Als Dickey-Fuller-Tests bezeichnet man in der Statistik die im Jahr 1979[1] von D. Dickey und W. Fuller entwickelte Testklasse der 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 DurchführungBearbeiten

Für einen stochastischen Prozess   der Form

 

mit einem weißen Rauschen   soll die Nullhypothese

  (Random-Walk mit Drift)

gegen die Alternative

  (AR(1)-Prozess)

getestet werden. Setzt man nun  , kann man schreiben:

 

Null- und Alternativhypothese lauten jetzt:

 

Man regressiert nun   durch   und die Konstante  . Je nach Schätzverfahren (Methode der kleinsten Quadrate, Maximum-Likelihood-Schätzung) erhält man dann Schätzwerte  . Anschließend bildet man eine Teststatistik

 

die allerdings keiner  -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.

AnwendungsgebietBearbeiten

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 Residuen einer Regression der Zeitreihen angewandt. Er prüft also, ob die Residuen stationär sind.

DF-TestBearbeiten

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

 

Es gibt drei Fälle:

  1. Test auf Random Walk:  
  2. Test auf Random Walk mit Drift  
  3. Test auf Random Walk mit Drift und deterministischem Trend  

Das Hypothesenpaar lautet:

 , d. h., der AR-Teil besitzt eine Einheitswurzel
 

ADF-TestBearbeiten

Der erweiterte Dickey-Fuller-Test (englisch augmented Dickey-Fuller test, oder ADF-Test) verallgemeinert die Testgleichung des DF-Tests im Fall mit deterministischem Trend durch

 ,

mit k, so dass die empirischen Residuen weiß rauschen.

Das Hypothesenpaar lautet:

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

ProblemeBearbeiten

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 AnsätzeBearbeiten

EinzelnachweiseBearbeiten

  1. Peter Hackl: Einführung in die Ökonometrie. 2. aktualisierte Auflage, Pearson Deutschland GmbH, 2008., ISBN 978-3-86894-156-2, S. 257.

LiteraturBearbeiten

  • G. Elliott, T. J. Rothenberg & J. H. Stock: Efficient Tests for an Autoregressive Unit Root, Econometrica, 1996, Vol. 64, No. 4., S. 813–836. doi:10.3386/t0130 JSTOR 2171846
  • 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. doi:10.1093/biomet/71.3.599 JSTOR 2336570
  • 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. doi:10.1080/01621459.1979.10482531 JSTOR 2286348