Comment est-ce que je détruis les séries chronologiques? Est-il correct de prendre la première différence et d'exécuter un test de Dickey Fuller, et s'il est stationnaire, nous sommes bons?
J'ai également trouvé en ligne que je peux nuire à la série chronologique en faisant cela dans Stata:
reg lncredit time
predict u_lncredit, residuals
twoway line u_lncredit time
dfuller u_lncredit, drift regress lags(0)
Quelle est la meilleure approche pour dissuader les séries chronologiques?
regression
time-series
stata
stationarity
user58710
la source
la source
Réponses:
Si la tendance est déterministe (par exemple une tendance linéaire), vous pouvez exécuter une régression des données sur la tendance déterministe (par exemple un indice constant plus le temps) pour estimer la tendance et la supprimer des données. Si la tendance est stochastique, vous devez détrôner la série en prenant d'abord les différences.
Le test ADF et le test KPSS peuvent vous fournir des informations pour déterminer si la tendance est déterministe ou stochastique.
Étant donné que l'hypothèse nulle du test KPSS est l'opposé de la valeur nulle du test ADF, la façon de procéder suivante peut être déterminée à l'avance:
la source
Vous avez plusieurs façons de détraquer une série chronologique dans le but de la rendre immobile:
La dérive linéaire est ce que vous avez copié. Il peut ne pas vous donner ce que vous désirez car vous fixez arbitrairement une tendance linéaire déterministe.
La tendance quadratique est à certains égards similaire à la tendance linéaire, sauf que vous ajoutez un "temps ^ 2" et suppose un comportement de type exponentiel.
Le filtre HP de Hodrick et Prescott (1980) vous permet d'extraire la composante non déterministe à long terme de la série. La série résiduelle est donc la composante cyclique. Sachez que, comme il s'agit d'une moyenne pondérée optimale, elle souffre d'un biais de point final (les 4 premières et 4 dernières observations sont mal estimées.)
Le filtre passe-bande de Baxter et King (1995) qui est essentiellement un filtre de moyenne mobile où vous excluez les fréquences hautes et basses.
Le filtre Christiano-Fitzgerald.
Pour résumer, cela dépend de votre intention et certains filtres peuvent être mieux adaptés à vos besoins que d'autres.
la source
Il y a peut-être plus d'une tendance. Il y a peut-être un changement de niveau. Peut-être que la variance de l'erreur a changé au fil du temps. Dans tous les cas, une simple décroissance pourrait être inappropriée. Une bonne analyse exploratoire du type http://www.unc.edu/~jbhill/tsay.pdf devrait être utilisée pour découvrir la nature des données / du modèle.
la source
Je suggère de jeter un œil à l'analyse du spectre singulier. Il s'agit d'une technique non paramétrique qui peut être très grossièrement considérée comme une ACP pour les séries chronologiques. L'une des propriétés utiles est qu'il peut effectivement dé-tendance des séries.
la source
Vous devez rechercher ce sujet attentivement et pouvez commencer ici.
http://www.stat.pitt.edu/stoffer/tsa3/
La chose clé que vous recherchez est la stationnarité ou la non-stationnarité car la plupart des tests statistiques supposent que les données sont distribuées normalement. Il existe différentes façons de transformer les données pour les rendre fixes. La décroissance est l'une des méthodes mais serait inappropriée pour certains types de données non stationnaires.
Si les données sont une marche aléatoire avec tendance, vous devrez peut-être utiliser la différenciation.
Si les données montrent une tendance déterministe avec un écart saisonnier ou autre par rapport à la tendance, vous devriez commencer par détendre.
Vous devrez peut-être expérimenter différentes approches.
la source