Phillips Perron Einheit Wurzeltest In Stata Forex

Unit-Root-Tests in Stata (newcommand newcommand newcommand) Die Festlegung der Stationarität einer Zeitreihe ist ein wichtiger Schritt, bevor sie eine Analyse einleitet. Die statistischen Eigenschaften der meisten Schätzer in Zeitreihen beruhen auf den Daten (schwach) stationär. Lose gesprochen ist ein schwach stationärer Prozess durch eine zeitinvariante Mittel-, Varianz - und Autokovarianz gekennzeichnet. In den meisten beobachteten Reihen führt jedoch die Anwesenheit einer Trendkomponente dazu, dass die Serie nicht stationär ist. Darüber hinaus kann der Trend entweder deterministisch oder stochastisch sein, je nachdem, welche geeigneten Transformationen angewendet werden müssen, um eine stationäre Serie zu erhalten. Zum Beispiel wird ein stochastischer Trend, oder allgemein bekannt als Einheitswurzel, durch Differenzierung der Reihe eliminiert. Die Differenzierung einer Serie, die in der Tat einen deterministischen Trend enthält, führt jedoch zu einer Einheitswurzel im gleitenden Mittelprozess. Ähnlich ist die Subtraktion eines deterministischen Trends von einer Reihe, die in der Tat einen stochastischen Trend enthält, keine stationäre Serie. Daher ist es wichtig zu erkennen, ob die Nichtstationarität auf einen deterministischen oder einen stochastischen Trend zurückzuführen ist, bevor die richtigen Transformationen angewandt werden. In diesem Beitrag veranschaulichte ich drei Befehle, die Tests für das Vorhandensein eines Einheitswurzels mit simulierten Daten implementieren. Ein einfaches Beispiel für einen Prozess mit stochastischen Trend ist ein zufälliger Spaziergang. Betrachten Sie die folgenden autoregressiven (AR) Prozesse erster Ordnung, um das Etikett yt y epsilont zu markieren, wobei (yt) die abhängige Variable ist. Der Fehlerbegriff (epsilont) ist unabhängig und identisch verteilt mit Mittelwert 0 und Varianz (sigma2). Wenn der Prozeß von einem Anfangswert (y0 0) ausgeht, dann kann (yt) als yt sum t epsiloni ausgedrückt werden, wobei (sum t epsiloni) die stochastische Trendkomponente ist. Der Mittelwert und die Varianz von (yt) sind (E (yt) 0) und (mbox (yt) tsigma2). Der Mittelwert ist konstant, während die Varianz über die Zeit (t) zunimmt. Zufälliger Spaziergang mit Drift Hinzufügen eines konstanten Term zu einem zufälligen Walk-Prozess ergibt einen zufälligen Spaziergang mit Drift ausgedrückt als Anfang Label yt Alpha y epsilont Tag Ende wo (Alpha) ist der konstante Begriff. Wenn der Prozeß von einem Anfangswert (y00) ausgeht, dann kann (yt) als yt alpha t sum t epsiloni ausgedrückt werden, der nun die Summe einer linearen deterministischen Komponente ((alpha t)) und einer stochastischen Komponente ist. Der Mittelwert und die Varianz von (yt) sind (E (yt) alpha t) und (mbox (yt) tsigma2). Sowohl der Mittelwert als auch die Varianz nehmen über die Zeit (t) zu. Beachten Sie, dass, wenn der Wert von (Alpha) nahe Null ist, dann ein zufälliger Weg sieht ähnlich wie ein zufälliger Spaziergang mit Drift. Betrachten Sie das folgende Modell mit einem linearen deterministischen Zeitverlauf, yt alpha delta t phi y epsilont Dabei ist (delta) ein Koeffizient auf dem Zeitindex (t) und (phi Codeblock 1: unitroot. do Zeilen 1ndash4 löschen die aktuelle Stata-Sitzung, Setzen Sie den Samen für den Zufallszahlengenerator, definieren Sie ein lokales Makro T als die Anzahl der Beobachtungen und setzen Sie es auf 200. Zeilen 5ndash7 erzeugen die Zeitvariable und deklarieren es als Zeitreihe. Zeile 8 erzeugt einen null gemeinen zufälligen Normalfehler mit Standardabweichung 5. Zeilen 10ndash12 erzeugen Daten aus einem zufälligen Spaziergangmodell und speichern sie in der Variablen yrw. Zeilen 14ndash16 erzeugen Daten aus einem zufälligen Spaziergang mit einer Drift von 0,1 und speichern sie in der Variablen yrwd1. Zeilen 18ndash20 erzeugen Daten aus einem zufälligen Spaziergang Mit einer Drift von 1 und speichern in der Variablen yrwd2.Lines 22ndash24 erzeugen Daten aus einem deterministischen Zeit Trendmodell und speichern sie in der Variablen yt. Zeile 25 fällt die ersten 50 Beobachtungen als Burn-in. Linien 27ndash33 Plot der Zeitreihe. Elliott, G. R. T. J. Rothenberg und J. H. Stock. 1996. Effiziente Tests für eine autoregressive Einheitswurzel. Econometrica 64: 813ndash836. Hamilton, J. D. 1994. Zeitreihenanalyse. Princeton: Princeton University Press. Phillips, P. C. B. 1987. Zeitreihenregression mit einer Einheitswurzel. Ökonometrie 55: 277ndash301. Phillips, P. C. B. und P. Perron. 1988. Testen auf eine Einheitswurzel in der Zeitreihenregression. Biometrika 75: 335ndash346 Vielen Dank für diesen interessanten Beitrag. Beim Lesen habe ich mich über die möglichen Probleme mit realen Daten gefragt, wenn der Trend in der Zeitreihen-Handlung nicht so offensichtlich ist (wie in Abbildung 1). Hier haben Sie einen Trend in den Tests aber erlaubt. Ist dies ein allgemeiner Ratschlag, den du beim Testen auf eine Einheitswurzel geben würdest, bemerkte ich, dass für den zufälligen Spaziergang mit Drift sogar der P-Wert erhöht wird, wenn man den Trendbegriff nicht zur Regression hinzufügt. Wenn es keinen klaren Trend gibt, dann würde ich die alternative Hypothese des stationären um einen konstanten Mittelwert anstelle eines Zeittrends testen. In der Post habe ich einen Trendbegriff aufgenommen, weil ich für die Anwesenheit von Einheitswurzel in den Variablen in Abbildung 2, die einen Zeitverlauf hatte, testete. Niri Martha Choji danke dir so sehr für diesen wundervollen Beitrag. Aber wenn ich will, dass ich eine Bootstrap-Panel-Einheit Wurzeltest ein Stata machen soll, wie gehe ich dran, danke. Wie können wir testen, ob sich eine Serie teilweise als Einheitswurzel verhält und teilweise nicht Beispiel ist die Datenreihe von Y zwischen 1970 und 1995 stationär und dann Einheitswurzel bis 2016. Macht es einen strukturellen Bruch (was ich bei einer anderen Situation annehme) ) Oder wir können die einfache Wurzelhypothese ändern, um solche Probleme zu deckenDokumentation Beschreibung Phillips-Perron-Tests beurteilen die Nullhypothese einer Einheitswurzel in einer univariaten Zeitreihe y. Alle Tests verwenden das Modell: Die Nullhypothese beschränkt eine 1. Varianten des Tests, die für Serien mit unterschiedlichen Wachstumscharakteristiken geeignet sind, beschränken die Drift - und deterministischen Trendkoeffizienten c und 948. Beziehungsweise 0. Die Tests verwenden modifizierte Dickey-Fuller-Statistiken (siehe adftest), um serielle Korrelationen im Innovationsprozess e (t) zu berücksichtigen. Input-Argumente Vektor von Zeitreihen-Daten. Das letzte Element ist die jüngste Beobachtung. NaNs, die fehlende Werte anzeigen, werden entfernt. Name-Wert-Paar-Argumente Skalar oder Vektor von nichtnegativen Ganzzahlen, die die Anzahl der Autokovarianz-Verzögerungen angeben, um in den Newey-West-Schätzer der Langzeit-Varianz einzuschließen. Für beste Ergebnisse geben Sie einen geeigneten Wert für Lags. Informationen zum Auswählen von Lags. Siehe Ermittlung einer angemessenen Anzahl von Lags. Zeichenvektor, wie AR. Oder Zellvektor von Zeichenvektoren, die die Modellvariante angeben. Werte sind: pptest testet das Nullmodell gegen das Alternativmodell mit AR (1) Koeffizient a lt 1. ARD (autoregressiv mit Drift) pptest prüft das AR null Modell gegen das alternative Modell mit Driftkoeffizienten c und AR (1) Koeffizient a lt 1. TS (Trend stationär) pptest testet das Nullmodell gegen das Alternativmodell mit Driftkoeffizienten c. Deterministischer Trendkoeffizient 948. Und AR (1) Koeffizient a lt 1. Zeichenvektor wie t1. Oder Zellvektor von Zeichenvektoren, die die Teststatistik angeben. Werte sind: pptest berechnet eine Änderung der Standard-t-Statistik aus OLS-Schätzungen des AR (1) - Koeffizienten und dessen Standardfehler (se) im Alternativmodell. Der Test beurteilt die Bedeutung der Beschränkung a 8211 1 0. pptest berechnet eine Modifikation der nicht betonten t-Statistik aus einer OLS-Schätzung des AR (1) - Koeffizienten a und der stationären Koeffizienten im alternativen Modell. T ist die effektive Stichprobengröße, die auf Verzögerung und fehlende Werte eingestellt ist. Der Test beurteilt die Bedeutung der Beschränkung a 8211 1 0. Skalar oder Vektor der nominalen Signifikanzniveaus für die Tests. Werte zwischen 0,001 und 0,999 einstellen. Ausgabe Argumente Vektor der booleschen Entscheidungen für die Tests, mit der Länge gleich der Anzahl der Tests. Werte von h gleich 1 deuten auf die Ablehnung des Einheitswurzels null zugunsten des alternativen Modells hin. Werte von h gleich 0 geben an, dass die Einheitswurzel nicht zurückgewiesen wurde. Vektor von p-Werten der Teststatistik, wobei die Länge gleich der Anzahl der Tests ist. P-Werte sind Links-Schwanz-Wahrscheinlichkeiten. Vektor der Teststatistik, mit der Länge gleich der Anzahl der Tests. Die Statistik wird unter Verwendung von OLS-Schätzungen der Koeffizienten im alternativen Modell berechnet. Vektor der kritischen Werte für die Tests, mit der Länge gleich der Anzahl der Tests. Werte sind für Links-Schwanz-Wahrscheinlichkeiten. Struktur der Regressionsstatistiken für die OLS-Schätzung der Koeffizienten im alternativen Modell. Die Anzahl der Datensätze entspricht der Anzahl der Tests. Jeder Datensatz hat die folgenden Felder: Länge der Eingabeserie mit NaNs entfernt Algorithmen pptest führt eine Replikation der kleinsten Quadrate durch, um Koeffizienten im Nullmodell abzuschätzen. Die Tests verwenden modifizierte Dickey-Fuller-Statistiken (siehe Adftest), um serielle Korrelationen im Innovationsprozess e (t) zu berücksichtigen. Phillips-Perron-Statistiken folgen nicht standardisierten Verteilungen unter dem Null, auch asymptotisch. Kritische Werte für eine Reihe von Stichprobengrößen und Signifikanzniveaus wurden mit Monte-Carlo-Simulationen des Nullmodells mit Gaußschen Innovationen und fünf Millionen Replikationen pro Stichprobengröße tabelliert. Pptest interpoliert kritische Werte und p-Werte aus den Tabellen. Tabellen für Prüfungen vom Typ t1 und t2 sind identisch mit denen für die ältesten. Referenzen 1 Davidson, R. und J. G. MacKinnon. Ökonometrische Theorie und Methoden. Oxford, UK: Oxford University Press, 2004. 2 Elder, J. und P. E. Kennedy. Testen auf Einheitswurzeln: Was sollen Schüler werden Journal of Economic Education. Vol. 32, 2001, S. 1378211146. 3 Hamilton, J. D. Zeitreihenanalyse. Princeton, NJ: Princeton University Press, 1994. 4 Newey, W. K. und K. D. West. Eine einfache positive semidefinite, Heteroskedastizität und Autokorrelation Konsequente Kovarianz Matrix. Ökonometrie Vol. 55, 1987, S. 7038211708. 5 Perron, P. Trends und zufällige Spaziergänge in der makroökonomischen Zeitreihe: Weitere Beweise aus einem neuen Ansatz. Zeitschrift für Wirtschaftsdynamik und Kontrolle. Vol. 12, 1988, S. 2978211332. 6 Phillips, P. Zeitreihenregression mit einer Einheitswurzel. Ökonometrie Vol. 55, 1987, S. 2778211301. 7 Phillips, P. und P. Perron. Testen auf eine Einheit Wurzel in der Zeitreihe Regression. Biometrika Vol. 75, 1988, S. 3358211346. 8 Schwert, W. Tests für Einheitswurzeln: Eine Monte Carlo Untersuchung. Zeitschrift für Wirtschafts - und Wirtschaftsstatistik Vol. 7, 1989, S. 1478211159. 9 Weiß, H. und I. Domowitz. Nichtlineare Regression mit abhängigen Beobachtungen. Ökonometrie Vol. 52, 1984, pp. 1438211162. Wählen Sie Ihr Land