Nhầm lẫn với thử nghiệm Augmented Dickey Fuller

16

Tôi đang làm việc trên các tập dữ liệu electricitycó sẵn trong gói R TSA. Mục đích của tôi là tìm hiểu xem một arimamô hình sẽ phù hợp với dữ liệu này và cuối cùng phù hợp với nó. Vì vậy, tôi đã tiến hành như sau: Thứ

1: Vẽ chuỗi thời gian dẫn đến biểu đồ sau: âm mưu ts1

Thứ 2: Tôi muốn ghi nhật ký electricityđể ổn định phương sai và sau đó phân biệt chuỗi là phù hợp, nhưng ngay trước khi thực hiện, tôi đã kiểm tra độ ổn định trên bộ dữ liệu gốc sử dụng adfthử nghiệm (Augmented Dickey Fuller) và thật ngạc nhiên, kết quả như sau:

Mã và kết quả:

adf.test(electricity)

             Augmented Dickey-Fuller Test
data:  electricity 
Dickey-Fuller = -9.6336, Lag order = 7, p-value = 0.01 
alternative hypothesis: stationary
Warning message: In adf.test(electricity) : p-value smaller than printed p-value

Chà, theo quan niệm của người mới bắt đầu về chuỗi thời gian, tôi cho rằng nó có nghĩa là dữ liệu đứng yên (giá trị p nhỏ, bác bỏ giả thuyết khống về tính không cố định). Nhưng nhìn vào cốt truyện ts, tôi thấy không có cách nào mà điều này có thể đứng yên. Có ai có một lời giải thích hợp lệ cho điều này?

r time-series stationarity

— Vara
nguồn

5

ADF chỉ kiểm tra cho văn phòng phẩm gốc, đây có thể là xu hướng cố định. Vì vậy, bạn nên sử dụng thử nghiệm KPSS, xem stats.stackexchange.com/questions/30569/NH Nói chung, có một sự khác biệt, giữa các mô hình DS (văn phòng khác biệt) và TS (văn phòng phẩm xu hướng). KPSS là thử nghiệm tốt hơn để phân biệt giữa các mô hình đó, xem liên kết để biết thêm chi tiết.

— Stat Tistician

3

Có vẻ như loạt phim có mùa và xu hướng. Tích hợp trong thử nghiệm ADF một xu hướng xác định + các hình nộm theo mùa và chạy thử nghiệm. Kiểm tra cũng cho phần dư tự động.

— Pantera

12

adf.test $x_t - x_{t-1}$

> adf.test(electricity, k=12)

Augmented Dickey-Fuller Test
data:  electricity
Dickey-Fuller = -1.9414, Lag order = 12, p-value = 0.602
alternative hypothesis: stationary

— horaceT
nguồn

2

Giả sử rằng "adf.test" thực sự đến từ gói "tseries" (trực tiếp hoặc gián tiếp), lý do sẽ là nó tự động bao gồm xu hướng thời gian tuyến tính. Từ tài liệu tseries (phiên bản 0.10-35): "Phương trình hồi quy tổng hợp kết hợp với hằng số và xu hướng tuyến tính được sử dụng [...]" Vì vậy, kết quả thử nghiệm thực sự cho thấy xu hướng ổn định (mặc dù tên này không đứng yên).

Tôi cũng đồng ý với Pantera rằng các hiệu ứng theo mùa có thể làm sai lệch kết quả. Trên thực tế, chuỗi có thể là xu hướng thời gian + thời vụ xác định + quy trình gốc đơn vị ngẫu nhiên, nhưng thử nghiệm ADF có thể hiểu sai các biến động theo mùa là sự đảo ngược ngẫu nhiên theo xu hướng xác định, có nghĩa là bắt nguồn từ nhỏ hơn thống nhất. (Mặt khác, do bạn đã bao gồm đủ độ trễ, điều này sẽ hiển thị dưới dạng gốc đơn vị (giả) ở tần số theo mùa, không phải tần số 0 / dài mà xét nghiệm ADF xem xét. Trong mọi trường hợp, được đưa ra mô hình theo mùa tốt hơn là bao gồm các mùa.)

— Sven S.
nguồn