La estacionariedad significa que la distribución marginal del proceso no cambia con el tiempo. Una forma más débil indica que la media y la varianza permanecen iguales con el tiempo. Entonces, cualquier cosa que lo viole se considerará no estacionaria, por cualquier razón tonta. Por ejemplo, un determinista no es estacionario, ya que su media sigue cambiando, aunque a primera vista, este es un proceso bastante simple y predecible.yt= pecadot
Todas las pruebas que está considerando tienen una alternativa específica en mente: un proceso de recorrido aleatorio
o alguna modificación fácil (p. Ej., Incluir retrasos adicionales ,
yt= yt - 1+ ϵt
yt - 2yt - 3con coeficientes pequeños). Este es un modelo simple de un mercado financiero eficiente, donde no se puede utilizar información alguna para predecir los cambios futuros en los precios. La mayoría de los economistas piensan que sus series temporales provienen de los modelos ARIMA; Estas series de tiempo tienen períodos bien definidos cuando ocurren cosas (mes, trimestre o año), por lo que rara vez empeora que una serie de tiempo integrada para ellos. Por lo tanto, estas pruebas no están diseñadas para infracciones más complejas de la estacionariedad, como el cambio medio, el cambio de varianza, el cambio en los coeficientes autorregresivos, etc., aunque obviamente también se han desarrollado pruebas para estos efectos.
En ingeniería o ciencias naturales, es más probable que encuentre series de tiempo con problemas más complicados, como dependencia de largo alcance, integración fraccional, ruido rosa, etc. Con la falta de una guía clara de la descripción del proceso con respecto a las escalas de tiempo típicas ( ¿con qué frecuencia cambia el clima?), generalmente tiene más sentido analizar los datos en el dominio de la frecuencia (mientras que para los economistas, el dominio de la frecuencia es bastante claro: hay ciclos estacionales anuales, más ciclos comerciales de 3-4-5 años más largos) ; pocas sorpresas pueden ocurrir de otra manera).
Básicamente, te dije por qué no quieres hacer lo que te propusiste hacer. Si no comprende las series de tiempo, sería mejor encontrar a alguien que lo haga y pagar una tarifa de consultoría, en lugar de que su proyecto se arruine porque ha hecho algo tonto. Dicho esto, la solución formal a su problema sería rechazar la hipótesis nula de una serie estacionaria cuando, para una serie dada, al menos una prueba tiene un valor inferior a donde es el número total de serie, es el número de pruebas que realiza en ellos, es el nivel de significancia favorito del 5%, y toda la expresión se conoce como corrección de Bonferroni para pruebas múltiples. La salida no muestra el0,05 / ( 3 M ) M 3 0,05 ppags0,05 / ( 3 M)METRO30,05pags-valores con suficiente precisión, por lo que deberá extraerlos como miembros de la clase devueltos, como pp.test(x)$p.value
. De todos modos, lo hará en ciclo, por lo que probablemente sea suficiente si suprime toda la salida y solo produce los nombres de las variables que fallan en la estacionariedad.