时间序列单位根检验的PP法与ADF法比较

时间序列单位根检验的PP法与ADF法比较在金融计量、宏观经济分析乃至自然科学的时间序列研究中，单位根检验是绕不开的基础步骤。它像一把“标尺”，帮助我们判断数据是“平稳的”还是“非平稳的”——这直接关系到后续建模的有效性：若误将非平稳序列当作平稳序列处理，可能得出“伪回归”的荒谬结论；反之，若忽略了本可通过差分变为平稳的序列特性，又可能损失数据中的长期信息。在众多单位根检验方法中，ADF（增广迪基-富勒）检验和PP（菲利普斯-佩伦）检验是最常用的两种。它们看似功能相似，却在理论逻辑、操作细节和适用场景上存在深刻差异。作为长期从事计量分析的从业者，我常被同行问起“该选ADF还是PP”，这促使我深入梳理两者的异同，也希望通过这篇文章，为更多研究者提供一份“方法选择指南”。一、单位根检验的底层逻辑：为何需要这把“标尺”？要理解ADF与PP的差异，首先得回到单位根检验的核心目标：判断时间序列是否存在单位根。所谓“单位根”，可以通俗理解为序列的“随机游走”特性——就像一个醉汉走路，每一步的方向和幅度完全随机，没有回到某个固定均值的趋势。这样的序列，其均值和方差会随时间无限增长，传统的OLS回归假设（如平稳性）不再成立，直接建模可能导致“伪回归”（比如把两个无关的随机游走序列回归，却得到高R²值）。举个例子，我曾分析过某国的GDP增长率和股票指数收益率数据。一开始直接做回归，发现两者的拟合效果“好得离谱”，但进一步检验后才发现，原来两个序列都是非平稳的（存在单位根），所谓的“强相关性”不过是统计假象。这让我深刻意识到：单位根检验是时间序列分析的“第一扇门”，门没开好，后面的分析再精致也是空中楼阁。单位根检验的原假设通常是“序列存在单位根（非平稳）”，备择假设是“序列平稳”。检验的本质是通过统计量（如t值、Z值）与临界值的比较，判断是否拒绝原假设。ADF和PP都是基于这一框架发展而来，但在处理数据“不完美”（如自相关、异方差）的方式上分道扬镳。二、ADF检验：从DF到ADF的“增广”进化2.1从DF检验到ADF的必要性最早的单位根检验是DF（迪基-富勒）检验，其基本模型是：

Δyₜ=α+βt+γyₜ₋₁+εₜ

其中，Δyₜ是yₜ的一阶差分，γ的估计值若显著小于0，则拒绝单位根原假设。但DF检验有个严格前提——误差项εₜ必须是白噪声（无自相关、同方差）。现实中，经济金融数据的误差项常存在自相关（比如股票收益率的波动集群效应），直接用DF检验会导致γ的估计有偏，检验功效下降（容易犯第二类错误，即漏判单位根）。ADF（增广迪基-富勒）检验的“增广”二字，正是为了解决这一问题。它在DF模型中加入了Δyₜ的滞后项，通过“增广”来捕捉误差项的自相关：

Δyₜ=α+βt+γyₜ₋₁+δ₁Δyₜ₋₁+δ₂Δyₜ₋₂+…+δₚΔyₜ₋ₚ+εₜ

这里的p是滞后阶数，相当于用AR(p)模型拟合误差项的自相关结构，使得新的误差项εₜ满足白噪声假设。这一步改进让ADF在实际数据中更具可操作性，也因此成为最广泛使用的单位根检验方法。2.2ADF的操作步骤与关键痛点我在实际操作中，ADF检验通常分为三步：

第一步是确定模型形式——是否包含截距项（α）和趋势项（βt）。这需要结合数据的图形观察：若序列有明显的上升/下降趋势，模型应包含趋势项；若趋势不明显但均值偏离0，包含截距项；若均值接近0且无趋势，则用无截距无趋势的模型。

第二步是选择滞后阶数p。常用的准则是AIC（赤池信息准则）或BIC（贝叶斯信息准则），目标是在拟合效果和模型简洁性之间找平衡。我曾遇到过一个案例，用AIC选p=3时拒绝了单位根，但p=5时又接受，这说明滞后阶数的选择直接影响结论，需要谨慎。

第三步是估计模型并计算t统计量（即ADF统计量），与临界值（如麦金农临界值）比较。若ADF统计量小于临界值（更负），则拒绝单位根原假设。ADF的优势很明显：通过滞后项处理自相关，逻辑直观，操作流程规范，主流统计软件（如EViews、Stata）都有现成的命令，对初学者友好。但它的痛点也很突出：

-滞后阶数的敏感性：p选小了，误差项可能仍有自相关，导致检验结果不可靠；p选大了，会损失自由度，降低检验功效。

-对异方差不稳健：若误差项存在异方差（如金融数据的波动聚集），ADF的t统计量方差估计会失真，检验结果可能出现偏差。我曾用某股票日收益率数据做ADF检验，发现当p=2时结论是“平稳”，但用White检验发现误差项存在异方差，调整异方差稳健标准误后，结论变为“非平稳”。这说明，ADF在异方差环境下可能“虚高”检验功效。三、PP检验：异方差与自相关的“非参数”应对3.1PP检验的核心思想：从参数修正到非参数调整ADF通过“参数化”方法（加入滞后项）处理自相关，但面对异方差或未知形式的自相关时，这种方法显得力不从心。PP（菲利普斯-佩伦）检验正是为了弥补这一缺陷而提出的。它的核心思想是：不通过加入滞后项“拟合”自相关，而是通过“非参数”方法修正原DF检验的统计量，使其对异方差和一般形式的自相关稳健。PP的基本模型与DF检验一致（Δyₜ=α+βt+γyₜ₋₁+εₜ），但对检验统计量进行了修正。具体来说，传统DF检验的t统计量是基于误差项的短期方差（即εₜ的方差）计算的，而PP检验考虑了误差项的长期方差（即εₜ及其所有滞后项的协方差之和），通过Newey-West等非参数方法估计长期方差，从而调整t统计量和标准化的γ估计值，得到稳健的Z统计量（包括Zₜ和Zα两种形式）。3.2PP的操作步骤与独特挑战PP的操作流程与ADF类似，但关键差异在于“长期方差估计”：

第一步同样是确定模型形式（截距、趋势项）；

第二步是选择核函数（如Bartlett核、QuadraticSpectral核）和带宽（即滞后阶数q），用于估计长期方差。核函数决定了如何加权不同滞后阶数的协方差，带宽决定了纳入多少滞后项。

第三步是计算修正后的Z统计量，与临界值比较，判断是否拒绝单位根原假设。PP的优势在于：

-对异方差和自相关更稳健：无需假设误差项的具体形式（如AR(p)），通过非参数方法直接修正统计量，适用场景更广泛。

-无需选择滞后阶数p：ADF需要为Δyₜ的滞后项选p，而PP只需为长期方差估计选带宽q，这在一定程度上减少了人为选择的干扰。但PP也有不可忽视的挑战：

-长期方差估计的敏感性：核函数和带宽的选择会显著影响结果。比如，用Bartlett核时，带宽q选小了可能低估长期方差，导致检验功效过高；q选大了又可能引入过多噪声，降低检验精度。我曾用同一组数据，q=2时PP检验拒绝单位根，q=5时却接受，这让我意识到带宽选择的重要性不亚于ADF的滞后阶数选择。

-小样本表现较差：非参数估计在小样本下偏差较大，可能导致PP检验的实际显著性水平偏离理论值（比如本应5%的显著性水平，实际达到10%）。四、关键维度对比：从理论到实践的多视角辨析理解ADF与PP的差异，需要从假设条件、处理机制、统计量构造、操作难点等多个维度展开。4.1假设条件：参数化vs非参数化的分野ADF的核心假设是误差项εₜ为AR(p)过程（即存在有限阶的自相关），通过加入p阶滞后项可以将其转化为白噪声。这是一种“参数化”假设，要求研究者对误差项的自相关结构有一定认知（至少知道是有限阶的）。PP则允许误差项为更一般的“弱相依”过程（如异方差、无限阶自相关），只要其长期方差存在。这种“非参数化”假设更贴近现实数据的复杂性，但也对长期方差估计提出了更高要求。4.2处理自相关与异方差的机制差异ADF通过“加入滞后项”直接拟合自相关，相当于“主动建模”误差项的结构。这种方法在误差项确实为AR(p)时效果很好，但面对异方差或非AR形式的自相关时，滞后项无法捕捉所有相关性，导致检验失效。PP则通过“修正统计量”间接处理自相关和异方差，相当于“被动调整”传统统计量的方差估计。它不要求误差项的具体形式，而是通过长期方差估计来“吸收”所有可能的相关性和异方差，这在数据结构未知时更具优势。4.3统计量构造：t值vsZ值的数学逻辑ADF的检验统计量是传统的t值，基于误差项的短期方差（即εₜ的方差）计算。其逻辑是：若yₜ₋₁的系数γ显著小于0，则序列平稳。PP的检验统计量是修正后的Z值（Zₜ和Zα），其中Zₜ是对t值的长期方差修正，Zα是对γ估计值的标准化修正。两者的本质都是通过调整方差估计，使得统计量在存在自相关和异方差时仍服从渐近分布（迪基-富勒分布）。4.4操作难点：滞后阶数vs带宽的选择困境ADF的难点在于滞后阶数p的选择。实践中常用AIC/BIC准则，但这些准则在小样本下可能不稳定。比如，当数据点只有50个时，p=3可能已经占用了过多自由度，导致γ的估计不精确。PP的难点在于带宽q和核函数的选择。虽然理论上有自动选择带宽的方法（如Newey-West的自动带宽），但实际中不同软件的实现可能有差异。我曾用EViews和Stata做同一组数据的PP检验，发现自动带宽的结果略有不同，这说明软件内部的算法细节也会影响结论。4.5小样本与大样本表现：谁更可靠？在大样本下，ADF和PP的渐近性质相似（都渐近服从迪基-富勒分布），但小样本下差异明显。ADF在误差项为AR(p)且p选择正确时，小样本表现更稳定；若p选择错误（如欠拟合），则可能出现偏差。PP在小样本下，由于长期方差估计的偏差（如用Bartlett核时的向下偏误），可能导致检验功效不足（容易接受单位根原假设）。我曾用蒙特卡洛模拟比较两者的小样本表现：当样本量为100时，ADF（p=2）的实际显著性水平接近5%，而PP（q=3）的实际显著性水平约为7%；当样本量增加到500时，两者的表现趋于一致。这说明，小样本下ADF可能更“保险”，但需确保滞后阶数选择合理。五、应用场景的选择：基于数据特征的决策指南ADF和PP没有绝对的“优劣”，关键是根据数据特征和研究目标选择。结合我多年的实践经验，以下是一些具体的决策建议：5.1数据存在明显自相关但同方差：优先ADF若数据的误差项自相关结构明确（如AR(1)），且不存在异方差（如宏观经济的季度数据，波动较稳定），ADF通过合理选择滞后阶数p，能更高效地捕捉自相关，检验结果更可靠。例如，分析某国GDP增长率（季度数据，波动较小）时，ADF的滞后阶数p=2通常能较好地拟合自相关，结论稳定性高于PP。5.2数据存在异方差或未知形式的自相关：优先PP若数据存在异方差（如金融资产收益率的波动聚集）或自相关结构复杂（如高阶自相关或移动平均成分），PP的非参数修正能更好地处理这些“不完美”，避免ADF因滞后阶数选择错误导致的偏差。例如，分析股票日收益率（常存在ARCH效应，即异方差）时，PP的长期方差估计能更稳健地调整统计量，结论可信度更高。5.3小样本情况：需谨慎验证小样本下（如n<100），ADF和PP都可能出现偏差。此时建议：

-对ADF，优先用BIC准则选择滞后阶数（BIC比AIC更倾向于小p，减少自由度损失）；

-对PP，尝试不同的核函数和带宽（如Bartlett核与QuadraticSpectral核），观察结论是否一致；

-若条件允许，结合其他检验（如KPSS检验，检验原假设为平稳）进行交叉验证。我曾分析某新兴市场的月度工业产值数据（n=80），ADF（p=1）显示非平稳，PP（q=2）也显示非平稳，而KPSS检验接受平稳，这提示可能存在“矛盾结论”，需要进一步检查数据是否存在结构突变（如政策冲击），因为单位根检验对结构突变不稳健。5.4实际研究中的常见误区在应用中，我见过不少研究者的误区：

-忽视模型形式选择：直接用包含趋势项的模型，却不检查数据是否真的有趋势。例如，某平稳序列被错误地加入趋势项，可能导致ADF统计量绝对值变小，错误接受单位根。

-机械套用软件结果：不理解滞后阶数/带宽的意义，直接用软件默认值。例如，某软件默认PP的带宽为n^(1/3)，但实际数据可能需要更大的带宽。

-忽略检验结果的稳健性：仅做一次检验就下结论，而不尝试不同的模型形式或参数选择。例如，ADF选p=2和p=3结果不同时，应报告所有可能结果，说明结论的敏感性。六、实践案例：以经济数据为例的对比分析为了更直观地展示ADF与PP的差异，我选取某国200个月度CPI同比增长率数据（假设数据无结构突变），进行实际检验。6.1数据预处理与模型设定首先，观察数据图：序列围绕2%上下波动，无明显上升/下降趋势，因此选择“有截距、无趋势”的模型形式。6.2ADF检验过程用AIC准则选择滞后阶数p，结果显示p=2时AIC最小（-5.23），p=3时AIC=-5.18（略有上升），故选择p=2。估计模型：

ΔCPIₜ=0.05（截距）+γCPIₜ₋₁+0.12ΔCPIₜ₋₁+0.08ΔCPIₜ₋₂+εₜ

计算ADF统计量为-3.15，麦金农10%临界值为-2.57（有截距、无趋势），因此拒绝单位根原假设，认为序列平稳。6.3PP检验过程选择Bartlett核估计长期方差，自动带宽q=4（软件默认）。计算修正后的Zₜ统计量为-3.42，10%临界值同样为-2.57，拒绝单位根原假设。6.4结果对比与分析两者结论一致，均认为CPI同比增长率是平稳的。但进一步检查误差项的异方差性（用White检验），发现p值=0.12（大于0.1），无显著异方差，这解释了为何ADF（对异方差不稳健）在此例中仍表现良好。若数据存在异方差（如将数据替换为股票收益率），PP的优势会更明显。七、结论：理解差异，让方法为研究服务ADF