単位根検定

同義語:unit root test

概要

単位根検定(unit root test)とは、時系列 $y_t=\rho y_{t-1}+u_t$ が単位根 $\rho=1$ をもち和の過程としてさまようのか、定常な過程なのかを判定する検定である。代表の Dickey–Fuller 検定は最小二乗推定量の $t$ 値を使うが、帰無仮説のもとで $n(\hat\rho-1)$ と $t$ 値は正規分布でなく $\frac{W(1)^2-1}{2\int_0^1W^2}$ のような Brown 運動の汎関数に分布収束するので、回帰の形(定数・傾向の有無)ごとの専用の臨界値を使う。誤差の系列相関はラグを加えるか補正する。経済・金融の時系列で、差分をとるか、共和分を調べるかを決める最初の段階で使う。

$$\newcommand{C}[0]{\mathbb{C}} \newcommand{div}[0]{\mathbin{÷}} \newcommand{N}[0]{\mathbb{N}} \newcommand{Q}[0]{\mathbb{Q}} \newcommand{R}[0]{\mathbb{R}} \newcommand{Z}[0]{\mathbb{Z}} $$

前提知識: ランダムウォーク, 最小二乗法, Donskerの定理

物価の水準や為替の相場のような時系列が、ショックのあとにある水準へ戻っていくのか、それとも ランダムウォーク のように戻らずにさまようのかは、予測にも回帰の解釈にも大きく効く。1 次の自己回帰
$$ y_t=\rho y_{t-1}+u_t $$
で言えば、$\lvert\rho\rvert< 1$ なら $y$ は定常に近づき、$\rho=1$ なら $y_t=y_0+u_1+\dots+u_t$ は和の過程になる。$\rho=1$ を 単位根 をもつという(特性多項式 $1-\rho z$ の根 $z=1/\rho$ が $1$ になるため)。帰無仮説 $\rho=1$ を、対立仮説 $\lvert\rho\rvert< 1$ に対して検定するのが 単位根検定 である。
ここには通常の検定の常識が通じない点がある。$\lvert\rho\rvert< 1$ なら最小二乗推定量 $\hat\rho$ の誤差は $1/\sqrt n$ の大きさだが、$\rho=1$ では誤差は $1/n$ の大きさで、$n(\hat\rho-1)$ の極限は正規分布でなく Brown 運動の汎関数になる。そのため $t$ 値を標準正規分布の臨界値と比べると誤る。
この記事では、Dickey–Fuller の統計量の極限分布を、誤差が独立同分布の場合と有限次の移動平均の場合について証明し(thm-ur-limit)、定常な対立仮説のもとで検定の検出力が $1$ に近づくことを示す(prop-ur-consistent)。記法は 共和分 と ARMAモデル にそろえる。

定義と使える条件

$(\varepsilon_t)_{t\in\mathbb Z}$ を独立同分布の実確率変数の列で、平均 $0$、分散 $\sigma^2\in(0,\infty)$ のものとする。$W$ は $[0,1]$ 上の標準 Brown運動 を表す。

単位根過程と Dickey–Fuller の統計量

整数 $q\ge0$ と実数 $\psi_0,\dots,\psi_q$ を $\psi(1):=\psi_0+\dots+\psi_q\ne0$ となるようにとり、$u_t:=\sum_{j=0}^q\psi_j\varepsilon_{t-j}$ とおく。確率変数 $y_0$ から
$$ y_t=y_{t-1}+u_t\qquad(t\ge1) $$
で定まる $(y_t)$ を 単位根過程 という。観測 $y_0,\dots,y_n$ による次の 2 つの最小二乗推定量を考える。

  1. 定数なしの回帰 $y_t=\rho y_{t-1}+e_t$:$\hat\rho:=\dfrac{\sum_{t=1}^ny_{t-1}y_t}{\sum_{t=1}^ny_{t-1}^2}$。
  2. 定数ありの回帰 $y_t=c+\rho y_{t-1}+e_t$:$\bar y_-:=\frac1n\sum_{t=1}^ny_{t-1}$ として $\hat\rho_\mu:=1+\dfrac{\sum_{t=1}^n(y_{t-1}-\bar y_-)(y_t-y_{t-1})}{\sum_{t=1}^n(y_{t-1}-\bar y_-)^2}$。
    $n(\hat\rho-1)$ と、$t$ 値 $\tau:=(\hat\rho-1)\big/\sqrt{s^2/\sum_ty_{t-1}^2}$($s^2:=\frac1{n-1}\sum_t(y_t-\hat\rho y_{t-1})^2$ は残差の分散)を Dickey–Fuller の統計量 という。定数ありの回帰の同じ量を $n(\hat\rho_\mu-1)$、$\tau_\mu$ と書く($\tau_\mu$ では $y_{t-1}$ を $y_{t-1}-\bar y_-$ に替え、残差の平方和を $n-2$ で割る)。分母が $0$ になる事象では値を $0$ と定める(その確率は $n\to\infty$ で $0$ に近づく)。

代表の単位根検定である Dickey–Fuller 検定 は、帰無仮説 $H_0:\rho=1$ を対立仮説 $H_1:\lvert\rho\rvert< 1$ に対して検定し、$\tau$(または $n(\hat\rho-1)$)が下側の臨界値より小さいとき $H_0$ を棄却する。臨界値は下の thm-ur-limit の極限分布からとる。
誤差の大きさを表す 2 つの量を使う。
$$ \gamma_0:=E[u_t^2]=\sigma^2\sum_{j=0}^q\psi_j^2,\qquad\lambda^2:=\sigma^2\psi(1)^2,\qquad\kappa:=\frac{\gamma_0}{\lambda^2}. $$
$\lambda^2$ は $u$ の 長期分散 で、$\operatorname{Var}(u_1+\dots+u_n)/n\to\lambda^2$ を満たす。誤差が独立同分布($q=0$)なら $\kappa=1$ である。
使える条件は次のとおりである。

  • (i) 誤差の分散が有限:$\sigma^2< \infty$。Donskerの定理 を使うのに要る。
  • (ii) 長期分散が正:$\psi(1)\ne0$。$\psi(1)=0$ なら $y_t-y_0$ は有界な分散にとどまり、$y$ は単位根過程でなくなる。
  • (iii) 回帰の形と臨界値の表が一致する:定数なし・定数あり・定数と傾向ありで極限分布が異なる。
  • (iv) 誤差の系列相関を補正する:$\kappa\ne1$ なら極限分布がずれる。補正しないと検定の大きさが名目の水準からずれる(ex-ur-ma1)。

公式の表

対象式・結論使える条件根拠
分子の恒等式$\sum_{t=1}^ny_{t-1}u_t=\frac12\bigl(y_n^2-y_0^2-\sum_{t=1}^nu_t^2\bigr)$単位根過程prf-ur-limit の段 4
推定量の極限$n(\hat\rho-1)\Rightarrow\dfrac{W(1)^2-\kappa}{2\int_0^1W(r)^2\,dr}$(i)(ii)thm-ur-limit
$t$ 値の極限$\tau\Rightarrow\dfrac{W(1)^2-\kappa}{2\sqrt\kappa\,(\int_0^1W^2)^{1/2}}$(i)(ii)thm-ur-limit
定数ありの極限$n(\hat\rho_\mu-1)\Rightarrow\dfrac{\frac12(W(1)^2-\kappa)-W(1)\int_0^1W}{\int_0^1W^2-(\int_0^1W)^2}$(i)(ii)thm-ur-limit
下向きの偏り$\lim_nP(\hat\rho< 1)=P(\lvert Z\rvert< 1)\approx0.6827$($Z\sim N(0,1)$)(i)(ii)、$\kappa=1$ex-ur-bias
分母の大きさ$E[n^{-2}\sum_ty_{t-1}^2]=\sigma^2\frac{n-1}{2n}$、$E\int_0^1W^2=\frac12$、$\operatorname{Var}\int_0^1W^2=\frac13$$y_0=0$、$q=0$ex-ur-denominator
定常な場合$\hat\rho\to\rho$ で、$n(\hat\rho-1)\to-\infty$、$\tau\to-\infty$$\lvert\rho\rvert< 1$prop-ur-consistent

漸近分布の臨界値は次のとおりである(数値計算による値。長さ $1000$ の正規の酔歩を $2\times10^5$ 回作って求めた分位点で、模擬の誤差と有限の長さの影響のため、表の最後の桁は数単位ずれうる。とくに 1% の値は誤差が大きい)。

回帰$n(\hat\rho-1)$ の 1%・5%・10%$\tau$ の 1%・5%・10%
定数なし$-13.5$、$-8.0$、$-5.7$$-2.56$、$-1.94$、$-1.61$
定数あり$-20.6$、$-14.1$、$-11.2$$-3.44$、$-2.87$、$-2.57$
定数と傾向$-29.2$、$-21.7$、$-18.2$$-3.99$、$-3.42$、$-3.13$

標準正規分布の 5% の臨界値 $-1.645$ よりずっと左にある。定数と傾向を入れた回帰の極限も、下の証明と同じ方法で $W$ を $1$ と $r$ への射影の残差に置き換えた汎関数になる(この記事では証明しない)。

主定理

Dickey–Fuller の統計量の極限分布

Dickey–Fuller の統計量の極限分布

$(y_t)$ を def-ur-main の単位根過程とし、$\kappa=\gamma_0/\lambda^2$ とする。$n\to\infty$ で、次がそれぞれ分布収束の意味で成り立つ($\Rightarrow$ で表す)。

  1. $n(\hat\rho-1)\Rightarrow\dfrac{W(1)^2-\kappa}{2\int_0^1W(r)^2\,dr}$。
  2. $\tau\Rightarrow\dfrac{W(1)^2-\kappa}{2\sqrt\kappa\,\bigl(\int_0^1W(r)^2\,dr\bigr)^{1/2}}$。
  3. $n(\hat\rho_\mu-1)\Rightarrow\dfrac{\frac12\bigl(W(1)^2-\kappa\bigr)-W(1)\int_0^1W(r)\,dr}{\int_0^1W(r)^2\,dr-\bigl(\int_0^1W(r)\,dr\bigr)^2}$。
    とくに誤差が独立同分布($q=0$)なら $\kappa=1$ で、極限の分布は $\sigma^2$ にも $\varepsilon_t$ の分布にもよらない。

$\varepsilon_t,\psi_j$ を $-\varepsilon_t,-\psi_j$ に置き換えても $u_t$ は変わらず、$-\varepsilon_t$ も同じ条件を満たすので、$\psi(1)>0$ としてよい。このとき $\lambda=\sigma\psi(1)$ である。$S_t:=\varepsilon_1+\dots+\varepsilon_t$($S_0=0$)とする。
段 1(Beveridge–Nelson 分解)。 $\psi_j^*:=\sum_{k=j+1}^q\psi_k$($0\le j< q$)、$\eta_t:=\sum_{j=0}^{q-1}\psi_j^*\varepsilon_{t-j}$ とおく($q=0$ なら $\eta_t=0$)。$\varepsilon_t$ の係数は $\psi(1)-\psi_0^*=\psi_0$、$\varepsilon_{t-k}$($k\ge1$)の係数は $\psi_{k-1}^*-\psi_k^*=\psi_k$($\psi_q^*:=0$)なので
$$ u_t=\psi(1)\varepsilon_t-(\eta_t-\eta_{t-1}) $$
である。$t=1,\dots,m$ で足すと $y_m=\psi(1)S_m-\eta_m+(y_0+\eta_0)$ を得る(共和分 の定理「共和分ベクトルの特徴づけ」の 1 次元の有限和の場合)。
段 2(小さい項)。 $\xi_t$ が同じ分布に従い $E[\xi_0^2]< \infty$ なら、$\delta>0$ について
$$ P\Bigl(\max_{0\le t\le n}\lvert\xi_t\rvert>\delta\sqrt n\Bigr)\le(n+1)P(\xi_0^2>\delta^2n)\le\frac{n+1}{\delta^2n}E\bigl[\xi_0^2\mathbf 1_{\{\xi_0^2>\delta^2n\}}\bigr]\to0 $$
である(最後は優収束定理)。これを $\xi_t=\eta_t$ と $\xi_t=\varepsilon_t$ に使うと、$D_n:=\bigl(\lvert y_0\rvert+\lvert\eta_0\rvert+\max_{t\le n}\lvert\eta_t\rvert+\psi(1)\max_{t\le n}\lvert\varepsilon_t\rvert\bigr)/(\lambda\sqrt n)$ は確率 $0$ に収束する。
段 3(Donsker の定理への帰着)。 $Y_n\in C[0,1]$ を、時刻 $t/n$ で値 $S_t/(\sigma\sqrt n)$ をとり間を線分で結んだ関数とする(Donskerの定理 の縮めた折れ線を $\varepsilon_t/\sigma$ で作ったもの)。$y^{(n)}(r):=y_{\lfloor nr\rfloor}/(\lambda\sqrt n)$ とおくと、段 1 から $0\le r\le1$ で
$$ \bigl\lvert y^{(n)}(r)-Y_n(r)\bigr\rvert\le\frac{\lvert y_0+\eta_0\rvert+\lvert\eta_{\lfloor nr\rfloor}\rvert}{\lambda\sqrt n}+\frac{\max_t\lvert\varepsilon_t\rvert}{\sigma\sqrt n}\le D_n $$
である($Y_n(r)$ と $S_{\lfloor nr\rfloor}/(\sigma\sqrt n)$ の差は $\lvert\varepsilon_{\lfloor nr\rfloor+1}\rvert/(\sigma\sqrt n)$ 以下)。次の 3 つの量を考える。
$$ A_n:=\frac{y_n}{\lambda\sqrt n}=y^{(n)}(1),\quad B_n:=\frac{\bar y_-}{\lambda\sqrt n}=\int_0^1y^{(n)}(r)\,dr,\quad C_n:=\frac{\sum_{t=1}^ny_{t-1}^2}{\lambda^2n^2}=\int_0^1y^{(n)}(r)^2\,dr. $$
($[\frac{t}{n},\frac{t+1}{n})$ の上で $y^{(n)}=y_t/(\lambda\sqrt n)$ なので積分は和に等しい。)$M_n:=\max_r\lvert Y_n(r)\rvert$ とおくと
$$ \lvert A_n-Y_n(1)\rvert\le D_n,\quad\Bigl\lvert B_n-\int_0^1Y_n\Bigr\rvert\le D_n,\quad\Bigl\lvert C_n-\int_0^1Y_n^2\Bigr\rvert\le D_n(2M_n+D_n) $$
である。$g\colon\mathbb R^3\to\mathbb R$ が有界連続なら $f\mapsto g\bigl(f(1),\int f,\int f^2\bigr)$ は $C[0,1]$ 上の有界連続関数なので、Donskerの定理 により $\bigl(Y_n(1),\int Y_n,\int Y_n^2\bigr)\Rightarrow\bigl(W(1),\int W,\int W^2\bigr)$ である。同じく $M_n\Rightarrow\max\lvert W\rvert$ なので $M_n$ は確率で有界で、上の差はすべて確率 $0$ に収束する。Slutsky の補題(差が確率 $0$ に収束する列は同じ極限に分布収束する)により
$$ (A_n,B_n,C_n)\Rightarrow\Bigl(W(1),\int_0^1W,\int_0^1W^2\Bigr). $$
段 4(分子の恒等式)。 $y_t^2=y_{t-1}^2+2y_{t-1}u_t+u_t^2$ を $t=1,\dots,n$ で足すと $\sum_ty_{t-1}u_t=\frac12\bigl(y_n^2-y_0^2-\sum_tu_t^2\bigr)$ である。さらに $\frac1n\sum_tu_t^2\to\gamma_0$(確率収束)を示す。$u_t^2=\sum_{j,k}\psi_j\psi_k\varepsilon_{t-j}\varepsilon_{t-k}$ のうち $j=k$ の項は大数の弱法則で $\psi_j^2\sigma^2$ に収束する。$j\ne k$ の項 $Z_t:=\varepsilon_{t-j}\varepsilon_{t-k}$ は平均 $0$、分散 $\sigma^4$ で、$t\ne s$ なら $\{t-j,t-k\}\ne\{s-j,s-k\}$(等しいと $j-k=k-j$ になる)だから 4 つの添字のどれかが 1 回だけ現れ、$E[Z_tZ_s]=0$ である。よって $\operatorname{Var}(\frac1n\sum_tZ_t)=\sigma^4/n\to0$ で、Chebyshev の不等式から $\frac1n\sum_tZ_t\to0$ である。以上から
$$ N_n:=\frac{1}{\lambda^2n}\sum_{t=1}^ny_{t-1}u_t=\frac12\Bigl(A_n^2-\frac{y_0^2}{\lambda^2n}-\frac{1}{\lambda^2n}\sum_tu_t^2\Bigr) $$
で、段 3 と合わせて $(N_n,A_n,B_n,C_n)\Rightarrow\bigl(\frac12(W(1)^2-\kappa),W(1),\int W,\int W^2\bigr)$ である。
段 5(結論)。 $\int_0^1W^2>0$ と $\int W^2-(\int W)^2>0$ は確率 $1$ で成り立つ(後者は Cauchy–Schwarz の不等式の等号が $W$ が $[0,1]$ で定数のとき、すなわち $W\equiv0$ のときに限ることによる)。$n(\hat\rho-1)=N_n/C_n$ で、$(a,c)\mapsto a/c$ は $c>0$ で連続なので、連続写像の原理(Donskerの定理 の命題「連続写像の原理」と同じ証明が $\mathbb R^4$ で通る)から 1 を得る。
2 について、残差は $y_t-\hat\rho y_{t-1}=u_t-(\hat\rho-1)y_{t-1}$ なので
$$ (n-1)s^2=\sum_tu_t^2-\frac{(\sum_ty_{t-1}u_t)^2}{\sum_ty_{t-1}^2}=\sum_tu_t^2-\lambda^2\frac{N_n^2}{C_n} $$
で、右辺の第 2 項は確率で有界だから $s^2\to\gamma_0$ である。$\tau=n(\hat\rho-1)\cdot\lambda\sqrt{C_n}/s$ なので 1 と同じく 2 を得る。
3 について、$\sum_t(y_{t-1}-\bar y_-)(y_t-y_{t-1})=\sum_ty_{t-1}u_t-\bar y_-(y_n-y_0)$、$\sum_t(y_{t-1}-\bar y_-)^2=\sum_ty_{t-1}^2-n\bar y_-^2$ だから
$$ n(\hat\rho_\mu-1)=\frac{N_n-B_n\bigl(A_n-y_0/(\lambda\sqrt n)\bigr)}{C_n-B_n^2} $$
であり、同じ議論で 3 を得る。$\square$

Itô の公式により $\frac12(W(1)^2-1)=\int_0^1W\,dW$ なので、$\kappa=1$ の 1 の極限は $\int W\,dW\big/\int W^2$ とも書ける。分子の平均は $0$ だが、分母が正の確率変数なので、極限の分布は左に偏る(ex-ur-bias)。

定常な対立仮説のもとでの振る舞い

定常な場合の一致性と検出力

$\lvert\rho\rvert< 1$、$y_t=\rho y_{t-1}+\varepsilon_t$($t\ge1$)とし、$y_0$ は $(\varepsilon_t)_{t\ge1}$ と独立で $E[y_0^2]< \infty$ とする。このとき

  1. $\frac1n\sum_{t=1}^ny_{t-1}^2\to\frac{\sigma^2}{1-\rho^2}$(確率収束)。
  2. $\hat\rho-\rho=O_P(n^{-1/2})$、とくに $\hat\rho\to\rho$。
  3. $n(\hat\rho-1)\to-\infty$、$\tau\to-\infty$(確率収束の意味)。したがって、どの臨界値を固定しても、Dickey–Fuller 検定が $H_0$ を棄却する確率は $1$ に近づく。

$y_t=\rho^ty_0+\sum_{s=1}^t\rho^{t-s}\varepsilon_s$ なので $E[y_t^2]\le2E[y_0^2]+2\sigma^2/(1-\rho^2)=:K$ がすべての $t$ で成り立つ。$y_{t-1}$ は $\varepsilon_t$ と独立なので、$t< s$ なら $E[y_{t-1}\varepsilon_ty_{s-1}\varepsilon_s]=E[y_{t-1}\varepsilon_ty_{s-1}]E[\varepsilon_s]=0$ で
$$ E\Bigl[\Bigl(\sum_{t=1}^ny_{t-1}\varepsilon_t\Bigr)^2\Bigr]=\sigma^2\sum_{t=1}^nE[y_{t-1}^2]\le\sigma^2Kn $$
である。よって $\frac1n\sum_ty_{t-1}\varepsilon_t=O_P(n^{-1/2})$ である。
1:$y_t^2=\rho^2y_{t-1}^2+2\rho y_{t-1}\varepsilon_t+\varepsilon_t^2$ を足すと
$$ (1-\rho^2)\frac1n\sum_{t=1}^ny_{t-1}^2=\frac1n\sum_t\varepsilon_t^2+\frac{2\rho}n\sum_ty_{t-1}\varepsilon_t+\frac{y_0^2-y_n^2}n $$
である。右辺の第 1 項は大数の弱法則で $\sigma^2$ に、第 2 項は上の評価で $0$ に、第 3 項は $E\lvert\cdot\rvert\le2K/n$ より $0$ に確率収束する。
2:$\hat\rho-\rho=\bigl(\frac1n\sum_ty_{t-1}\varepsilon_t\bigr)\big/\bigl(\frac1n\sum_ty_{t-1}^2\bigr)$ で、分子は $O_P(n^{-1/2})$、分母は 1 により正の定数に収束する。
3:2 から $n(\hat\rho-1)=n(\rho-1)+O_P(\sqrt n)\to-\infty$ である。残差の分散は $s^2=\frac1{n-1}\bigl(\sum\varepsilon_t^2-(\sum y_{t-1}\varepsilon_t)^2/\sum y_{t-1}^2\bigr)\to\sigma^2$ で、$\tau=(\hat\rho-1)\sqrt{\sum y_{t-1}^2}/s$ の $\hat\rho-1\to\rho-1< 0$、$\sqrt{\sum y_{t-1}^2}$ は $\sqrt n$ の大きさで増えるので $\tau\to-\infty$ である。$\square$

検出力が $1$ に近づくのは $n\to\infty$ の話で、$\rho$ が $1$ に近いと有限の $n$ では検出力が小さい(ex-ur-power)。

系列相関の補正

thm-ur-limit の極限は $\kappa$ を通して誤差の系列相関に依存する。$\gamma_0$ と $\lambda^2$ を推定できれば、統計量をずらして $\kappa=1$ の表に戻せる。

系列相関を補正した統計量

thm-ur-limit の設定で、$\hat\gamma_0\to\gamma_0$、$\hat\lambda^2\to\lambda^2$(確率収束)となる推定量があるとする。このとき
$$ Z_\rho:=n(\hat\rho-1)-\frac{\hat\lambda^2-\hat\gamma_0}{2n^{-2}\sum_{t=1}^ny_{t-1}^2}\Rightarrow\frac{W(1)^2-1}{2\int_0^1W(r)^2\,dr} $$
である。$\hat\gamma_0$ としては残差の分散 $s^2$ が使える。

prf-ur-limit の記号で $n(\hat\rho-1)=N_n/C_n$、$n^{-2}\sum_ty_{t-1}^2=\lambda^2C_n$ だから
$$ Z_\rho=\frac{N_n-(\hat\lambda^2-\hat\gamma_0)/(2\lambda^2)}{C_n} $$
である。$(\hat\lambda^2-\hat\gamma_0)/(2\lambda^2)\to\frac12(1-\kappa)$ なので、段 4 の結合収束と連続写像の原理から、極限は $\bigl(\frac12(W(1)^2-\kappa)-\frac12(1-\kappa)\bigr)/\int W^2=\frac{W(1)^2-1}{2\int W^2}$ である。$s^2\to\gamma_0$ は prf-ur-limit の段 5 で示した。$\square$

長期分散 $\lambda^2$ の推定量(自己共分散に重みを付けて足すもの)の一致性は、この記事では扱わない。この補正の方法は Phillips–Perron の検定と呼ばれる(PP88)。もう 1 つの方法は、回帰に差分のラグを加える 拡張 Dickey–Fuller 検定
$$ \Delta y_t=c+\gamma y_{t-1}+\sum_{j=1}^k\phi_j\Delta y_{t-j}+e_t $$
で、$\gamma$ の $t$ 値を $\tau_\mu$ の表と比べる(SD84。この記事では証明しない)。$\gamma=\rho-1$ である。

計算の手順

  1. 回帰の形を決める。 対立仮説で $y$ がどんな定常過程になるかで選ぶ。平均 $0$ のまわりなら定数なし、$0$ でない水準のまわりなら定数あり、直線のまわりなら定数と傾向あり。
  2. 系列相関を補正する。 拡張 Dickey–Fuller 回帰のラグの次数 $k$ を情報量規準などで選ぶか、cor-ur-pp の補正をする。
  3. $t$ 値を計算する。 $\tau=(\hat\rho-1)/\mathrm{se}(\hat\rho)$。
  4. 手順 1 と同じ形の表の臨界値と比べる。 5% なら定数なし $-1.94$、定数あり $-2.87$、定数と傾向 $-3.42$。$\tau$ が臨界値より小さければ単位根を棄却する。
  5. 棄却できないとき。 「単位根がある」とは結論しない。差分 $\Delta y_t$ に同じ検定をかけ、差分が定常かを確かめる(2 回の差分が要る系列もある)。
    場合やること結果の形
    単位根を棄却水準のまま ARMAモデル を当てはめる定常な過程
    棄却できず、差分では棄却差分をとって扱う。複数の系列なら 共和分 を調べる1 次の和分過程として扱う
    差分でも棄却できないもう一度差分をとって検定する2 次の和分過程の疑い

例題

推定量が 1 より小さく出る確率

誤差が独立同分布の単位根過程で、$\lim_nP(\hat\rho< 1)$ を求める。
使う公式:thm-ur-limit の 1($\kappa=1$)。
答え:$P(\lvert Z\rvert< 1)=2\Phi(1)-1\approx0.68269$($\Phi$ は標準正規分布の分布関数)。真の値が $1$ なのに、推定量は 3 回に 2 回あまり $1$ より小さく出る。

途中の計算を開く

極限の分母 $\int W^2$ は確率 $1$ で正なので、極限が負であることは $W(1)^2< 1$ と同値である。$W(1)\sim N(0,1)$ だから確率は $P(\lvert Z\rvert< 1)$。極限の分布は $0$ に原子をもたない($P(W(1)^2=1)=0$)ので、分布収束から $P(n(\hat\rho-1)< 0)\to P(\lvert Z\rvert< 1)$ である。

分母の大きさ

$y_0=0$、誤差が独立同分布(分散 $\sigma^2$)のとき、$E[n^{-2}\sum_{t=1}^ny_{t-1}^2]$ と、極限 $\int_0^1W^2$ の平均と分散を求める。
使う公式:$E[y_t^2]=t\sigma^2$、正規確率変数の 4 次の積率。
答え:$E[n^{-2}\sum_ty_{t-1}^2]=\sigma^2\frac{n-1}{2n}$($n=10$ で $0.45\sigma^2$、$n=100$ で $0.495\sigma^2$)。$E\int_0^1W^2=\frac12$、$\operatorname{Var}\int_0^1W^2=\frac13\approx0.33333$。

途中の計算を開く

$\sum_{t=1}^nE[y_{t-1}^2]=\sigma^2\sum_{t=1}^n(t-1)=\sigma^2\frac{n(n-1)}2$。極限について、$E\int W^2=\int_0^1r\,dr=\frac12$。$(W_r,W_s)$ は正規なので $\operatorname{Cov}(W_r^2,W_s^2)=2\operatorname{Cov}(W_r,W_s)^2=2\min(r,s)^2$ で、$\operatorname{Var}\int W^2=2\int_0^1\!\int_0^1\min(r,s)^2\,dr\,ds=4\int_0^1\frac{s^3}{3}\,ds=\frac13$。正規の増分のとき有限の $n$ の分散は $2n^{-4}\sum_{s,t< n}\min(s,t)^2$ で、$n=100$ で $0.32673$、$n=1000$ で $0.33267$ である。

小さなデータでの検定

観測 $y_0,\dots,y_{10}=0,\ 1.0,\ 0.6,\ 1.5,\ 2.1,\ 1.7,\ 2.6,\ 3.0,\ 2.4,\ 3.3,\ 3.9$ に、定数なしと定数ありの Dickey–Fuller 検定を有意水準 5% でかける($n=10$)。
使う公式:def-ur-main、臨界値の表(漸近の値で代用)。
答え:定数なしでは $\hat\rho\approx1.11796$、$n(\hat\rho-1)\approx1.1796$、$\tau\approx1.1120$。定数ありでは $\hat\rho_\mu\approx0.80502$、$n(\hat\rho_\mu-1)\approx-1.9498$、$\tau_\mu\approx-1.0032$。どちらも臨界値($-1.94$、$-2.87$)より大きく、単位根は棄却されない。

途中の計算を開く

$\sum y_{t-1}^2=43.32$、$\sum y_{t-1}\Delta y_t=5.11$、$\sum(\Delta y_t)^2=4.99$。$\hat\rho-1=5.11/43.32\approx0.117959$。残差の平方和は $4.99-5.11^2/43.32\approx4.3872$、$s^2\approx0.48747$、$\tau=0.117959\sqrt{43.32/0.48747}\approx1.1120$。定数ありは $y_{t-1}$ と $\Delta y_t$ から平均を引いて同じ計算をし、残差の平方和を $n-2=8$ で割る。標本が 10 個では漸近の臨界値は目安にすぎない。

系列相関を無視した場合

$u_t=\varepsilon_t-0.5\varepsilon_{t-1}$ の単位根過程に、定数なしの Dickey–Fuller 検定(名目 5%、臨界値 $-1.94$)をそのまま使う。
使う公式:thm-ur-limit の 2。
答え:$\gamma_0=1.25\sigma^2$、$\lambda^2=0.25\sigma^2$、$\kappa=5$。$\tau$ の極限は $\dfrac{W(1)^2-5}{2\sqrt5(\int W^2)^{1/2}}$ で、棄却の確率は約 $0.47$ になる(数値計算による値。$n=400$ で約 $0.469$)。正しい帰無仮説を半分近くの確率で棄却する。

途中の計算を開く

$\psi_0=1$、$\psi_1=-0.5$、$\psi(1)=0.5$。$\gamma_0=\sigma^2(1+0.25)$、$\lambda^2=0.25\sigma^2$。$\kappa> 1$ なので極限の分子 $W(1)^2-\kappa$ は大きく負に寄る。棄却の確率は、Brown 運動の汎関数を長さ $2000$ の正規の酔歩 $2\times10^4$ 本で近似して約 $0.474$、長さ $100$・$400$ の標本を $4\times10^4$ 本作って約 $0.447$・$0.469$ である。

1 に近い定常な自己回帰に対する検出力

$y_t=0.95y_{t-1}+\varepsilon_t$($\varepsilon_t\sim N(0,1)$、$y_0=0$)に、定数ありの Dickey–Fuller 検定(5%、臨界値 $-2.87$)をかける。
使う公式:prop-ur-consistent(定数なしの回帰についての命題。ここでは定数ありの回帰の有限の $n$ での振る舞いを数値で見る)。
答え:棄却の確率は $n=50$ で約 $0.081$、$n=400$ で約 $0.850$(数値計算による値。各 $2\times10^4$ 本の標本)。$n=50$ では、単位根がないのに 9 割以上の場合で棄却できない。

使える条件と反例

外す条件反例成り立たなくなること
(iii) 表を回帰の形に合わせる$\tau$ を標準正規分布の臨界値 $-1.645$ と比べる名目 5% の検定が、定数なしで約 $9.4$%、定数ありで約 $45.8$%、定数と傾向で約 $77.6$% 棄却する
(iii) 同上定数ありの $\tau_\mu$ を定数なしの臨界値 $-1.94$ と比べる棄却の確率が約 $31.5$% になる
(iv) 系列相関の補正$u_t=\varepsilon_t-0.5\varepsilon_{t-1}$ で補正しない棄却の確率が約 $47$%(ex-ur-ma1)
(i) 分散が有限$\varepsilon_t$ が標準 Cauchy 分布thm-ur-limit が使えず、$n=400$ で名目 5% の棄却の確率が約 $3.0$% にずれる
反例の確かめ
確かめを開く

1・2 行目:正規の酔歩(長さ $1000$)を $2\times10^5$ 本作り、帰無仮説のもとでの $\tau$、$\tau_\mu$ と定数と傾向ありの $t$ 値の分布から、$-1.645$ と $-1.94$ を下回る割合を数えた(数値計算による値)。極限の分布が標準正規分布より左にあることは thm-ur-limit の 2 から分かる:極限の値が負になる確率は $P(W(1)^2< 1)\approx0.683$ で、$1/2$ より大きい。3 行目:ex-ur-ma1。4 行目:Cauchy 分布は分散をもたないので条件 (i) が満たされず、Donsker の定理の正規化 $\sqrt n$ が合わない。長さ $400$ の標本 $4\times10^4$ 本で、$\tau$ が $-1.94$ を下回る割合は約 $0.028$、$n(\hat\rho-1)$ が $-8.0$ を下回る割合は約 $0.030$ だった(数値計算による値)。

よくある誤り

誤り正しくはなぜ
$\tau$ を標準正規分布や $t$ 分布の表と比べるDickey–Fuller の表(回帰の形ごと)と比べるthm-ur-limit、反例の表の 1 行目
棄却できなかったので単位根があると結論する検出力が低いだけかもしれないex-ur-power
$\hat\rho$ が $1$ に近いので単位根とみなす単位根でも $\hat\rho< 1$ は普通に起こり、定常でも $\hat\rho$ は $1$ に近くなりうるex-ur-bias
誤差の系列相関を放置するラグを加えるか補正するex-ur-ma1、cor-ur-pp
「単位根」を 1 の冪根と混同するここでの単位根は自己回帰の多項式の根が $1$ であることdef-ur-main

補足

名前と関連する検定

Dickey–Fuller。 $n(\hat\rho-1)$ と $\tau$ の分布を自己回帰の単位根の検定に用いる方法は DF79 による。極限を Brown 運動の汎関数で表し、誤差の系列相関を許す形にしたのは Phi87 で、cor-ur-pp の補正は PP88 による。拡張 Dickey–Fuller。 ラグの次数を標本とともに増やす形は SD84 による。帰無仮説を逆にした検定。 定常を帰無仮説、単位根を対立仮説とする検定に KPSS 検定(KPSS92)があり、単位根検定と組み合わせて使われる。この記事ではこれらを証明しない。共和分。 複数の系列の 1 次結合に単位根の検定をかけると、共和分の検定になる。ただし推定した係数を使うので臨界値は別の表になる(共和分 の節「計算の手順」)。

関連項目

参考文献

[1]
David A. Dickey; Wayne A. Fuller, Distribution of the Estimators for Autoregressive Time Series with a Unit Root, Journal of the American Statistical Association 74 (1979), no. 366a, 1979
[2]
Denis Kwiatkowski; Peter C. B. Phillips; Peter Schmidt; Yongcheol Shin, Testing the null hypothesis of stationarity against the alternative of a unit root, Journal of Econometrics 54 (1992), no. 1-3, 1992
[3]
P. C. B. Phillips, Time Series Regression with a Unit Root, Econometrica 55 (1987), no. 2, 1987
[4]
Peter C. B. Phillips; Pierre Perron, Testing for a unit root in time series regression, Biometrika 75 (1988), no. 2, 1988
[5]
Said E. Said; David A. Dickey, Testing for unit roots in autoregressive-moving average models of unknown order, Biometrika 71 (1984), no. 3, 1984

Mathpediaは寄付と、参考文献の書籍リンク(Amazonアソシエイト)の紹介料で運営されています。 支援について / 寄付する