常用的随机性检验及其数学原理

1. 线性相关性检验

Durbin-Watson检验

• 概念：用于检测回归残差的自相关性。
• 数学原理：
  • 检验统计量：
    $$DW=\frac{{\sum }_{t=2}^n(e_t-e_{t-1}{)}^2}{{\sum }_{t=1}^n{e}_t^2}$$
    其中，$e_t$ 是第t个残差。如果DW接近于2，说明没有自相关；接近0或4，说明存在正或负自相关。

2. 单位根检验

Dickey-Fuller检验

• 概念：用于检验时间序列是否存在单位根（即是否平稳）。
• 数学原理：
  • 检验方程：
    $$\Delta y_t=\alpha +\beta t+\gamma y_{t-1}+{\delta }_1\Delta y_{t-1}+\cdots +{\delta }_p\Delta y_{t-p}+{ϵ}_t$$
    其中，$\Delta$表示一阶差分，$t$为时间趋势。如果$\gamma$显著小于0，则拒绝单位根假设，认为序列是平稳的。

3. 季节性和周期性检验

Canova-Hansen（CH）检验

• 概念：适用于周期较长且包含较少周期的时间序列数据的检验。
• 数学原理：
  • 基于季节性回归模型，构造检验统计量：
    $$S=\frac{T}{2}\sum _{j=1}^k\frac{{\hat{\beta }}_j^2}{{\hat{\sigma }}_j^2}$$
    其中，$T$为样本量，${\hat{\beta }}_j$为季节性回归系数，${\hat{\sigma }}_j^2$为估计的误差方差。该统计量在一定假设下服从卡方分布。

4. 平稳性检验

KPSS检验

• 概念：用于检验时间序列是否为平稳过程。
• 数学原理：
  • 检验方程：
    $$y_t=\mu +\beta t+r_t$$
    其中，$r_t$为平稳过程。KPSS检验统计量基于回归残差构造，若统计量较大，则拒绝平稳性假设。

5. 构造性假设检验

Ljung-Box检验

• 概念：用于检验序列是否为白噪声。
• 数学原理：
  • 检验统计量：
    $$Q=n(n+2)\sum _{k=1}^m\frac{{\hat{\rho }}_k^2}{n-k}$$
    其中，${\hat{\rho }}_k$为自相关系数，$n$为样本量，$m$为滞后阶数。统计量$Q$在原假设下近似服从卡方分布。

6. 趋势检验

Phillips-Perron检验

• 概念：用于检验时间序列的趋势稳定性。
• 数学原理：
  • 基于修正后的Dickey-Fuller检验统计量，考虑了自相关和异方差的影响。

7. 随机性检验

Runs检验

• 概念：用于检验二元序列的随机性。
• 数学原理：
  • 检验统计量：
    $$Z=\frac{R-{\mu }_R}{{\sigma }_R}$$
    其中，$R$为序列中正负号的运行次数，${\mu }_R$和${\sigma }_R$分别为运行次数的期望和标准差。$Z$统计量服从标准正态分布。

8. 时间序列模型诊断

Breusch-Godfrey检验

• 概念：用于检验自回归模型残差的序列相关性。
• 数学原理：
  • 基于辅助回归构造的LM统计量，若LM统计量显著，则表明存在序列相关性。

参考资料和资源

• 文献：关于上述检验的详细数学原理和公式推导可以参考相关的统计学和时间序列分析书籍，如《Time Series Analysis》by James D. Hamilton。
• 工具：使用statsmodels等统计软件包，可以方便地进行这些检验并解释结果。