【Eviews实战】——时序的平稳性检验

简介: 【Eviews实战】——时序的平稳性检验

目的:熟悉eviews基本操作, 为避免回归问题中产生 “伪回归”问题,对于时间序列,需要对其进行平稳性检验。

该篇文章对1985-2006年我国人均食品消费支出、人均消费支出及城镇居民消费价格指数数据进行平稳性检验,并利用消除非平稳性后的数据进行回归分析。文章涉及ADF检验;τ \tauτ检验;t检验等。

1 数据背景

  我国1985-2006年人均食品消费支出、人均消费支出、城镇居民消费价格指数数据,数据来源于实验课数据文件,具体数据如表1。

2 时序可视化

  利用eviews10.0绘制1985-2006年我国人均食品消费支出、人均消费支出、城镇居民消费价格指数时序图:

  由图1可以看出,人均食品消费支出和人均消费支出数据明显存在趋势项和截距项,接下来利用ADF单位根检验并判断其所属类型。

3 平稳性检验

  首先检验原序列的平稳性,根据ADF检验模型:

  利用eviews10.0分别对三个模型进行ADF检验得到结果:

①模型3:

  结果显示,τ \tauτ统计量显示结果不拒绝显著性水平为0.05的原假设,继续模型2的单位根检验。

②模型2:

  结果显示,τ \tauτ统计量显示结果不拒绝显著性水平为0.05的原假设,继续模型1的单位根检验。

③模型1:

  结果显示,τ \tauτ统计量显示结果不拒绝显著性水平为0.05的原假设,三种模型检验均未通过显著性检验,说明原序列是非平稳序列,且三种情形下,检验模型对应的AIC、SC、HQ值如表5所示。

  由表5单位根检验可知,综合三种情况下的AIC、SC、HQ信息准则的值可知,第1种情形的值最小,即该序列为不存在趋势项和截距项的单位根过程。继续检验其一阶差分后的序列是否平稳。

4 一阶差分后序列

  根据ADF检验模型:

  其中,2Yt表示对Yt进行两次差分。

  利用eviews10.0分别对三个模型进行ADF检验得到结果:

①模型3:

  结果显示,τ \tauτ统计量显示结果拒绝显著性水平为0.05的原假设,同时,趋势项@TREND(“1985”)通过显著性水平为0.05的显著性检验,可得到我国人均食品消费支出的1阶差分序列是平稳的,但截距项未通过显著性水平为0.05的显著性检验,为使结果比较更为细致,继续进行模型2、模型1的单位根检验。

②模型2:

  结果显示,τ \tauτ统计量显示结果拒绝显著性水平为0.05的原假设,同时,截距项通过显著性水平为0.05的显著性检验。

③模型1:

  结果显示,τ \tauτ统计量显示结果拒绝显著性水平为0.05的原假设。

  根据一阶差分后结果显示,3个模型均通过显著性水平为0.05的显著性检验,模型3趋势项通过显著性检验,但截距项未通过显著性检验,模型2截距项通过显著性检验,进一步结合检验模型对应的AIC、SC、HQ值,如表3所示。

  由表9单位根检验可知,综合三种情况下的AIC、SC、HQ信息准则的值可知,第3种情形的值最小,即该序列y(我国人均食品消费支出)的一阶差分序列是平稳序列,即一阶单整,计为I(1),同理对x1(人均消费支出)、x2(城镇居民消费价格指数)进行平稳性检验发现,两序列均为一阶单整,计为I(1),一阶差分后人均消费支出的模型3和城镇居民消费价格指数的模型1对应结果分别为:

②模型3:

③模型1:

  通过显著性水平为0.05的显著性检验。

  通过差分法消除非平稳数据后,建立回归模型:

  其中,Yt表示我国人均食品消费支出变化量,Xt表示人均消费支出变化量,X2t表示城镇居民消费价格指数。

  通过eviews10.0得到回归结果:

  通过回归结果显示,回归方程为:

   通过回归结果显示,回归方程为:

   回归结果表明Yt变化的63.36%可由人均消费支出和城镇居民消费价格指数的变化来解释,且人均食品消费支出与人均消费支出变化同向变动,与城镇居民消费价格指数变化反向变动,在0.05的显著性水平下,参数X1tX2t通过0.05显著性水平的t检验,且0<0.213647<1,表明当期人均消费支出每增加1元,人均食品消费支出增加0.213647,符合经济学意义。

相关文章
|
6月前
|
机器学习/深度学习 数据可视化 vr&ar
数据分享|SAS与eviews用ARIMA模型对我国大豆产量时间序列预测、稳定性、白噪声检验可视化
数据分享|SAS与eviews用ARIMA模型对我国大豆产量时间序列预测、稳定性、白噪声检验可视化
|
6月前
时间序列分析实战(九):时序的协整关系检验
时间序列分析实战(九):时序的协整关系检验
|
6月前
|
数据可视化 数据挖掘 Python
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化(下)
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化
|
6月前
|
数据可视化 API 开发者
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化(上)
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化
|
6月前
时间序列分析实战(八):时序的格兰杰因果检验
时间序列分析实战(八):时序的格兰杰因果检验
|
6月前
|
数据处理
时间序列分析实战(一):时序平稳性和白噪声检验
时间序列分析实战(一):时序平稳性和白噪声检验
|
6月前
|
数据可视化 语音技术
时间序列分析实战(三):时序因素分解法
时间序列分析实战(三):时序因素分解法
|
6月前
|
数据挖掘
R语言稀疏主成分分析、因子分析、KMO检验和Bartlett球度检验分析上市公司财务指标数据
R语言稀疏主成分分析、因子分析、KMO检验和Bartlett球度检验分析上市公司财务指标数据
|
6月前
R语言单位根、协整关系Granger因果检验、RESET分析汇率在岸和离岸数据时间序列
R语言单位根、协整关系Granger因果检验、RESET分析汇率在岸和离岸数据时间序列
|
6月前
|
数据可视化
R语言汇率、股价指数与GARCH模型分析:格兰杰因果检验、脉冲响应与预测可视化
R语言汇率、股价指数与GARCH模型分析:格兰杰因果检验、脉冲响应与预测可视化
下一篇
无影云桌面