsgebühr zu zahlen, als Ihr Projekt durcheinander zu bringen, weil Sie etwas Dummes getan haben. Die formale Lösung für Ihr Problem wäre jedoch, die Nullhypothese einer stationären Reihe abzulehnen, wenn für eine bestimmte Reihe mindestens ein Test a hatp-Wert unten 0,05 / ( 3 M) woher M ist die Gesamtzahl der Serien, 3 ist die Anzahl der Tests, die Sie mit ihnen durchführen, 0,05ist das bevorzugte Signifikanzniveau von 5%, und der gesamte Ausdruck wird als Bonferroni-Korrektur für Mehrfachtests bezeichnet. Die Ausgabe zeigt nicht diep-Werte mit ausreichender Genauigkeit, sodass Sie sie als zurückgegebene Klassenmitglieder abrufen müssen, z pp.test(x)$p.value
. Sie werden dies sowieso zyklisch tun, sodass es wahrscheinlich ausreichen würde, wenn Sie die gesamte Ausgabe unterdrücken und nur die Namen der Variablen erzeugen, bei denen die Stationarität fehlschlägt.