La stationnarité signifie que la distribution marginale du processus ne change pas avec le temps. Une forme plus faible indique que la moyenne et la variance restent les mêmes au fil du temps. Donc, tout ce qui le viole sera considéré comme non stationnaire, pour toutes raisons stupides. Par exemple, un n'est pas stationnaire, car sa moyenne ne cesse de changer, bien qu'à première vue, il s'agit d'un processus assez simple et prévisible.yt=sint
Tous les tests que vous envisagez ont une alternative spécifique en tête: un processus de marche aléatoire
ou une modification facile de celui-ci (par exemple, inclure des retards supplémentaires ,
yt=yt−1+ϵt
yt−2yt−3avec de petits coefficients). Il s'agit d'un modèle simple d'un marché financier efficace, où aucune information ne peut être utilisée pour prédire les variations futures des prix. La plupart des économistes pensent que leurs séries chronologiques proviennent des modèles ARIMA; ces séries chronologiques ont des périodes bien définies où les choses se produisent (mois, trimestre ou année), de sorte que cela empire rarement qu'une série chronologique intégrée pour elles. Ces tests ne sont donc pas conçus pour des violations plus complexes de la stationnarité, comme le changement moyen, le changement de variance, le changement des coefficients autorégressifs, etc., bien que des tests pour ces effets aient évidemment été développés également.
En génie ou en sciences naturelles, vous êtes plus susceptible de rencontrer des séries chronologiques avec des problèmes plus compliqués, comme la dépendance à longue distance, l'intégration fractionnaire, le bruit rose, etc. Avec le manque de directives claires de la description du processus concernant les échelles de temps typiques ( à quelle fréquence le climat change-t-il?), il est généralement plus logique d'analyser les données dans le domaine fréquentiel (alors que pour les économistes, le domaine fréquentiel est assez clair: il y a des cycles saisonniers annuels, plus des cycles économiques plus longs de 3-4-5 ans ; peu de surprises peuvent se produire autrement).
Donc, fondamentalement, je vous ai dit pourquoi vous ne vouliez pas faire ce que vous vouliez faire. Si vous ne comprenez pas les séries chronologiques, vous feriez mieux de trouver quelqu'un qui le fait et de payer des honoraires de conseil, plutôt que d'avoir votre projet foiré parce que vous avez fait quelque chose de stupide. Cela dit, la solution formelle à votre problème serait de rejeter l'hypothèse nulle d'une série stationnaire lorsque, pour une série donnée, au moins un test a une valeur inférieure à où est le nombre total de série, est le nombre de tests que vous effectuez sur eux, est le niveau de signification préféré de 5%, et l'expression entière est connue sous le nom de correction de Bonferroni pour plusieurs tests. La sortie n'affiche pas lep0.05/(3M)M30.05p-valeurs avec une précision suffisante, vous devrez donc les extraire en tant que membres de classe retournés, tels que pp.test(x)$p.value
. De toute façon, vous le ferez en cycle, donc cela suffirait probablement si vous supprimez toute la sortie et ne produisez que le ou les noms des variables qui échouent à la stationnarité.