R语言时间序列：随机与确定性趋势检验及kpss.test解读

我理解你在时间序列建模中遇到的困惑——常规的平稳性检验（ADF、PP等）只能判断序列是否平稳，没法直接区分是确定性趋势平稳还是随机趋势（单位根）。下面给你分享R里的实操方法和KPSS检验的详细解读：

一、判别确定性趋势vs随机趋势的方法 #

单一检验无法直接区分两种趋势，但通过组合检验+针对性函数可以精准定位：

1. ADF+KPSS组合检验法（最常用） #

核心思路是用两个检验的结果交叉验证，互补判断：

• 先执行adf.test()：原假设为序列存在单位根（随机趋势）
• 再执行kpss.test(null = "Trend")：原假设为序列趋势平稳（确定性趋势）

根据p值（以0.05为显著性水平）对应趋势类型：

• 如果ADF不拒绝原假设（p>0.05），且KPSS（Trend）拒绝原假设（p<0.05）：序列存在随机趋势（单位根过程）
• 如果ADF拒绝原假设（p<0.05），且KPSS（Trend）不拒绝原假设（p>0.05）：序列是趋势平稳（确定性趋势）
• 若两者结果矛盾（都拒绝/都不拒绝）：建议调整滞后阶数后重新检验，或考虑序列存在混合趋势情况

2. 直接检验随机趋势：urca::ur.df() #

如果你想更聚焦单位根（随机趋势）的检验，可以用urca包的ur.df()函数，它能输出不同趋势设定下的详细统计量，帮你明确是否存在随机趋势：

# 安装并加载包
install.packages("urca")
library(urca)

# 针对带趋势的序列做检验，type="trend"包含确定性趋势项
test_result <- ur.df(your_time_series, type = "trend", lags = 2)
summary(test_result)

看结果中的t-statistic与临界值：若统计量小于5%水平的临界值，说明拒绝“存在单位根”的原假设，序列是确定性趋势；反之则为随机趋势。

二、KPSS检验（kpss.test()）结果完全解读 #

先明确官方说明的核心逻辑：

计算Kwiatkowski-Phillips-Schmidt-Shin（KPSS）检验，原假设为x是水平平稳或趋势平稳。

1. 参数详解 #

• x：你的时间序列向量/对象（比如内置的AirPassengers）
• null：指定原假设类型：
  • "Level"（默认）：原假设是序列水平平稳（无趋势，围绕常数波动）
  • "Trend"：原假设是序列趋势平稳（围绕一条确定性趋势线波动）
• lshort：逻辑值，TRUE用短滞后截断（默认），FALSE用长滞后；若检验结果不稳定，可切换该参数调整稳健性

2. 结果解读规则 #

KPSS检验的核心看p值与原假设的关系：

• p值 > 0.05：不拒绝原假设，说明序列符合设定的平稳类型（水平平稳/趋势平稳）
• p值 < 0.05：拒绝原假设，说明序列不符合设定的平稳类型，大概率存在随机趋势

举两个实际例子：

例1：确定性趋势序列检验

library(tseries)
set.seed(123)
# 生成带确定性趋势的平稳序列
trend_stationary_ts <- 1:100 + rnorm(100)
kpss.test(trend_stationary_ts, null = "Trend")

输出示例：

KPSS Test for Trend Stationarity

data:  trend_stationary_ts
KPSS Trend = 0.142, Truncation lag parameter = 3, p-value = 0.1

这里p值=0.1>0.05，不拒绝“趋势平稳”的原假设，验证了序列是确定性趋势平稳。

例2：随机游走序列检验

# 生成随机游走序列（随机趋势）
random_walk_ts <- cumsum(rnorm(100))
kpss.test(random_walk_ts, null = "Trend")

输出示例：

KPSS Test for Trend Stationarity

data:  random_walk_ts
KPSS Trend = 1.31, Truncation lag parameter = 3, p-value = 0.01

这里p值=0.01<0.05，拒绝原假设，说明序列不是趋势平稳，存在随机趋势。

内容的提问来源于stack exchange，提问作者KolAnko