R'nin artırılmış Dickey Fuller testindeki k gecikmesini anlama

R'de bazı birim kök testleri ile oynadım ve k lag parametresinden ne yapacağımdan tam olarak emin değilim. Ben artırılmış kullanılan Dickey Fuller testi ve Philipps Perron testi gelen tseries paketinde. Açıkçası varsayılan parametresi (için ) sadece serinin uzunluğuna bağlıdır. Farklı -değerleri seçersem wrt için oldukça farklı sonuçlar elde ederim. null değerini reddetme:$k$adf.test$k$

Dickey-Fuller = -3.9828, Lag order = 4, p-value = 0.01272
alternative hypothesis: stationary 
# 103^(1/3)=k=4 


Dickey-Fuller = -2.7776, Lag order = 0, p-value = 0.2543
alternative hypothesis: stationary
# k=0

Dickey-Fuller = -2.5365, Lag order = 6, p-value = 0.3542
alternative hypothesis: stationary
# k=6

artı PP test sonucu:

Dickey-Fuller Z(alpha) = -18.1799, Truncation lag parameter = 4, p-value = 0.08954
alternative hypothesis: stationary 

Verilere baktığımda, temeldeki verilerin durağan olmadığını düşünürdüm, ancak yine de bu sonuçları güçlü bir yedekleme olarak görmüyorum, özellikle de parametresinin rolünü anlamıyorum . Ayrışmaya / stl'ye baktığımda, eğilimin kalanlardan veya mevsimsel değişimlerden sadece küçük katkılar yerine güçlü bir etkisi olduğunu görüyorum. Serim üç ayda bir sıklıkta.$k$

İpucu var mı?

ADF testlerine baktığımdan beri bir süredir, ancak adf testinin en az iki versiyonunu hatırlıyorum.

http://www.stat.ucl.ac.be/ISdidactique/Rhelp/library/tseries/html/adf.test.html

http://cran.r-project.org/web/packages/fUnitRoots/

FUnitRoots paketi adfTest () adında bir işleve sahiptir. "Trend" sorununun bu paketlerde farklı ele alındığını düşünüyorum.

Düzenle ------ Aşağıdaki bağlantının 14. sayfasından, adf testinin 4 sürümü (uroot üretilmiyor) vardı:

http://math.uncc.edu/~zcai/FinTS.pdf

Bir bağlantı daha. Aşağıdaki bağlantıda bölüm 6.3'ü okuyun. Gecikme teriminin açıklanmasında yapabileceğimden çok daha dar bir iş çıkarıyor:

http://www.yats.com/doc/cointegration-en.html

Ayrıca, herhangi bir mevsimsel modele dikkat ederim. Mevsimselliğin olduğundan emin olmadığınız sürece, mevsimsel terimler kullanmaktan kaçınırım. Neden? Olmasa bile, her şey mevsimsel koşullara bölünebilir. İşte iki örnek:

#First example: White noise
x <- rnorm(200)

#Use stl() to separate the trend and seasonal term
x.ts <- ts(x, freq=4) 
x.stl <- stl(x.ts, s.window = "periodic")
plot(x.stl)

#Use decompose() to separate the trend and seasonal term
x.dec <- decompose(x.ts)
plot(x.dec)

#===========================================

#Second example, MA process
x1 <- cumsum(x)

#Use stl() to separate the trend and seasonal term
x1.ts <- ts(x1, freq=4)
x1.stl <- stl(x1.ts, s.window = "periodic")
plot(x1.stl)

#Use decompose() to separate the trend and seasonal term
x1.dec <- decompose(x1.ts)
plot(x1.dec)

Aşağıdaki grafik yukarıdaki grafik (x.stl) ifadesinden alınmıştır. stl () beyaz gürültüde küçük bir mevsimsel terim buldu. Terimin o kadar küçük olduğunu söyleyebilirsin, bu gerçekten bir sorun değil. Sorun, gerçek verilerde, bu terimin bir sorun olup olmadığını bilmemenizdir. Aşağıdaki örnekte, trend veri serisinin ham verilerin filtrelenmiş bir sürümüne benzediği bölümlere ve ham verilerden önemli ölçüde farklı kabul edilebileceği diğer segmentlere sahip olduğuna dikkat edin.

K parametresi, seri korelasyona adreslenmek için eklenen bir dizi gecikmedir. ADF'deki A, testin gecikmeler eklenerek arttırıldığı anlamına gelir. ADF'deki gecikme sayısının seçimi çeşitli yollarla yapılabilir. Yaygın bir yol, önceden seçilmiş çok sayıda gecikme ile başlamak ve en uzun gecikme istatistiksel olarak anlamlı olana kadar gecikme sayısını sırayla azaltmaktır.

ADF'deki gecikmeleri uyguladıktan sonra artıklarda seri korelasyon olup olmadığını test edebilirsiniz.