Testing For A Moving Average Unit Root

Test für einen Moving Average Unit Root-Test für eine Einheit Wurzel in der gleitenden mittleren Modell wird diskutiert. Zunächst wird für das stationäre MA (1) - Modell ein Punkttyp-Test vorgeschlagen, der lokal am besten invariant und unvoreingenommen ist. Die Durchführung des Tests für endliche Proben wird mit dem stärksten Test verglichen. Das asymptotische Verhalten des Tests wird auch durch die Berechnung der Grenzleistung unter einer Abfolge von lokalen Alternativen betrachtet. Wir erweitern das Modell auf eine unendliche Bestellung MA und empfehlen einen Test für diesen erweiterten Fall. Wenn Sie Probleme beim Herunterladen einer Datei haben, überprüfen Sie, ob Sie die richtige Anwendung haben, um sie zuerst anzuzeigen. Bei weiteren Problemen lesen Sie bitte die IDEAS-Hilfeseite. Beachten Sie, dass diese Dateien nicht auf der IDEAS-Website sind. Bitte haben Sie Geduld, da die Dateien groß sein können. Artikel von Cambridge University Press in seiner Zeitschrift Ökonometrische Theorie. Volumen (Jahr): 6 (1990) Ausgabe (Monat): 04 (Dezember) Seiten: 433-444Test für Einheitswurzeln Die Zeitreihenanalyse beschäftigt sich mit der Identifikation, Schätzung und Diagnose von stationären Zeitreihen. Zur Überprüfung bieten wir die folgenden Definitionen an: Definition: Die Folge ist Kovarianz stationär, wenn für alle t und t-s gilt. Das heißt, der Mittelwert, die Varianz und die Kovarianz sind invariant zum Zeitursprung. Definition: Angenommen, wir haben die Folge t (t0,1,2,133) mit Mittelwert m und Varianz s 2. Dann ist die Autokorrelationsfunktion oder das Korrelogramm gegeben durch Angenommen, wir haben eine Reihe t, die wir von einem AR (1 ) Prozess, sagen wir, wo und et ist weißes Rauschen. Wir können die Parameter in (1) durch OLS schätzen: Unser Schätzer ist effizient und die Reihe ist stationär seit. Wir könnten eine t-Statistik verwenden, um die Hypothese zu testen. Dies ist ein legitimer Test, da die Null eine widerlegbare Hypothese ist, auch wenn die Macht gegen eine lokale Alternative unwesentlich ist. Nehmen wir an, dass die Daten wirklich durch eine rekursive Substitution erzeugt wurden, kann dies umgeschrieben werden, da es nicht stationär ist, da t groß wird. Nun müßten wir es testen. Es gibt jedoch ein Problem, da der Schwerpunkt des üblichen Schätzers von 1 abgegrenzt wäre. Wir würden eher auf der Seite der Zurückweisung zu viel H 0 irren. Die Frage nach dem Vorhandensein einer Einheitswurzel ist in Regressionsmodellen der Art besonders problematisch. Wir nehmen gewöhnlich an, daß t und t beide stationär sind und daß e t weißes Rauschen ist. Wenn die beiden Variablen nichtstationär sind, werden wir wahrscheinlich falsche Ergebnisse erhalten: hohe R 2 und statistisch signifikante Koeffizienten, obwohl es möglicherweise nicht wirklich eine sinnvolle Beziehung zwischen y und z gibt. Es gibt vier Fälle zu berücksichtigen, Beide t und t sind stationär und das klassische Regressionsmodell ist o. k. Die Sequenzen t und t sind in verschiedene Ordnungen integriert. Regressionsmodelle, die solche nichtstationäre Reihen enthalten, sind bedeutungslos. Die nichtstationären t und t sind beide in die Ordnung 1 integriert, und der Fehlerterm weist eine stochastische Drift auf. Jetzt sind alle Fehler permanent. Das ist e t t. Aber wir können OLS mit guter Wirkung auf t und t integrieren in der gleichen Reihenfolge und die restliche Sequenz ist stationär. Dann werden t und t als zusammengefaßt bezeichnet. Zum Beispiel: Sowohl t als auch t sind Einheitswurzelprozesse, aber y t - z t e yt - e zt ist stationär. Wir verlassen den Fall 4 bis zum Kapitel über die Kointegration. Im Augenblick beschäftigen wir uns mit der Bestimmung, ob die Reihe t eine Einheitswurzel hat oder nicht. Dickey-Fuller-Tests Betrachten Sie die Daten-Generierung und die damit verbundene Frage, ist ein 1 1 Subtrahieren y t-1 von beiden Seiten, um g 0 impliziert, dass eine 1 1 impliziert eine Einheit Wurzel in t. Der Begriff stochastische Drift kommt aus dem folgenden: Angenommen, der Prozess ist Wir können dies umschreiben. In der nächsten Periode, dh t1, ist der Intercept aoa 1 t1 größer, zu dem wir addieren Ein stochastischer Begriff. Wir haben diese Vorstellung von einem stochastischen Intercept an anderer Stelle gesehen. Und zwar im Zufallseffektmodell. Wir können einen linearen Trend mit Drift zulassen In jedem Fall ist unser Test der Hypothese Die Teststatistik, die wir für den Test der Hypothese verwenden, wird als t-Statistik aufgebaut. Das ist Die kritischen Werte kommen aus einer Reihe von Tabellen von Dickey und Fuller vorbereitet. Die Tabellen wurden empirisch generiert. Wir sind daran gewöhnt, Tests mit kritischen Werten durchzuführen, die wir analytisch durch Integration einer bekannten Verteilungsfunktion bestimmt haben. Die jeweilige Tabelle, die verwendet werden soll, hängt davon ab, ob das Modell einen Schnittpunkt oder einen Trend aufweist. Jedoch werden die kritischen Werte nicht durch Einbeziehen von Begriffen auf der rechten Seite geändert. Um Sie im Testverfahren zu begleiten, ist das folgende Flussdiagramm von Walter Enders, Applied Econometric Time Series, Wiley, 1995 zu betrachten. Man beginnt in der linken oberen Ecke mit dem allgemeinsten Modell, das eine stochastische Drift und einen deterministischen Trend einschließt. Entweder der Trend oder die Drift kann das Aussehen einer Einheit Wurzel in ihrem eigenen Recht zu produzieren, so dass sie am Anfang enthalten sein müssen. Es sei daran erinnert, dass eine ausgeschlossene relevante Variable eine Bias einführt, aber eine eingeschlossene irrelevante Variable hat nur Kosten in Bezug auf die Effizienz. Wenn der Nullwert einer Wurzel nicht abgelehnt wird, dann durch Prüfen der Signifikanz des Trendbegriffs in Gegenwart einer Einheitswurzel. Wenn der Trendbegriff nicht signifikant ist, dann testen Sie auf die Bedeutung des Driftterms. Wenn wir entlang der Weise finden, daß entweder der Trend oder die Drift nicht Null ist, dann gehen wir sofort vor, um die Bedeutung von g zu testen. Die folgenden Modelle wurden in den Federal Reserve Bank Produktionsindex für den Zeitraum 1950: 1 - 1977: 4, insgesamt 112 Beobachtungen angepasst. In allen drei Modellen sind die Zahlen in Klammern Standardfehler. Der allgemeinste Modus, der dem Start des Flußdiagramms entspricht, ist Auf der 5-Ebene des Tests (2,5 in jedem Heck) ist der kritische Wert für den Koeffizienten auf yt-1 für ein Modell mit Drift und Trend -3,73, verglichen mit Eine beobachtete Teststatistik von 3.6, so dass wir die Null nicht zurückweisen. Für den Augenblick glauben wir, dass es eine Einheitswurzel gibt. Als nächstes passen wir ein Modell an, das die Einschränkung von g 0 auferlegt und testet, um zu sehen, ob der Trendkoeffizient null ist. Man beachte, daß der Trendkoeffizient auf der Basis eines herkömmlichen t-Tests sehr signifikant ist. Ein Modell mit Drift aber kein Trend und was vermuten lässt, dass es eine Einheitswurzel gibt, ist jetzt der Test der Hypothese H o. Einheit Wurzel, kein Trend H 1. Eine oder beide nicht true Die entsprechende Teststatistik ist so konstruiert, als wäre sie ein F-Test, aber der kritische Wert wird aus einem anderen Tabellensatz gelesen. Der kritische Wert auf der 5-Ebene ist 6.49, so dass wir die Null nicht zurückweisen. Unser Fazit zu diesem Punkt ist, dass es eine Einheit Wurzel gibt und dass der Trend ausgeschlossen werden sollte. Ein Modell mit weder Drift noch Trend, das aber eine Einheitswurzel voraussetzt, ist Der Test der Hypothese ist H o. Einheit Wurzel, kein Trend, keine Drift H 1. Ein oder mehrere gehören Der kritische Wert bei 1 Teststufe ist 6.50. Da unsere beobachtete Teststatistik kleiner als der kritische Wert ist, können wir die Null nicht zurückweisen. Unsere Schlussfolgerung ist, dass es eine Einheit Wurzel gibt, gibt es weder Trend noch Drift. Erweiterung von Dickey-Fuller Angenommen, der Datenerzeugungsprozess ist Dies ist ein bisschen allgemeiner als der Prozess, mit dem wir begonnen haben. Es wird auch eine Vielzahl von Wurzeln zugeben. Wir müssen Dickey-Fuller erweitern, um diese Möglichkeit zu testen. Betrachten wir den AR (3) - Prozess Wir addieren und subtrahieren eine 3 y t-2, um zu erhalten Jetzt addieren und subtrahieren (a 2 a 3) y t-1, um endlich zu erhalten Subtrahieren Sie y t-1 von beiden Seiten Kann für das Vorhandensein einer Einheit Wurzel testen. Wir wissen, daß, wenn die Koeffizienten in einer Differenzengleichung auf eins und wenigstens eine Wurzel gleich Eins sind. Im vorliegenden Kontext bedeutet dies, wie im einfacheren Fall, das Testen von g 0. Die kritischen Werte für dieses erweiterte Modell bleiben die gleichen wie zuvor. Parenthetisch verursacht das Hinzufügen eines Zeitverlaufs einen Kopfschmerz, wenn es Zeit ist, die großen Mustereigenschaften des OLS-Schätzers abzuleiten, da xx nicht mehr endlich elementar ist. Probleme mit D-F und erweitertem D-F 1. Der Fehlerterm kann einen gleitenden mittleren Term in ihm haben. Angenommen, A (L) y t C (L) e t und die Wurzeln von C (L) liegen alle außerhalb des Einheitskreises, so dass C (L) invertierbar ist. Dann wird D (L) von unendlicher Ordnung sein, aber wir können unsere frühere Prozedur verwenden, um zu schreiben. Mit unseren endlichen Datensätzen könnten wir in Schwierigkeiten geraten, wenn nicht für die Tatsache, dass es empirisch gezeigt worden ist, dass eine gute Annäherung das abschneiden wird Verteilte Verzögerung am T / 3-Term. 2. Was ist die geeignete Verzögerungslänge für die differenzierten Begriffe, die auf dem RHS enthalten sind. Das Problem von zu vielen Verzögerungen verringert die Effizienz des Schätzers. Dies ist ein viel weniger ernstes Problem als die Verwendung zu wenig Verzögerungen. Wie bereits erwähnt, beeinflussen die Ausnahmen relevanter Variablen die Bias und die Konsistenz des OLS-Schätzers. 3. DF-Tests, um zu sehen, ob es mindestens eine Wurzel gibt. Angenommen, es gibt mehr Zum Beispiel könnte man die Parameter des Modells (1-L) 2 y t b 1 (1-L) y t-1 e t schätzen. Man würde dann die DF-Statistik entsprechend dem Fall verwenden, um b & sub1; 0 zu testen. Wenn b & sub1; & sub0; dann gibt es 2 Einheitswurzeln, wenn sie nicht Null ist, muß man weitergehen und testen, um zu sehen, ob es einen einzelnen Einheitswurzel gibt . Das Verfahren wird auf die offensichtliche Weise verallgemeinert. 4. Wie wissen wir, welche deterministischen Regressoren in das Modell gehören Die Verfahren, die im FRB-Herstellungsbeispiel und in den Problemen 2 und 3 verwendet werden, verwenden kaskadierende Tests der Hypothese. Wie in Theil, Principles of Econometrics, Wiley, 1971, gezeigt wird, verringert dies den angeblichen Signifikanzwert des Tests in jedem nachfolgenden Schritt. Entlang der gleichen Linie, Richter und seine zahlreichen Koautoren würde argumentieren, dass die Prozedur, die im Flussdiagramm skizziert, in den Bereich der Vorprüfung und damit ein höheres Quadrat Fehlerverlust über einen großen Teil des Parameterraums. Nichtsdestoweniger ignorieren wir bei der angewandten Arbeit oftmals diese Einschränkungen und verwenden das Verfahren im Flußdiagramm. Ein weiteres Beispiel: Kaufkraftparität Unter PPP ist die Abschreibungsrate in etwa gleich der Differenz zwischen den Inlands - und Inflationsraten. Das PPP-Modell impliziert, wo pt-Protokoll der US-Preisniveau pt-Protokoll der ausländischen Preisniveau und Protokoll des Dollarkurses der Devisen dt Abweichung von PPP zum Zeitpunkt t Die drei Datenreihen gelten die Log-Transformation, so dass wir mit Inflationsraten . Bei bestimmten PPP-Modellen ist es möglich, dass echte Stöße entweder nach Bedarf oder nach Versorgung zu permanenten Abweichungen führen können. Intuitiv sollten die Abweichungen nicht bestehen bleiben oder es wären erhebliche Gewinnchancen. Und sowieso würde diese Gewinnverwendung und Arbitrage PPP schließlich wiederherstellen. Ein populäres Verfahren in der empirischen Modellierung von PPP ist, die Serie zu konstruieren. Wenn PPP zu halten ist, muss rt mit einem Nullmittelwert stationär sein. Darüber hinaus gibt es weder Trend noch stochastische Drift. Um das Material in einem anderen Abschnitt abzuschätzen und vorwegzunehmen, e t. P t und p t werden zusammengefasst, wenn das PPP-Modell wahr ist. Diese spezifische Formulierung des Modells setzt einen spezifischen Kointegrationsvektor auf die drei Variablen. (1973.1 - 1986.11, T167) Bretton-Woods-Ära, um die folgenden Ergebnisse mit den Koeffizienten-Standardfehlern in Klammern zu erhalten: Beachten Sie, dass eine 2 0 für die letzte Periode. Dieser Grund allein in Frage stellt die Gültigkeit der PPP. In keiner Periode können wir die Null einer Einheitswurzel zurückweisen. Das beobachtete t ist nach jedem Standard klein. Die Wechselkursregelung hat die Wechselkurse volatiler und unvorhersehbarer (siehe SD und SEE). In diesem Beispiel können wir den Nullwert eines Einheitswurzels nicht zurückweisen. Wir können nicht an das PPP-Modell glauben. Aber unser Testverfahren beruht auf der konstanten Varianz des Fehlerterms, was nicht der Fall zu sein scheint. Phillips und Perron haben korrigierte Teststatistiken für die Fälle entwickelt, in denen der Fehler ein MA ist, ist vielleicht heterogen oder es gibt einen strukturellen Bruch in den Daten. Strukturelle Veränderung Wie können wir den Unterschied zwischen einer Reihe, die einen strukturellen Bruch in ihr hat, aber sonst stationär wäre, und eine Reihe, die nicht stationär ist, die sich aber aufgrund eines Impulses wie die erste Reihe entwickeln scheint, betrachten Wobei es eine Verschiebung in dem Intercept gibt, wobei DL eins für viele aufeinanderfolgende Perioden ist und ansonsten Null ist. Ein Beispiel ist die folgende Abbildung. Die rote Linie ist die ursprüngliche Reihe. Die blaue Linie ist die einfache Regression von y t auf Zeit (a-3.543, b.189). In der Regression von y t auf y t-1 erhalten wir Anscheinend verursacht der strukturelle Bruch, dass der Koeffizient auf y t-1 auf eins vorgespannt wird. Für alle Erscheinungen ist y nicht stationär, obwohl wir wissen, daß es sowohl vor als auch nach der Unterbrechung bei t50 stationär ist. Auch ohne den Test für diesen Fall, würden wir nicht erwarten, dass Dickey-Fuller sehr robust gegen diese Modelle mit einem strukturellen Bruch in ihnen. In der Tat ist die beobachtete Teststatistik t .507 Nun betrachten wir ein nicht-stationäres Modell, bei dem es einen einmaligen und getanten Impuls gab, bei dem DP in einer gegebenen Periode gleich Null ist und ansonsten ein Beispiel ist in der folgenden Abbildung: Die rote Linie ist die Ursprüngliche Reihe. Die blaue Linie ist die einfache Regression von y t auf Zeit (a-8.086, b.233). Es gibt eine scheinbare Pause bei t50. Die Regression von y t auf ihren verzögerten Wert gibt uns Selbst ohne einen formalen Test führt die Größe des Koeffizienten dazu, dass wir eine Einheitswurzel vermuten, was tatsächlich der Fall ist. Ohne einen statistischen Test können wir diesen Fall nicht von vornherein unterscheiden. Phillips und Perron haben einen Test für dieses Problem entwickelt. Betrachten wir das Arbeitsmodell, in dem D P ein Impuls gleich Eins in einer Periode und Null ansonsten ist, D L eins für einige aufeinanderfolgende Perioden und Null ansonsten ist. Schritt 1. Schätzen Sie die Koeffizienten des Vollmodells. Schritt 2. Vergleichen Sie die t-Statistik mit den kritischen Werten in Perron. Von besonderem Interesse ist der Koeffizient a 1. Wenn Perron diese Methode verwendet, um die Plosser-Nelson-Daten zu analysieren, fand er, dass die meisten Makro-Zeitreihen Trend stationary. by Robert F. Engle, Aaron D. Smith, F. Engle, Aaron, D. Smith - Review of Economics and Statistics. 1998. Dieses Papier zielt darauf ab, die Lücke zwischen Prozessen, bei denen Schocks dauerhaft sind, und solche mit vorübergehenden Schocks zu überbrücken, indem sie einen Prozess formulieren, bei dem die langfristigen Auswirkungen jeder Innovation zeitlich variabel und stochastisch sind. Häufige vorübergehende Schocks werden durch gelegentliche permanente Verschiebungen ergänzt. Das sto. Dieses Papier zielt darauf ab, die Lücke zwischen Prozessen, bei denen Schocks dauerhaft sind, und solche mit vorübergehenden Schocks zu überbrücken, indem sie einen Prozess formulieren, bei dem die langfristigen Auswirkungen jeder Innovation zeitlich variabel und stochastisch sind. Häufige vorübergehende Schocks werden durch gelegentliche permanente Verschiebungen ergänzt. Die stochastische Permanente Pause (STOPBREAK) Prozess basiert auf der Prämisse, dass ein Schock ist wahrscheinlicher, dauerhaft zu sein, wenn es groß ist, als wenn es klein ist. Diese Formulierung wird durch eine Klasse von Prozessen motiviert, die zufälligen Strukturbrüchen unterliegen. Es wird die Übereinstimmung und die asymptotische Normalität von Quasi-Maximum-Likelihood-Schätzungen etabliert und lokal beste Hypothesentests der NULL einer zufälligen Wanderung entwickelt. Das Modell wird auf die relativen Preise von Aktienpaaren angewendet und ergibt signifikante Teststatistiken. KEYWORDS: Strukturbruch, nichtlinearer gleitender Durchschnitt, Einheitswurzeln, quasi Maximum-Likelihood-Schätzung, Neyman-Pearson-Test, lokal bestes Test, temporäre Kointegration. 1. EINFÜHRUNG Zeitreihenanalysten neigen dazu, eine scharfe Linie zwischen Prozessen zu ziehen, bei denen Schocks eine permanente Wirkung haben und solche, in denen sie nicht auftreten. Das bemerkenswerteste Beispiel hierfür ist die Unterscheidung zwischen stationären AR (1) - Prozessen, bei denen alle Schocks transitorisch sind und der zufällige Weg. Wenn sich die autoregressive Wurzel einer annähert, nimmt die Rate, mit der die Schocks zu erwarten sind, ab, aber sie bleiben transitorisch. Dieses Papier soll die Kluft zwischen Vergänglichkeit und Beständigkeit durch Formulierung eines Prozesses, in dem die langfristigen Auswirkungen jeder Beobachtung ist zeitvariabel und stochastisch zu überbrücken. In einem Extrem sind alle Innovationen transitorisch und auf der anderen sind alle Schocks permanent. 2 von Kirstin Hubrich, Helmut Ltkepohl, Pentti Saikkonen. 1998. Die Literatur zu den Kointegrationstests der Systeme wird überprüft und die verschiedenen Sätze von Annahmen für die asymptotische Validität der Tests werden in einem allgemeinen einheitlichen Rahmen verglichen. Der Vergleich umfasst Likelihood-Verhältnis-Tests, Lagrange Multiplikator und Wald-Typ-Tests, Lag-Augmentationstests, te. Die Literatur zu den Kointegrationstests der Systeme wird überprüft und die verschiedenen Sätze von Annahmen für die asymptotische Validität der Tests werden in einem allgemeinen einheitlichen Rahmen verglichen. Der Vergleich umfasst Likelihood-Ratio-Tests, Lagrange Multiplikator - und Wald-Typprüfungen, Lag-Augmentationstests, kanonische Korrelationen, die Stock-Watson-Tests und die nichtparametrischen Tests von Bierensampapos. Asymptotische Ergebnisse hinsichtlich der Leistungsfähigkeit dieser Tests und früherer Simulationsstudien werden diskutiert. Weitere Themen und Vorschläge im Rahmen von Kointegrationsversuchen werden auch kurz diskutiert. Neue Simulationen werden vorgestellt, um die Tests unter einheitlichen Bedingungen zu vergleichen. Besonderes Augenmerk wird auf die Sensitivität der Testleistung in Bezug auf die Trenneigenschaften des DGP gelegt. Schlüsselwörter: Systeme Kointegrationstests, LR - Tests, nichtparametrische Tests, asymptotische Kraft, kleine Probensimulationen 1 Wir danken Christian Müller für die Hilfe bei den Berechnungen und. Von O. Arda Vanli, Enrique Del Castillo. Herkömmliche Ansätze zur Closed-Loop-Identifizierung von Übertragungsfunktionsmodellen erfordern einen ausreichend großen Datensatz und Modellformen, die allgemein genug sind, während gleichzeitig eine Form einer externen Erregung (ein Zittersignal) an den Prozess angelegt werden muss. In der Grenze, wie die dith. Herkömmliche Ansätze zur Closed-Loop-Identifizierung von Übertragungsfunktionsmodellen erfordern einen ausreichend großen Datensatz und Modellformen, die allgemein genug sind, während gleichzeitig eine Form einer externen Erregung (ein Zittersignal) an den Prozess angelegt werden muss. Wenn das Zittersignal die Steuerungsaktionen dominiert, ist die Identifikation einfacher, aber der Betrieb des Prozesses wird demjenigen eines unkontrollierten (d. h. offenen) Prozesses, der nicht akzeptabel sein könnte, näher. Dieses Papier schlägt ein System-Identifizierungsverfahren mit geschlossener Schleife vor, das darauf abzielt, Modellparameterschätzungen zu verbessern, indem Vorwissen über das Verfahren in Form von Randbedingungen ohne die Verwendung eines Zittersignals integriert werden. Eine Monte-Carlo-Simulationsstudie wird vorgestellt, um die kleinen Beispielvorteile des Hinzufügens verschiedener Formen von Zwängen zu veranschaulichen. Es wird gezeigt, wie Einschränkungen, die auf Prozeßwissen basieren, die aus früheren Erfahrungen relativ leicht zu kennen sind, zu den am besten identifizierten Modellen unter den betrachteten Bedingungen führen. Insbesondere zeigt sich die Kenntnis der Eingangs-Ausgangsverzögerung des Prozesses als das wichtigste bei der Identifizierung eines Prozesses im geschlossenen Regelkreis. Ein Beispiel, das auf einem realen Prozess basiert, veranschaulicht die Vorteile des vorgeschlagenen Verfahrens gegenüber dem Dithersignalansatz. Schlüsselwörter: Box-Jenkins Transfer-Funktionsmodelle, eingeschränkte nicht-lineare kleinste Quadrate, vorherige Prozesskenntnisse, Feedback-Kontrolle. 1 von Eiji Kurozumi - Hitotsubashi Zeitschrift für Wirtschaftswissenschaften. 2009. Wir schlagen einen (Trend-) Stationaritäts-Test mit einer guten endlichen Stichprobengröße vor, auch wenn ein Prozess mit starker Beharrung stationär ist, was zur Unterscheidung zwischen einem (Trend-) stationären Prozess mit starker Persistenz und einem Einheitsroot-Prozess nützlich ist. Es könnte als eine modifizierte Version betrachtet werden. Wir schlagen einen (Trend-) Stationaritäts-Test mit einer guten endlichen Stichprobengröße vor, auch wenn ein Prozess mit starker Beharrung stationär ist, was zur Unterscheidung zwischen einem (Trend-) stationären Prozess mit starker Persistenz und einem Einheitsroot-Prozess nützlich ist. Es könnte als eine modifizierte Version von Leybourne und McCabes Test (1994, LMC), aber mit einer anderen Korrekturmethode für die serielle Korrelation betrachtet werden. Eine Monte-Carlo-Simulation zeigt, dass unser Test in Bezug auf die empirische Größe näher am Nominalwert liegt als der ursprüngliche LMC-Test und stärker als der LMC-Test mit größenangepassten kritischen Werten ist. . Wir schlagen eine neue Teststatistik für die Trend-Stationarität gegen Differenz-Stationarität unter Verwendung spektraler Dichte-Schätzer vor. Die spektrale Dichte des ersten differenzierten Prozesses entspricht Null bei der Nullfrequenz unter dem Nullpunkt der Trend-Stationarität, während Differenz-Stationarität positiv s ergibt. Wir schlagen eine neue Teststatistik für die Trend-Stationarität gegen Differenz-Stationarität unter Verwendung spektraler Dichte-Schätzer vor. Die spektrale Dichte des ersten differenzierten Prozesses entspricht Null bei der Nullfrequenz unter der Null der Trend-Stationarität, während die Differenz-Stationarität ein positives Spektrum nahe Nullfrequenz liefert. Mit dieser einseitigen Natur des Spektrums konstruieren wir gültige Testverfahren basierend auf kernbasierten Spektraldichte-Schätzern. Man beachte, daß die Spektraldichtemessung unter dem Nullwert degeneriert wird, wo man nicht einfach Standardresultate in der Literatur der Heteroskedastizität und der Autokorrelationskonstanten (HAC) - Schätzung anwendet. Wir liefern neue Ergebnisse auf asymptotische Verteilung der Spektraldichte Schätzer unter Entartung. Es wurde festgestellt, dass die Konvergenzraten, die die nicht degenerierende asymptotische Varianz des Schätzers gewährleisten, viel schneller sind als die Rate, die für herkömmliche HAC-Schätzer erforderlich ist. Die Konsistenz des vorgeschlagenen Tests wird ebenfalls diskutiert. Simulationsstudien zeigen, dass unser Spektrum-basierter Test im Vergleich zum bekannten KPSS-Test hinsichtlich der Leistungsfähigkeit wettbewerbsfähig ist. Anwendungen zu einigen US makroökonomischen Reihen werden dargestellt. Abstract nicht gefunden von Suzanne Mccoskey, Chihwa Kao. Dieses Papier schlägt einen residbasierten Lagrange-Multiplikator (LM) - Test für die Null der Kointegration in Paneldaten vor. Der Test ist analog zu der lokal besten unvoreingenommene invarianten (LBUI) für einen gleitenden Durchschnitt (MA) Einheit root. Die asymptotische Verteilung des Tests wird unter der Null abgeleitet. Monte Carlo simu. Dieses Papier schlägt einen residbasierten Lagrange-Multiplikator (LM) - Test für die Null der Kointegration in Paneldaten vor. Der Test ist analog zu der lokal besten unvoreingenommene invarianten (LBUI) für einen gleitenden Durchschnitt (MA) Einheit root. Die asymptotische Verteilung des Tests wird unter der Null abgeleitet. Monte-Carlo-Simulationen werden durchgeführt, um die Größe und die Leistungseigenschaften des vorgeschlagenen Tests zu untersuchen. Insgesamt sind die empirischen Größen der LM-FM und LM-DOLS auch bei kleinen Proben nahe an der tatsächlichen Größe. Die Leistung ist recht gut für die Tafeln, wo T 50, und anständig mit Tafeln für weniger Beobachtungen in T. In unserer xed Probe von N 50 und T 50, das Vorhandensein eines gleitenden Durchschnitt und Korrelation zwischen den Regressor-Fehler und Regressoren verursacht die beiden Tests Um die Wahl der Schätzverfahren zu komplizieren. Im Allgemeinen scheint der LM-DOLS-Test bei der Korrektur dieser Effekte besser zu sein, obwohl in einigen Fällen der LM-FM-Test stärker ist. Obwohl ein Großteil der nicht stationären Zeitreihen-Ökonometrie kritisiert worden ist, weil sie mehr mit den spezifischen Eigenschaften des Datensatzes als mit den ökonomischen Modellen zu tun haben, hat die jüngste Entwicklung der Kointegrationsliteratur eine konkrete Brücke zwischen wirtschaftlich langer Zeit geschaffen Theorie und Zeitreihenmethoden. Unser Test ermöglicht jetzt die Prüfung der Null der Kointegration in einem Panel-Einstellung und sollte von erheblichem Interesse für Wirtschaftswissenschaftler in einer Vielzahl von Bereichen sein. 1 von Biing-shen Kuo, Ching-chuan Tsong. 2005 von Diego Lubian, Diego Lubian. 2009. Stationaritätstests zeigen extreme Größenverzerrungen, wenn der beobachtbare Prozess stationär und dennoch hoch persistent ist. In dieser Arbeit stellen wir eine theoretische Erklärung für die Größenverzerrung des KPSS-Tests für DGPs mit einem breiten Bereich des Autokorrelationskoeffizienten erster Ordnung zur Verfügung. Betrachtet man eine nahe-i. Stationaritätstests zeigen extreme Größenverzerrungen, wenn der beobachtbare Prozess stationär und dennoch hoch persistent ist. In dieser Arbeit stellen wir eine theoretische Erklärung für die Größenverzerrung des KPSS-Tests für DGPs mit einem breiten Bereich des Autokorrelationskoeffizienten erster Ordnung zur Verfügung. Unter Berücksichtigung eines nahezu integrierten, nahezu stationären Prozesses zeigen wir, dass die asymptotische Verteilung des Tests einen zusätzlichen Term enthält, der möglicherweise die Größe der in früheren Simulationsstudien dokumentierten Größenverzerrungen erklären kann. Von Steen Koekebakker, Sigbjrn Sdal. 2006. Zusammenfassung: In der neueren Literatur zeigen empirische Untersuchungen der Stationarität der Frachtraten oft, dass die Frachtraten nicht stationär sind. Allerdings würden viele maritime Ökonomen argumentieren, dass die Frachtrate nicht asymptotisch explosive Verhalten zeigen kann, wie von non-stationar impliziert. Zusammenfassung: In der neueren Literatur zeigen empirische Untersuchungen der Stationarität der Frachtraten oft, dass die Frachtraten nicht stationär sind. Allerdings würden viele maritime Ökonomen argumentieren, dass die Frachtrate kein asymptotisch explosives Verhalten zeigen kann, wie es die Nichtstationarität nahelegt, in einem vollkommen konkurrenzfähigen Frachtmarkt. Dieses Papier stellt die theoretischen Argumente hinter der mittleren Reversion und der Beschränkung des Spot-Frachtratenprozesses wieder und schlägt vor, dass das Versagen, Nichtstationarität zurückzuweisen, möglicherweise auf die schwache Leistung der am häufigsten verwendeten Tests zurückzuführen ist. Wir verwenden eine nicht-lineare Version des Augmented Dickey-Fuller (ADF) - Tests, basierend auf einem autoregressiven Modell mit exponentiell glattem Übergang (ESTAR). Dieser Test verbessert die Leistung gegen Mittelwert-nicht-lineare alternative Hypothesen gegenüber der linearen Alternative für herkömmliche ADF-Tests. Unsere empirischen Ergebnisse zeigen im Einklang mit der maritimen Wirtschaftstheorie, dass die Frachtraten sowohl im Trocken - als auch im Tankermarkt nichtlinear stationär sind.