Dickey-Fuller-Test

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche

Als Dickey-Fuller-Tests bezeichnet man in der Statistik die von D. Dickey und W. Fuller in den 1970er Jahren entwickelten Einheitswurzeltests, die die Nullhypothese eines stochastischen Prozesses mit Einheitswurzel gegen die Alternative eines Prozesses ohne Einheitswurzel testen. Solche Tests dienen dazu festzustellen, ob ein integrierter Prozess vorliegt.

Idee und Durchführung[Bearbeiten]

Für einen stochastischen Prozess X der Form

X_t=\alpha_0+ \varphi X_{t-1} + \varepsilon_t

mit einem weißen Rauschen \epsilon soll die Nullhypothese

H_0:\ \varphi=1 (Random-Walk mit Drift)

gegen die Alternative

H_1:\ \varphi<1 (AR(1)-Prozess)

getestet werden. Setzt man nun \delta:=\varphi-1, kann man schreiben:

\Delta X_t = X_t-X_{t-1}=\alpha_0+(\varphi-1)X_{t-1}+\varepsilon_t=\alpha_0+\delta X_{t-1}+\varepsilon_t.

Null- und Alternativhypothese lauten jetzt:

H_0:\ \delta=0, \quad   H_1:\ \delta<0.

Man regressiert nun \Delta X_t durch X_{t-1} und die Konstante \alpha_0. Je nach Schätzverfahren (OLS, ML) erhält man dann Schätzwerte \hat{\alpha}_0, \hat{\delta}. Anschließend bildet man eine Teststatistik

\tau:=\dfrac{\hat{\delta}}{\sqrt{\hat{Var}(\hat{\delta})}},

die allerdings keiner t-Verteilung, sondern einer von Dickey und Fuller tabellierten Verteilung folgt. Da der Test linksseitig ist, wird die Nullhypothese verworfen, wenn der Wert der Teststatistik kleiner ist als der dem gewählten Signifikanzniveau entsprechende Schwellenwert.

Anwendungsgebiet[Bearbeiten]

Bei der Kointegrationsanalyse von Zeitreihen, beispielsweise der des BIP, der Inflation, von Zinsen etc., wird geprüft, ob stationäre Differenzen einem gemeinsamen stochastischen Trend folgen, also ein echter Zusammenhang besteht. Da durch Regression der Zeitreihen, die höher als vom Grade 0 integriert sind, die Möglichkeit besteht, dass die Regressionsanalyse ein hohes Bestimmtheitsmaß und Signifikanz der Regressoren ergibt, obwohl außer dem gleichzeitigen Auftreten im Zeitpunkt t kein Zusammenhang zwischen diesen Zeitreihen besteht, läuft man Gefahr, Scheinkorrelationen als wahre Zusammenhänge aufzufassen. Der ADF/DF Test prüft nun, ob die Differenz einer Variable stationär ist oder nicht. Eine Zeitreihe ist stationär, wenn sie einen konstanten Erwartungswert und eine nicht vom Zeitpunkt t abhängige Varianz besitzt, sie wird auch integriert der Ordnung null genannt. Falls eine Zeitreihe instationär ist, stellt sich die Frage, welcher Ordnung Instationarität vorliegt. Ist ihre erste Differenz stationär, hat sie die Eigenschaft der Integration erster Ordnung. Es ist also eine Einheitswurzel vorhanden. Falls die erste Differenz nicht stationär ist, testet man die zweiten Differenzen mit analoger Folgerung.

Der ADF-Test kann im Rahmen des statischen Tests auf Kointegration nach Engle und Granger auch auf Existenz eines gemeinsamen stochastischen Trends testen. Dieser ist der langfristige Wachstumspfad der Reihen. Langfristig können sich die Variablen nicht unabhängig voneinander bewegen. Wird eine Variable beispielsweise durch einen externen Schock verändert, so passen sich die anderen im Zeitablauf an, um das System wieder in ein Gleichgewicht zu bringen. Hierfür wird der ADF-Test auf die geschätzten Residuen einer Regression der Zeitreihen angewandt. Er prüft also, ob die Residuen stationär sind.

DF-Test[Bearbeiten]

Der Dickey-Fuller-Test testet die Gleichung des DF-Tests im Fall ohne deterministischem Trend und ohne Konstante durch

\Delta y_t=(\rho-1)y_{t-1}+u_t=\delta y_{t-1}+u_t.

Es gibt drei Fälle:

  1. Test auf Random Walk: \Delta y_t=\delta y_{t-1}+u_t
  2. Test auf Random Walk mit Drift \Delta y_t=a_0+\delta y_{t-1}+u_t
  3. Test auf Random Walk mit Drift und deterministischem Trend \Delta y_t=a_0+a_1t+\delta y_{t-1}+u_t

Das Hypothesenpaar lautet:

H_0: \, \rho = 1, d. h., der AR-Teil besitzt eine Einheitswurzel
H_1: \, -1 < \rho < 1

ADF-Test[Bearbeiten]

Der Augmented Dickey-Fuller-Test verallgemeinert die Testgleichung des DF-Tests im Fall mit deterministischem Trend durch

\Delta y_t = \alpha + \beta t + (\rho-1)y_{t-1} + \theta_1 \Delta y_{t-1} + ... + \theta_k \Delta y_{t-k} + u_t ,

mit k, so dass die empirischen Residuen weiß rauschen.

Das Hypothesenpaar lautet:

H_0: \, \rho = 1, d. h., der AR-Teil besitzt eine Einheitswurzel, und die Variable ist somit nicht stationär
H_1: \, -1 < \rho < 1 Es gibt keine stochastische Instationarität, möglicherweise aber deterministische, dann spricht man von einer trendstationären Zeitreihe.

Probleme[Bearbeiten]

Ist der datenerzeugende Prozess trendstationär, aber man führt falscherweise den Einheitswurzeltest mit dem Modell ohne Trendvariable durch, haben die Tests eine asymptotisch gegen null gehende Macht, denn die Nullhypothese des Random Walks wird dann fälschlicherweise zu selten oder nie abgelehnt.

Alternative Ansätze[Bearbeiten]

Literatur[Bearbeiten]

  • G. Elliott, T. J. Rothenberg & J. H. Stock: Efficient Tests for an Autoregressive Unit Root, Econometrica, 1996, Vol. 64, No. 4., S. 813-836. [1]
  • W. H. Greene: Econometric Analysis, Fifth Edition, 2003, Prentice Hall, New Jersey.
  • Said E. und David A. Dickey: Testing for Unit Roots in Autoregressive Moving Average Models of Unknown Order, Biometrika, 1984, 71, S. 599–607.
  • Dickey, D.A. und W.A. Fuller: Distribution of the Estimators for Autoregressive Time Series with a Unit Root, Journal of the American Statistical Association, 1979, 74, S. 427–431.