One important step towards the impl

One important step towards the implementation of the test is the selection of the kth
order of the DFGLS
autoregression. Ng and Perron (2001) show that, in the presence of a
strong negative MA, the AR(1) coefficient is highly biased if the lag truncation, k, is small
because the residuals are serially correlated. In order to select the optimal k, that accounts
for the inverse non-linear dependence between the AR(1) bias and the selected k and avoids
selecting a large k when it is not needed, they suggest using the modified Akaike
information criteria (MAIC). According to Ng and Perron (2001), the maximum lag
(kmax) used to start the search procedure should vary with the sample size, such as
kmax ¼ 12 intððT=100Þ
1=4
Þ. However, depending on the data generation process, one
should reset kmax by a higher number and re-optimize the MAIC function, given that
the optimal k should make the residuals serially uncorrelated.
The second test considered is the modified Phillips–Perron test using the GLS detrended
data ðMZGLS
a Þ,dueto Phillips and Perron (1988), Perron and Ng (1996) and Ng and Perron
(2001). As emphasized by Ng and Perron (2002), the complete implementation of the
computation described above is very important to achieve the better performance of the
new tests. The sole use of either the GLS detrending data or the MAIC will not reduce the
size distortions.

ผลลัพธ์ (ไทย) 1:

หนึ่งก้าวที่สำคัญที่ดำเนินการทดสอบเป็นตัวเลือก kthลำดับ DFGLSautoregression Ng และ Perron (2001) แสดงว่า หน้าการภาพแข็งแรงลบ MA, AR(1) coefficient มากถ้าตัดความล่าช้า k เล็กเนื่องจากค่าคงเหลือมี serially correlated เพื่อที่จะเลือก k เหมาะสม ที่บัญชีสำหรับการผกผันไม่ - เชิงเส้นอาศัยระหว่างอคติ AR(1) k เลือก และหลีกเลี่ยงเลือก k ใหญ่เมื่อมันไม่จำเป็น พวกเขาแนะนำใช้ modified Akaikeข้อมูลเงื่อนไข (MAIC) ตาม Ng และ Perron (2001), ความล่าช้าสูงสุด(kmax) ใช้ในการเริ่มการค้นหาขั้นตอนจะแตกต่างกับขนาดตัวอย่าง เช่นkmax ¼ 12 intððT = 100Þ1 = 4Þการไร ขึ้นอยู่กับการสร้างข้อมูล หนึ่งควรตั้ง kmax ด้วยหมายเลขสูง และใหม่ปรับฟังก์ชัน MAIC ระบุว่าk เหมาะสมที่สุดควรทำค่าคงเหลือ serially uncorrelatedการทดสอบที่สองถือว่าเป็นการทดสอบ modified ไขควง – Perron ใช้ GLS detrendedข้อมูล ðMZGLSÞ dueto ไขควง และ Perron (1988), Perron และ Ng (1996) และ Ng และ Perron(2001) เป็นเน้นทาง Ng Perron (2002), ดำเนินการเสร็จสมบูรณ์ของการคำนวณที่อธิบายไว้ข้างต้นเป็นสิ่งสำคัญมากเพื่อให้เกิดประสิทธิภาพของการทดสอบใหม่ เลือกใช้อย่างใดอย่างหนึ่งข้อมูล detrending GLS หรือ MAIC จะไม่ลดการขนาดบิดเบือน

ผลลัพธ์ (ไทย) 2:

ขั้นตอนหนึ่งที่สำคัญต่อการดำเนินการทดสอบคือการเลือก KTH
คำสั่งของ DFGLS
autoregression ศึกษาและ Perron (2001) แสดงให้เห็นว่าในการปรากฏตัวของ
MA เชิงลบที่แข็งแกร่ง, AR (1) เพียงพอ COEF Fi จะลำเอียงอย่างมากถ้าตัดความล่าช้า, K, มีขนาดเล็ก
เพราะเหลือมีความสัมพันธ์เป็นลำดับ เพื่อที่จะเลือก k ที่ดีที่สุดที่บัญชี
สำหรับผกผันพึ่งพาไม่เชิงเส้นระหว่าง AR (1) อคติและ k เลือกและหลีกเลี่ยง
การเลือก k ขนาดใหญ่เมื่อมันไม่จำเป็นต้องใช้พวกเขาแนะนำให้ใช้สาย Modi เอ็ด Akaike
เกณฑ์ข้อมูล (MAIC ) ตาม Ng และ Perron (2001), ความล่าช้าสูงสุด
(KMAX) ที่ใช้ในการเริ่มต้นขั้นตอนการค้นหาควรแตกต่างกันกับขนาดตัวอย่างเช่น
KMAX ¼ 12 intððT = 100
1 = 4
Þ แต่ขึ้นอยู่กับกระบวนการสร้างข้อมูลหนึ่ง
ควรตั้งค่า KMAX โดยจำนวนที่สูงขึ้นและกลับมาเพิ่มประสิทธิภาพการทำงานของ MAIC ให้ที่
k ที่เหมาะสมควรจะทำให้เหลือลำดับ uncorrelated.
ทดสอบที่สองถือว่าเป็นสาย Modi เอ็ดทดสอบฟิลลิป-Perron ใช้ GLS detrended
ข้อมูลðMZGLS
TH, ฟิลลิป Dueto และ Perron (1988), และ Perron Ng (1996) และ Ng และ Perron
(2001) เน้นเป็น Ng และ Perron (2002), การดำเนินงานที่สมบูรณ์ของ
การคำนวณที่อธิบายข้างต้นเป็นสิ่งสำคัญมากที่จะบรรลุผลการดำเนินงานที่ดีขึ้นของ
การทดสอบใหม่ ใช้ แต่เพียงผู้เดียวของทั้ง GLS ข้อมูล detrending หรือ MAIC จะไม่ลด
การบิดเบือนขนาด

ผลลัพธ์ (ไทย) 3:

หนึ่งขั้นตอนสำคัญต่อการดำเนินการของการทดสอบคือการเลือกของ kth
คำสั่งของ dfgls
ก๊อซเปล . ของ และ เปอรอง ( 2001 ) พบว่า ในการปรากฏตัวของ
เชิงลบที่แข็งแกร่งมา , AR ( 1 ) coef จึง cient ขอลำเอียงหากความล่าช้าการตัด , K , เล็ก
เพราะความคลาดเคลื่อนจะเป็นบวก . เพื่อเลือกที่เหมาะสม K ,
ที่บัญชีสำหรับผกผันแบบพึ่งพาระหว่าง AR ( 1 ) อคติและการเลือก K
เลือกขนาดใหญ่ K เมื่อมันไม่จำเป็น พวกเขาขอแนะนำให้ใช้ สมัครงาน จึงเอ็ดเคราะห์
ข้อมูลเกณฑ์ ( maic ) ตามของ และ เปอรอง ( 2001 ) ,
ล่าช้าสูงสุด ( kmax ) ใช้เพื่อเริ่มขั้นตอนการค้นหาควรแปรผันตามขนาดตัวอย่าง เช่น
kmax ¼ 12 Int ðð t = 100 Þ
1 = 4
Þ . อย่างไรก็ตามขึ้นอยู่กับข้อมูลรุ่นกระบวนการหนึ่ง
ควรตั้ง kmax ด้วยตัวเลขที่สูงขึ้นและเพิ่มประสิทธิภาพการทำงาน maic ให้ที่เหมาะสม K
ควรให้เหลือเป็น uncorrelated .
การทดสอบที่สองถือว่าเป็นโมดิจึงเอ็ดฟิลิปส์–เปอรองการทดลองใช้ GLS detrended
ðข้อมูล mzgls
เป็นÞเนื่องจาก ฟิลลิปส์ และ เปอรอง ( 1988 ) , และ ( 1996 ) และ เปอรอง ng ng และ เปอรอง
( 2001 )เป็นโดยเน้นของเปอรอง ( 2002 ) , และการใช้งานที่สมบูรณ์ของ
การคำนวณอธิบายไว้ข้างต้นเป็นสิ่งสำคัญมากเพื่อให้บรรลุประสิทธิภาพที่ดีขึ้นของ
การทดสอบใหม่ การใช้ แต่เพียงผู้เดียวของ GLS detrending ข้อมูลหรือ maic จะไม่ลด
ขนาดการบิดเบือน