ADF检验

ADF检验 (Augmented Dickey-Fuller Test)

ADF检验（Augmented Dickey-Fuller Test）是时间序列分析和计量经济学中最常用的单位根检验方法，由David Dickey和Wayne Fuller于1979年在原始Dickey-Fuller检验基础上提出。其核心目的是判断一个时间序列是否存在单位根，即是否为非平稳过程。若序列含有单位根，则任何冲击都会产生永久性影响，序列的方差随时间发散，传统回归推断（如t检验和F检验）完全失效，并可能产生伪回归——即两个完全独立的非平稳序列之间也可能表现出高度显著但毫无经济含义的统计关系。ADF检验通过在回归方程中引入被解释变量的滞后差分项作为额外回归元，有效吸收了残差中可能存在的自相关结构，从而在数据生成过程为AR(p)而非常规AR(1)时仍保持检验的有效性，这是对原始Dickey-Fuller检验最关键且最必要的推广。

检验模型与三种规范形式

ADF检验基于AR(p)过程 $\Delta y_t = \alpha + \delta t + \gamma y_{t-1} + \sum_{i=1}^{p-1} \beta_i \Delta y_{t-i} + \varepsilon_t$ 的OLS估计，其中核心参数 $\gamma = \rho - 1$，而 $\rho$ 为将AR(p)重写为ADF回归时 $y_{t-1}$ 的系数。根据数据是否呈现确定性趋势，ADF检验包含三种递增嵌套的规范形式：

• 无常数项无趋势项（None）：$\Delta y_t = \gamma y_{t-1} + \sum_{i=1}^{p-1} \beta_i \Delta y_{t-i} + \varepsilon_t$，适用于均值显然为零且无趋势的序列
• 含常数项（Intercept）：$\Delta y_t = \alpha + \gamma y_{t-1} + \sum_{i=1}^{p-1} \beta_i \Delta y_{t-i} + \varepsilon_t$，适用于围绕非零均值波动的序列，如通货膨胀率
• 含常数项与线性趋势项（Trend）：$\Delta y_t = \alpha + \delta t + \gamma y_{t-1} + \sum_{i=1}^{p-1} \beta_i \Delta y_{t-i} + \varepsilon_t$，适用于具有确定性上升或下降趋势的序列，如对数GDP

三种规范形式下，原假设均为 $H_0: \gamma = 0$（存在单位根，序列为差分平稳过程I(1)），备择假设为 $H_1: \gamma < 0$（序列平稳，I(0)）。该检验是严格的单侧检验，因为 $\gamma > 0$ 对应爆炸性过程，在经济学中极为罕见。检验统计量即通常的OLS t统计量 $t_{\gamma} = \hat{\gamma} / SE(\hat{\gamma})$，但在原假设下其渐近分布并非标准正态分布，而是收敛于维纳过程（Wiener Process）泛函的Dickey-Fuller分布。该分布是左偏的非对称分布，其临界值（如5\%显著性水平下含常数项的临界值约-2.86，远小于标准正态的-1.645）完全通过蒙特卡洛模拟获得，且严格依赖于所采用的规范形式和样本容量。

滞后阶数的选择策略

滞后差分项 $\Delta y_{t-i}$ 的核心作用是参数化地消除残差自相关，使 $\varepsilon_t$ 近似为白噪声。滞后阶数 $p$ 的选择构成了ADF检验在实际应用中最关键的决策：$p$ 过小则残差中残留的自相关未被充分吸收，导致严重的水平扭曲，实际拒绝率远高于名义显著性水平；$p$ 过大则因过度参数化而损失自由度，降低有限样本下检验区分单位根与近单位根过程的功效。实践中常用的三种选择策略为：

1. 信息准则法：对每个候选 $p$ 估计模型，选取使AIC（赤池信息准则）或BIC（贝叶斯信息准则）最小化的阶数，其中BIC对过参数化的惩罚更严厉，因而倾向于选择更精简的模型，在大样本下具有一致性
2. 一般到特殊法：从预设的最大滞后阶数 $p_{\max}$（常用Schwert准则：$p_{\max} = \lfloor 12 (T/100)^{1/4} \rfloor$）开始，检验最高阶滞后项的显著性，若不显著则缩减阶数并重复，直至最高阶滞后项统计显著
3. 序列相关检验法：在给定阶数下估计ADF回归后，对残差进行Ljung-Box Q检验或Breusch-Godfrey LM检验，调整阶数直至残差通过白噪声诊断

实施步骤与经验策略

标准的ADF检验遵循从一般到特殊的序贯策略。第一步，估计含常数项和趋势项的最一般模型，首先检验趋势项系数 $\delta$ 的显著性：若趋势不显著，则趋势项的存在会稀释检验功效，应转而采用含常数项模型；若趋势显著，则在此模型下检验 $\gamma = 0$。第二步，在含常数项模型中重复单位根检验。第三步，若常数项也不显著（这种情况较少），可进一步简化为无常数无趋势模型。每一步均需重新确定最优滞后阶数。若在所有规范下均无法拒绝原假设，则判定序列为I(1)，需要对一阶差分序列再次执行ADF检验以确认差分后的平稳性，并最终确定积分阶数。

在金融时间序列分析中，ADF检验是验证有效市场假说的核心经验工具：对数股价或汇率水平序列几乎总是无法拒绝单位根原假设（价格服从随机游走），而对数收益率序列则强烈拒绝原假设（收益率平稳），这正是有效市场假说所蕴含的"价格变动不可预测"的经验含义。在宏观经济学中，ADF检验是协整分析的前置步骤：只有确认各变量均为I(1)后，Engle-Granger两步法中对回归残差的ADF检验才有意义——若残差平稳，则非平稳变量间存在长期均衡（协整）关系。

局限性、变体与互补检验

ADF检验并非完美的单位根检验工具。首先，有限样本下其功效（power）较低：当 $\rho$ 接近但略小于1（如 $\rho = 0.92$）时，即使是中等样本容量，ADF检验也很难在统计上区分真实的平稳过程与单位根过程，这意味着在实践中将高度持久但实际平稳的序列误判为I(1)的风险不可忽视。其次，ADF检验对数据中的结构性断裂极为敏感：当序列在样本期内经历了均值漂移、趋势转折或波动率突变时，标准ADF检验会严重偏向不拒绝单位根，即使各子区间内序列本身是平稳的。

为弥补这些局限，计量经济学文献发展了一系列替代和互补检验方法：Phillips-Perron检验（PP检验）采用Newey-West型非参数长期方差估计修正残差自相关和条件异方差，避免了对滞后阶数的精确设定；KPSS检验将原假设反转为"序列是平稳的"，与ADF联合使用可形成更具说服力的确认性分析框架——若ADF拒绝单位根而KPSS不拒绝平稳性，则平稳性结论可信度最高；Zivot-Andrews检验和Perron检验则通过内生化或允许已知时点的结构性断裂来弥补标准ADF对断点的敏感性。此外，面板单位根检验（如LLC检验、IPS检验）将ADF的思想推广至面板数据，通过利用横截面信息显著提升检验功效。实践中，稳健的单位根推断应综合运用ADF检验、PP检验和KPSS检验，结合数据可视化（时序图、自相关函数图）和经济理论的先验判断，避免对单一检验结果的机械依赖。