Nie próbowałem powielać problemów z gretl, ale przynajmniej pakiety R, o których wspomniałeś, wydają się zgadzać, jeśli zarówno deterministyka (trend vs. stała, czyli dryf vs. brak), i opóźnienia (stałe, kryteria informacyjne, heurystyka ) są określane w ten sam sposób. Istnieją różnice w sposobie obliczania wartości p, ale w przypadku wygenerowanych danych x
są one bardzo podobne.
Poniższy przegląd napisałem dla moich uczniów i pomyślałem, że może się nim tutaj podzielić, jeśli ktoś uzna go za przydatny. Osobiście najczęściej używałem tseries
i CADFtest
:
-
adf.test ()
w tseries
.
Deterministyka: tylko trend liniowy.
Lagi: domyślnie heurystyczne, ale może zostać wybrane przez użytkownika.
Wartość p: z tabeli wartości krytycznych. -
CADFtest ()
w CADFtest
.
Deterministics: Trend domyślnie, stały (inaczej dryf) lub brak również obsługiwane.
Lagi: domyślne wynosi 1, ale można ją wybrać za pomocą kryteriów informacyjnych lub przez użytkownika.
Wartość p: Obliczenia na podstawie Costantini et al. (2007). Zobacz także Lupi (2009). Unit Root CADF Testing z R. Journal of Statistics Software, 32 (2), 1-19. http://www.jstatsoft.org/v32/i02/.
Komentarze: dodatkowe regresory (i ich opóźnienia) można dodać do pomocniczej regresji. - ur.df () w
urca
.
Determinystyka: domyślnie brak, obsługiwane również stałe i trend.
Lagi: Domyślnie 1, ale można je wybrać poprzez kryteria informacyjne lub przez użytkownika.
Wartość P: Brak, ale summary ()
zgłasza tabelę wartości krytycznych (1%, 5%, 10%). -
adfTest ()
in fUnitRoots
.
Deterministics: domyślnie brak, obsługa stałych i trendów.
Lagi: wartość domyślna to 1, ale może być wybrana przez użytkownika.
Wartość p: z tabeli wartości krytycznych.
Uwagi: Na podstawie adf.test ()
z tseries
, ale rozszerzono o dodatkowe deterministics.
Dla wygenerowanych danych:
set.seed (1) x <- rnorm (50, 0, 3)
Spójrzmy na różne wyniki testu z trendem (ponieważ jest to obsługiwane przez wszystkie funkcje) i 10 opóźnień (jak sugerowano przez twoją heurystykę powyżej). Statystyki testu są zawsze dokładnie takie same, a wartości p są zbliżone.
tseries :: adf.test (x, k = 10) ## Rozszerzony test Dickeya-Fullera ## ## data: x # # Dickey-Fuller = -1,6757, kolejność opóźnień = 10, wartość p = 0,7044 ## hipoteza alternatywna: biblioteka stacjonarna ("CADFtest") CADFtest (x, max.lag.y = 10, type = "trend") ## ADF test ## ## dane: x ## ADF (10) = -1,6757, wartość p = 0,743 ## hipoteza alternatywna: prawdziwa delta jest mniejsza niż 0 ## przykładowe szacunki: ## delta ## -1,751283 urca :: ur. df (x, lags = 10, type = "trend") ## ################################# ############################ ## # Rozszerzony test rootowania / kointegracji jednostki testowej Dickeya-Fullera # ## ##### ################################################# ######## ## ## Wartość statystyki testowej to: -1,6757 1,3699 2,0189 fUnitRoots :: adfTest (x, lags = 10, type = "ct") ## Title: ## Augmented Dickey- Pełniejszy test ## ## Wyniki testu: ## PARAMETER: ## Kolejność opóźnień: 10 ## STATISTIC: ## Dickey-Fuller: -1.6757 ## P WARTOŚĆ: ## 0.7044 ## ## Opis: ## Sat Aug 22 20:19:18 2015 by user: zeileis