matlab平稳性检验,平稳性检验方法的有效性研究

——针对客观类平稳性检验方法进行分析，从时间序列的样本长度视角探讨检验方法的实际性能，ADF 检验和PP 检验是相对较好的判定方法，在仿真实验中呈现较好的性能

简介

定义

时间序列是一类典型的随机数据，基于随机变量的历史和现状来推测其未来需要假设随机变量的历史和现状具有代表性或可延续性，样本时间序列展现了随机变量的历史和现状。如果随机变量基本性态维持不变，则要求样本数据( 时间序列) 的本质特征仍能延续到未来; 统计量( 均值、方差、协方差)的取值在未来仍能保持不变，则样本时间序列具有平稳性。

通常随着时间t 取值变动，时间序列的期望值、方差和延迟k 阶自协方差的绝对取值一般是变动的，时间序列平稳性特征将判定为非平稳

方法

实践中时间序列平稳性的检验，大都是从时间序列样本数据取值的角度来分析一些统计量特征，其本质是得到一个平稳性检验的“近似结果”。现有的时间序列数据平稳性检验方法较多，主要包括主观检验方法( 如自相关函数图) 和客观检验方法( 如单位根检验) 两类方法。

刘田的研究采用单位根，并针对AＲ 系列模型展开，本文从样本长度的视角展开，对AＲ( Auto-Ｒegression) 系列、MA( Moving Average) 系列、AＲMA( Auto-Ｒegressive and Moving Average) 系列和AＲIMA( Autoregressive Integrated Moving Average) 系列四种模型展开分析，并采用ADF 检验( AugmentedDickey-Fuller test) 、PP 检验( Phillips-Perron test) 、KPSS 检验( Kwiatkowski-Phillips-Schmidt-Shin test) 、LMC 检验( Leybourne-McCabe stationarity test) 四种方法展开实证，分析这些平稳性检验方法的实际性能。

实验影响因素

从平稳性定义和“近似检验”的分析可知，样本长度将会对检验方法的效果造成明显的影响。刘田［2］探讨了单位根检验中的样本长度问题，发现单位根检验在分析低维度样本数据时，其实际效果偏差。因此，实证中所采集的数据样本长度太短，则其得到的平稳性分析结果显得不可靠，然而，在实际应用中，仍有大量学者在实证分析时所采集的时间序列样本长度较短。，因此，其检验结果和后续分析值得怀疑。

研究必要性/意义

平稳性分析是不同领域的时间序列数据建模的共性问题，时间序列平稳是经典回归分析赖以实施的基本假设。如果数据非平稳，则作为大