我有一个带有两个变量的数据帧(df),其中已经发现我的订单需要5个滞后,然后我测试了差分序列的均值向量,以查看是否需要考虑(i)拦截(ii)没有拦截(iii)拦截和时间趋势。
adfTest(df[,1], lags = 5, type = "c") # p-value 0.94
adfTest(df[,1], lags = 5, type = "nc") # p-value 0.91
adfTest(df[,1], lags = 5, type = "ct") # p-value 0.04
adfTest(df[,2], lags = 5, type = "c") # p-value 0.96
adfTest(df[,2], lags = 5, type = "nc") # p-value 0.19
adfTest(df[,2], lags = 5, type = "ct") # p-value 0.74
(1)从上面的p值中,我可以看到对于我的第一个系列,我应该使用截距和时间趋势,但是对于我的第二个系列,情况并非如此。 这是一个问题吗?(当我使用ca.jo测试时,当我包含截距和趋势时发现协整的存在,但是当我不包括趋势时,协整就没有成功。)< / p>
然后我进行了趋势的特征值协整检验:
cointest <- ca.jo(cointest, K = 5, type = "eigen", ecdet = "trend", spec = "transitory")
其中r = 0的临界值导致拒绝没有协整的null。
这给了我线性组合系数:
(2)如何形成这些系列的线性组合?我尝试了以下代码,但我认为这是不正确的。
s = 1.000*df$df[,1]+ 0.1418577*df$df[,2] - 15.760349**as.numeric(rownames(df)) # so the trend will decrease by 15.7 for each row
plot(s, type="l")
答案 0 :(得分:0)
“最大特征值”检验的零假设与跟踪检验相同,但替代方案为r = r * + 1,并且再次针对r * = 1,2等依次进行检验,第一个检验不排斥用作r的估计量。
因此,如果您不能拒绝r = 0的H0,则应该没有协整关系。
更新 我无法给您完整的答案,但也许是我的第一个想法:
似乎df [,1]是趋势平稳的。因此,我不确定,如果此时间序列是I(1)并满足VECM的“条件”。如果不是这样,情况将变得更加复杂。参见Peseran 2001
也许最好与其他测试一起检查平稳性,以确保安全。 (PP测试,KPSS等)
您还可以使用ca.jo
type="trace
的第二项测试。
根据不确定的具体“趋势”问题,我不确定,并且也会对答案感兴趣;)