Pierwiastek jednostkowy – wprowadzenie do analizy szeregów czasowych

Pierwiastek jednostkowy jest kluczowym pojęciem w dziedzinie analizy statystycznej, zwłaszcza w kontekście modelowania szeregów czasowych. Odgrywa istotną rolę w zrozumieniu zachowań procesów stochastycznych, które są podstawą wielu aplikacji w ekonomii, finansach i naukach przyrodniczych. W niniejszym artykule przyjrzymy się definicji pierwiastka jednostkowego, jego właściwościom oraz metodom wykrywania w kontekście analizy danych czasowych.

Definicja pierwiastka jednostkowego

Aby zrozumieć, czym jest pierwiastek jednostkowy, warto zacząć od omówienia procesów stochastycznych. Proces stochastyczny o czasie dyskretnym można opisać za pomocą równania autoregresyjnego, które uwzględnia wcześniejsze wartości tego procesu oraz losowe zakłócenia. W ogólnym przypadku taki proces można zapisać jako:

yt = a1yt-1 + a2yt-2 + ... + apyt-p + εt

gdzie (εt, t = 0, 1, 2, ...) to proces losowy o średniej zero i stałej wariancji. Proces stochastyczny ma pierwiastek jednostkowy, gdy pierwiastkiem równania charakterystycznego jest 1. Oznacza to, że proces jest niestacjonarny – jego statystyki opisujące nie zmieniają się w czasie.

Znaczenie niestacjonarności w analizie szeregów czasowych

Niestacjonarność jest często spotykaną cechą danych czasowych. Oznacza to, że ich średnia i wariancja zmieniają się w czasie, co może prowadzić do błędnych wniosków przy stosowaniu standardowych metod statystycznych. Obecność pierwiastka jednostkowego wskazuje na to, że modelowanie takiego procesu wymaga zastosowania technik dostosowanych do danych niestacjonarnych.

Pierwiastek jednostkowy można uznać za sygnał, że dane mogą wymagać transformacji, aby stały się stacjonarne. W przeciwnym razie analizy oparte na tych danych mogą prowadzić do niewłaściwych prognoz i interpretacji.

Procesy zintegrowane rzędu pierwszego

Kiedy mówimy o procesach zintegrowanych rzędu pierwszego, oznacza to, że dane muszą być różnicowane przynajmniej raz, aby uzyskać stacjonarność. Takie procesy zapisujemy jako I(1). Przykładem może być proces autoregresyjny pierwszego rzędu (AR(1)), który będzie miał pierwiastek jednostkowy wtedy, gdy współczynnik a1 wynosi 1.

Mierzenie obecności pierwiastka jednostkowego

Aby ustalić obecność pierwiastka jednostkowego w szeregu czasowym, stosuje się różne metody statystyczne. Najpopularniejszymi testami są: test Dickeya-Fullera oraz jego rozszerzenia. Test Dickeya-Fullera bada hipotezę zerową mówiącą o tym, że szereg czasowy ma pierwiastek jednostkowy. Jeśli hipoteza zerowa zostanie odrzucona, można przyjąć, że dane są stacjonarne.

Test Dickeya-Fullera

Test ten można przeprowadzić na kilka sposobów: wersja podstawowa (ADF) oraz ADF z trendem lub bez niego. Wyniki testu dostarczają informacji na temat tego, czy szereg czasowy wymaga różnicowania. Istotnym elementem testowania jest także wybór odpowiedniego poziomu

Artykuł sporządzony na podstawie: Wikipedia (PL).