时间序列数据一定要进行平稳性检验么？？？急急急！！！！！ 接受原假设，从算出来的检验统计量-8.888888 都大于各临界值，可以认为你的序列在这些显著性水平下都是非平稳的。不能通过ADF检验。这些你可以参考一下易丹辉的书，易丹辉数据分析与Eviews应用。
时间序列数据回归必须要做平稳性检验吗 面板数2113据的协整检验与协整回归1、前提：待检验的两个或5261多个变量之间（自变4102量与因变量），（1653单整：单个变量的差分平稳，一阶平稳：差分一次；二阶级平稳：差分两次；必须是同阶单整。原因：只有同阶单整，变量之间才有共同的增长趋势，才能同涨同落。时间序列的协整检验：先做回归，后做协整检验。2、面板数据的协整检验：先做协整检验，后做回归。协整：变量之间的长期的稳定的协调关系。3、面板数据的协整回归：（1）不变系数模型（各单位之间的回归系数大体相同）变系数模型（各单位之间的回归系数大体不同）F检验：略。（1）固定影响模型（总体数据）（2）随机影响模型（样本数据）
非平稳时间序列数据一定会导致伪回归吗？ 只要有任一变量不平稳，就会造成为回归。某一个随机游走过程是不可能跟其他有规律的变量存在很强的相关关系。如同一个喝醉的人走的路线不可能与其他因素存在一定联系。。
如何检验一个时间序列的自相关性 一般来讲，时间序列数据较少出现异方差现象，更多地是序列相关问题。用stata软件实现异方差的检验，最直观的是用图示法。作出残差关于某一解释变量的散点图，具体的命令如下：reg 被解释变量名 解释变量名prrdict e，residgraph twoway scatter e 解释变量名此外，还有white检验、G-Q检验和Breuch-Pagan LM检验。white检验不是stata官方的命令，需要单独下载补丁，G-Q检验则需要对变量有较多的先验认识。我重点介绍一下B-P LM检验在stata中的实现：在执行完回归指令regress以后，用 hettest 变量名 这个命令就能实现。其中变量名只包括除常数项以外的所有解释变量名称。你可以逐个命令进行操作，也可以用批处理的方式来实现。至于检验的原理不用在这里说了吧？不太明白的话建议查查书。序列相关性的检验1、D-W检验reg y x1 x2 x3estat dwatson(y为被解释变量 x为解释变量，执行上述命令便可得到D-W值，不过该检验存在无法判断的盲区且只能对一阶自相关进行检验)2、Box and Pierce's Q 检验reg y x1 x2 x3predict e，residwntestq e，lags(n)（n为滞后阶数，可以由少及多尝试几次）
如何深入理解时间序列分析中的平稳性？ 在引入ARMA模型之前，一般课本都会对时间序列的平稳性作一个描述，但是总感觉没有描述特别清晰：1.通常…
关于平稳时间序列的方差各个时点到底相等么？ 初学时间序列，想问一下，在定义平稳时间序列的方差在不同时点到底相等么？我看有的说相等若相等为什么EX…
回答：⑴ 随机时间序列的平稳性条件是什么？证明随机游走序列不是平稳序列.⑵ 单位根检验为什么从DF检 ⑴ 随机时间序列{ }（t=1，2，…）的平稳性条件是：1）均值，是与时间t 无关的常数；2）方差，是与时间t 无关的常数；3）协方差，只与时期间隔k有关，与时间t 无关的常数.对于随机游走序列，假设 的初值为，则易知由于 为一常数，是一个白噪声，因此，即 的方差与时间t有关而非常数，所以它是一非平稳序列.⑵ 在采用DF检验对时间序列进行平稳性检验中，实际上假定了时间序列是由具有白噪声随机误差项的一阶自回归过程（AR(1)）生成的.但在实际检验中，时间序列可能是由更高阶的自回归过程生成的，或者随机误差项并非是白噪声，这样用OLS法进行估计均会表现出随机误差项出现自相关，导致DF检验无效.另外，如果时间序列包含有明显的随时间变化的某种趋势（如上升或下降），则也容易导致DF检验中的自相关随机误差项问题.为了保证DF检验中随机误差项的白噪声特性，Dicky和Fuller对DF检验进行了扩充，形成了ADF检验.
为什么序列存在单位根是非平稳时间序列？
时间序列无论怎么差分都不平稳，那怎么预测呢？ #额。你居然使用matlab做的题=。我是用R语言做的。matlab不知道代码怎么写。但意思应该是一样的。都是用那个automated model selection来做。额话说我是大学本科数学还有统计专业的。不知道能不能帮上你，太高深的也不懂，你试试。我记得我之前做过类似的题。你先载入library(forecast)然后nsdiffs一下你的data和周期。原来数据和log之后都行。看哪个diagnostic之后通过。然后用auto.arima就是AIC或者BIC method自动fit个model。test model行不行。最后用forecast往下预测几个周期就好啦。第一个图是我以前做的那个题的全部代码。下面我截图了两段代码。你试试。用auto.arima去fit你的data看一下。然后我当时是周期12，往下预测5段的。所有h=5*12=60.你用你的data往下试试。nsdiffs(data，6)之后看一下差分次数多少。不行的话你看看log之后可以么？nsdiffs(log(data)，6)ndiffs(diff(log(data)，6))啊对了。突然想到。既然要预测的话你有试过auto.arima么。让R自己弄阶数吧。用AIC，BIC来预测后面的。等下啊。我写段代码给你。你看看不行的话，能把数据发给我么~我也蛮想试下怎么往下预测的。恩~交流万岁~
谁给我解释下时间序列里的严平稳和宽平稳是什么意思啊？ 严平稳定义：给定随机过程X（t），t属于T，其有限维分布组为F（x1，x2，.xn；t1，t2，.，tn），t1，t2，.，tn属于T，对任意n任意的t1，t2，.，tn属于T，任意满足t1+h，t2+h，.，tn+h属于T的h，总有F（x1，x2，.xn；t1，t2，.，tn）=F（x1，x2，.xn；t1+h，t2+h，.，tn+h）称此过程严平稳。简单点说严平稳是一种条件比较苛刻的平稳性定义，它认为只有当序列所有的统计性质都不会随着时间的推移而发生变化时，该序列才能被认为平稳。宽平稳定义：给定二阶矩过程（二阶矩存在）X（t），t属于T，如果X（t）的均值函数u(t)是常数，相关函数R(t1，t2)=f(t2-t1)即相关函数只与时间间隔有关，则称为宽平稳过程。简单地说宽平稳是使用序列的特征统计量来定义的一种平稳性。它认为序列的统计性质主要由它的低阶矩决定，所以只要保证序列低阶矩平稳（二阶），就能保证序列的主要性质近似稳定。一般关系严平稳条件比宽平稳条件苛刻，通常情况下，低阶矩存在的严平稳能推出宽平稳成立，而宽平稳序列不能反推严平稳成立。注意：不存在低阶矩的严平稳序列不满足宽平稳条件，例如服从柯西分布的严平稳序列就不是宽平稳序列。当序列服从多元正态分布时，宽平稳可以推出严平稳。
