Расширенный тест Дики — Фуллера

Расширенный тест Дики — Фуллера (ADF-тест, от англ. Augmented Dickey–Fuller test) — это статистический тест, используемый для проверки временного ряда на стационарность. Он является модификацией теста Дики — Фуллера, предназначенной для устранения автокорреляции остатков за счёт включения в модель лаговых разностей зависимой переменной. Тест широко применяется в эконометрике, анализе временных рядов и машинном обучении для идентификации единичного корня в авторегрессионных моделях.

История и предпосылки

Разработка теста связана с работами американских статистиков Дэвида Дики и Уэйна Фуллера, опубликованными в 1979 году. Исходный тест Дики — Фуллера проверяет гипотезу о наличии единичного корня в авторегрессионной модели первого порядка (AR(1)). Однако на практике временные ряды часто содержат более сложную структуру автокорреляции, что приводит к смещению оценок в исходном тесте. Для решения этой проблемы в 1984 году Дики и Фуллер предложили расширенную версию, включающую дополнительные лаговые разности для моделирования динамики ошибок.

Математическая формулировка

Расширенный тест Дики — Фуллера основан на оценке регрессионного уравнения:

\[ \Delta y_t = \alpha + \beta t + \gamma y_{t-1} + \sum_{i=1}^{p} \delta_i \Delta y_{t-i} + \varepsilon_t \]

где:

• \(\Delta y_t = y_t — y_{t-1}\) — первая разность временного ряда,
• \(y_{t-1}\) — значение ряда с лагом 1,
• \(\alpha\) — константа (свободный член),
• \(\beta t\) — линейный тренд,
• \(\gamma\) — коэффициент при \(y_{t-1}\), который тестируется на равенство нулю,
• \(\delta_i\) — коэффициенты при лаговых разностях,
• \(p\) — порядок лагов (число дополнительных членов),
• \(\varepsilon_t\) — ошибка, предполагаемая белым шумом.

Основная гипотеза \(H_0\): \(\gamma = 0\) (ряд содержит единичный корень, то есть нестационарен). Альтернативная гипотеза \(H_1\): \(\gamma < 0\) (ряд стационарен или имеет трендовую стационарность).

Виды моделей

ADF-тест позволяет выбирать между тремя спецификациями регрессионного уравнения, в зависимости от предполагаемой структуры ряда:

Модель без константы и тренда

\[ \Delta y_t = \gamma y_{t-1} + \sum_{i=1}^{p} \delta_i \Delta y_{t-i} + \varepsilon_t \] Применяется, когда ряд не имеет ни среднего значения, ни тренда (например, финансовые ряды с нулевым средним).

Модель с константой без тренда

\[ \Delta y_t = \alpha + \gamma y_{t-1} + \sum_{i=1}^{p} \delta_i \Delta y_{t-i} + \varepsilon_t \] Используется, если ряд колеблется вокруг ненулевого среднего, но не имеет устойчивого тренда.

Модель с константой и трендом

\[ \Delta y_t = \alpha + \beta t + \gamma y_{t-1} + \sum_{i=1}^{p} \delta_i \Delta y_{t-i} + \varepsilon_t \] Применяется для рядов, демонстрирующих линейный тренд (например, ВВП, цены на активы).

Выбор числа лагов

Правильный выбор порядка лагов \(p\) критичен для корректности теста. Слишком малое число лагов может не устранить автокорреляцию, а слишком большое — снизить мощность теста. На практике используются следующие критерии:

• Информационный критерий Акаике (AIC) — минимизирует AIC для выбора модели.
• Байесовский информационный критерий (BIC) — более строгий, штрафует за сложность модели.
• Критерий Ханнана — Куинна (HQ) — компромиссный вариант.
• Эмпирические правила — например, \(p = \lfloor (T-1)^{1/3} \rfloor\), где \(T\) — длина ряда.

Статистика теста и критические значения

Тестовая статистика \(t_\gamma\) вычисляется как отношение оценки \(\hat{\gamma}\) к её стандартной ошибке. Распределение этой статистики не является стандартным распределением Стьюдента, а зависит от:

• наличия константы и тренда в модели,
• длины ряда \(T\),
• числа лагов \(p\).

Критические значения для ADF-теста были табулированы Дики и Фуллером, а позже уточнены Маккинноном (1994, 2010). Наиболее часто используются уровни значимости 1%, 5% и 10%. Если вычисленное значение \(t_\gamma\) меньше критического (то есть более отрицательно), нулевая гипотеза о единичном корне отвергается.

Интерпретация результатов

Результат ADF-теста выражается в виде p-значения или сравнения тестовой статистики с критическими значениями. Возможные выводы:

• p-значение < 0.05 (или тестовая статистика < критического значения при 5% уровне): нулевая гипотеза отвергается, ряд считается стационарным (или трендово-стационарным, если включён тренд).
• p-значение ≥ 0.05: недостаточно оснований отвергнуть нулевую гипотезу, ряд содержит единичный корень и является нестационарным.

Важно отметить, что ADF-тест имеет низкую мощность против альтернатив, близких к единичному корню (например, процесс с корнем 0.95). Для повышения надёжности рекомендуется использовать дополнительные тесты, такие как тест Филлипса — Перрона или тест Квятковского — Филлипса — Шмидта — Шина (KPSS).

Применение

ADF-тест широко используется в различных областях:

Эконометрика и макроэкономика

• Проверка стационарности макроэкономических показателей (ВВП, инфляция, безработица) перед построением регрессионных моделей.
• Идентификация коинтеграции между временными рядами (совместно с тестом Энгла — Грейнджера или Йохансена).

Финансовый анализ

• Анализ цен активов, доходности акций, валютных курсов на предмет случайного блуждания.
• Проверка эффективности рынков: если цены следуют случайному блужданию, рынок считается слабо эффективным.

Машинное обучение и прогнозирование

• Предобработка данных для моделей ARIMA, SARIMA, VAR и нейронных сетей, требующих стационарности.
• Выбор порядка дифференцирования для преобразования ряда к стационарному виду.

Климатология и экология

• Анализ временных рядов температуры, уровня осадков, концентрации CO₂.

Ограничения и критика

Несмотря на широкое применение, ADF-тест имеет ряд недостатков:

• Низкая мощность при малых выборках — для коротких рядов (менее 50 наблюдений) тест часто не может отвергнуть ложную нулевую гипотезу.
• Чувствительность к выбору лагов — неправильный порядок лагов может привести к неверным выводам.
• Неспособность различать единичный корень и близкие к нему процессы — например, процесс AR(1) с коэффициентом 0.95 часто ошибочно идентифицируется как нестационарный.
• Зависимость от спецификации модели — включение или исключение константы и тренда может изменить результат.
• Неприменимость к рядам с структурными разрывами — при наличии скачков в уровне или тренде ADF-тест может давать смещённые результаты. Для таких случаев существуют модификации, например тест Зивота — Эндрюса.

Альтернативные тесты

Для проверки стационарности и единичного корня разработаны и другие методы:

• Тест Филлипса — Перрона (PP-тест) — не требует выбора числа лагов, использует непараметрическую коррекцию автокорреляции.
• Тест KPSS — проверяет нулевую гипотезу о стационарности (в отличие от ADF, где нулевая гипотеза — нестационарность).
• Тест Дики — Фуллера с обобщёнными наименьшими квадратами (DF-GLS) — модификация, повышающая мощность теста.
• Тест на единичный корень с учётом структурных разрывов — например, тест Перрона (1989) или тест Зивота — Эндрюса (1992).

Реализация в программном обеспечении

ADF-тест реализован в большинстве статистических пакетов и языков программирования:

• R: функция adf.test() из пакета tseries или ur.df() из пакета urca.
• Python: функция adfuller() из модуля statsmodels.tsa.stattools.
• MATLAB: функция adftest() из Econometrics Toolbox.
• EViews: встроенная процедура «Unit Root Test».
• Stata: команда dfuller.
• Gretl: встроенный тест в меню «Time Series».

Пример применения

Рассмотрим гипотетический временной ряд цен на акции за 100 дней. После визуального анализа выявлен восходящий тренд. Для проверки стационарности используется ADF-тест с константой и трендом. Выбор числа лагов по критерию AIC даёт \(p=3\). Вычисленная тестовая статистика \(t_\gamma = -2.15\) при критическом значении 5% = -3.45. Поскольку -2.15 > -3.45, нулевая гипотеза о единичном корне не отвергается. Ряд признаётся нестационарным, что требует дифференцирования для дальнейшего моделирования.

Источники

• Dickey, D. A., & Fuller, W. A. (1979). Distribution of the Estimators for Autoregressive Time Series with a Unit Root. Journal of the American Statistical Association, 74(366), 427–431.
• Dickey, D. A., & Fuller, W. A. (1981). Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root. Econometrica, 49(4), 1057–1072.
• MacKinnon, J. G. (1994). Approximate Asymptotic Distribution Functions for Unit-Root and Cointegration Tests. Journal of Business & Economic Statistics, 12(2), 167–176.
• MacKinnon, J. G. (2010). Critical Values for Cointegration Tests. Queen’s Economics Department Working Paper, No. 1227.
• Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
• Enders, W. (2014). Applied Econometric Time Series (4th ed.). Wiley.