قبل از تخمین مدل، به بررسی ایستایی می پردازیم. می توان چنین تلقی نمود كه هر سری زمانی توسط یك فرآیند تصادفی تولید شده است. داده های مربوط به این سری زمانی در واقع یك مصداق از فرآیند تصادفی زیر ساختی است. وجه تمایز بین (فرآیند تصادفی) و یك (مصداق) از آن، همانند تمایز بین جامعه و نمونه در داده های مقطعی است. درست همانطوری كه اطلاعات مربوط به نمونه را برای استنباطی در مورد جامعه آماری مورد استفاده قرار می دهیم، در تحلیل سریهای زمانی از مصداق برای استنباطی در مورد فرآیند تصادفی زیر ساختی استفاده می كنیم. نوعی از فرآیندهای تصادفی كه مورد توجه بسیار زیاد تحلیل گران سریهای زمانی قرار گرفته است فرآیندهای تصادفی ایستا می باشد.
برای تاكید بیشتر تعریف ایستایی، فرض كنید Yt یك سری زمانی تصادفی با ویژگیهای زیر است:
(1) : میانگین
(2) واریانس :
(3) كوواریانس :
(4) ضریب همبستگی :
كه در آن میانگین ، واریانس كوواریانس (كوواریانس بین دو مقدار Y كه K دوره با یكدیگر فاصله دارند، یعنی كوواریانس بین Yt و Yt-k) و ضریب همبستگی مقادیر ثابتی هستند كه به زمان t بستگی ندارند.
اكنون تصور كنید مقاطع زمانی را عوض كنیم به این ترتیب كه Y از Yt به Yt-k تغییر یابد. حال اگر میانگین، واریانس، كوواریانس و ضریب همبستگی Y تغییری نكرد، می توان گفت كه متغیر سری زمانی ایستا است. بنابراین بطور خلاصه می توان چنین گفت كه یك سری زمانی وقتی ساكن است كه میانگین، واریانس، كوواریانس و در نتیجه ضریب همبستگی آن در طول زمان ثابت باقی بماند و مهم نباشد كه در چه مقطعی از زمان این شاخص ها را محاسبه می كنیم. این شرایط تضمین می كند كه رفتار یك سری زمانی، در هر مقطع متفاوتی از زمان، همانند می باشد[2].
آزمون ساكن بودن از طریق نمودار همبستگی و ریشه واحد[3]
یك آزمون ساده برای ساكن بودن براساس تابع خود همبستگی (ACF) می باشد. (ACF) در وقفه k با نشان داده می شود و بصورت زیر تعریف می گردد.
[1] Stationary
[2] ریشه واحد و هم جمعی در اقتصاد سنجی- محمد نوفرستی- موسسه فرهنگی رسا- چاپ اول- 1378.
[3] Correlogram and Unit root test of stationary
| قيمت فايل: | 4500 تومان |
|---|---|
| تعداد اسلايدها: | 22 |
| خريد فايل از سايت مرجع |