Question

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：

系列1 = 1
系列2 = 0.1418577
趋势=-15.7603490

（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")

Answer 1

来自Wikipedia

“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；）

趋势的协整测试

1 个答案: