单位根检验内容及标准规定样式分析
单位根检验

单位根检验单位根检验是一种用于检验指数时间序列是否稳定的方法。
在经济学中,许多变量都是随时间变化的,如股票价格、货币汇率、通货膨胀率等,而这些变量都可以被视为时间序列。
但是,这些时间序列是否稳定是一个重要的问题。
因为如果一个时间序列是不稳定的,那么它的预测结果就是不可靠的。
什么是单位根?单位根是指一个数学方程中的根等于1的根。
在统计学中,我们通常使用单位根来检验时间序列的稳定性。
如果时间序列有一个单位根,那么它就是不稳定的。
因此,我们需要通过时间序列的单位根检验来确定它是否是稳定的。
单位根检验是基于一个叫做“随机游走”的经济学理论的基础上的。
随机游走是指一个随机变量在未来的状态完全是随机的。
如果一个时间序列是随机游走的,那么它就是不稳定的。
因此,我们需要通过检验这个序列是否是随机游走来确定它是否是稳定的。
单位根检验的主要步骤如下:第一步:确定时间序列的类型。
我们需要确定这个时间序列的具体类型,是属于随机游走类型还是平稳类型,或者是介于两者之间的。
第二步:选择一种统计方法进行检验。
单位根检验有许多种不同的方法,每种方法都基于不同的假设。
第三步:计算检验统计量。
根据所选的统计方法,我们需要计算出检验统计量的值,然后与临界值进行比较。
第四步:做出结论。
如果检验统计量的值小于临界值,那么我们可以拒绝原假设,说明时间序列是稳定的;如果检验统计量的值大于临界值,那么我们接受原假设,说明时间序列是不稳定的。
常用的单位根检验方法包括ADF检验、PP检验,以及KPSS检验。
ADF检验ADF检验全称为“Augmented Dickey-Fuller test”。
这种检验方法用于检查一个时间序列是否具有单位根,并且可以给出序列是否是平稳序列的信息。
ADF检验的步骤如下:第一步:设定模型。
ADF模型可以通过以下方式表示:$\Delta Y_t=a+bY_{t-1}+\sum_{i=1}^{k-1}\delta\Delta Y_{t-i}+u_t $其中,$\Delta$表示差分运算符,$Y_t$表示时间序列,$k$表示差分的阶数,$u_t$是一个随机变量。
单位根检验

18
20
22
24
RW T = 50、100、500、1000 的自相关函数
AR(1) 1 = 0.4、0.6、0.8、0.9 的自相关函数
2. 3 四种典型的非平稳随机过程 (1)随机游走过程。 yt = yt-1 + ut , y0 = 0, ut IID(0, 2) 由第 1 章知,其均值为零,方差无限大,但不含有确定性时间趋势。
0
0.2
0.4
0.6
0.8
1
1
AR(1)过程
方差 Var(yt) 与自相关系数1 的关系
2.2 平稳与非平稳过程的统计特征 (2)非平稳过程的统计特征 以随机游走过程为例, xt = xt-1 + ut , 有 x0 = 0, ut IN (0, u2)
t
xt = xt-2 + ut-1 + ut = … = E(xt) = 0 Var(xt) =
t
u
i 1
t
i
= y0 + t + ( 1+ t ) t + 2
2 t u i = ( + ) t + t + u i , (设定 y0 = 0) 2 2 i 1 i 1
趋势非平稳过程是含有随机趋势和确定性趋势的混合过程。 趋势项中包括 t 的 1 次和 2 次项。 t 的 2 次项起主导作用。这种序列在取对数的经济序列中非常少见。 ● 对于对数的宏观经济变量,随机趋势过程和退势平稳过程是两种最常见的表现形式。
2
i 0
t 1
1
i
vt i
(yt 只有有限记忆力)
E(yt) = 0 Var(yt) = E(
单位根检验

面板数据的平稳性(单位根检验) 第二节 面板数据的平稳性(单位根检验) 请点 说明 请点 软件操作 点检验结果1 结果2 结果 点检验结果 结果
12
分析数据的平稳性(单位根检验) 分析数据的平稳性(单位根检验)说明 注:所有序列者要检验
除外, 稳定) 原:不稳定(Hadri 除外, Hadri 中 原:稳定) 不稳定( 目的: 目的:防止虚假回归或伪回归 方法: 方法: 模式: 模式: 三种检验模式:既有趋势又有截距、只有截距、以上都无( 三种检验模式:既有趋势又有截距、只有截距、以上都无(对面板序列绘制时 序图做出模式选择)。 序图做出模式选择)。 秩序:水平( )、一阶差分 秩序:水平(level)、一阶差分、二阶甚至高阶差分直至序列平稳为止。 )、一阶差分、二阶甚至高阶差分直至序列平稳为止。 备注: 检验是通过三个模型来完成, 备注:ADF检验是通过三个模型来完成,首先从含有截距和趋势项的模型开始, 检验是通过三个模型来完成 首先从含有截距和趋势项的模型开始, 再检验只含截距项的模型,最后检验二者都不含的模型。并且认为, 再检验只含截距项的模型,最后检验二者都不含的模型。并且认为,只有三个模 型的检验结果都不能拒绝原假设时,我们才认为时间序列是非平稳的, 型的检验结果都不能拒绝原假设时,我们才认为时间序列是非平稳的,而只要其 中有一个模型的检验结果拒绝了零假设,就可认为时间序列是平稳的。 中有一个模型的检验结果拒绝了零假设,就可认为时间序列是平界值则接受H1 规则:小于临界值则接受 规则 临界值法 具体:左则单边: 具体:左则单边: ①ADF② DFGLS ③ PP⑥ NP ② ⑥ 接受(原假设) 接受(原假设)域 统计值大于临界值 右则单边: 右则单边: ④ KPSS ⑤ ERS 接受(原假设) 接受(原假设)域 统计值小于临界值
计量经济学第五章 单位根检验和协整分析

0
50
100
150
200 样本容量
图 5.3
⑸ 虚假回归的直观解释 因为上述数据生成系统是真实的,所以对于回归模型
yt = 0 + 1xt + wt ,
应有1 = 0,即 yt 与 xt 不相关,则模型变为
yt = 0 + wt 已知 yt I(1), wt I(0),所以 yt = 0 + wt 两侧的单整阶数出 现矛盾。导致1 无法表现为零。
示的更清楚。
t
t
yt = + yt-1 + ut = + ( + yt-2 + ut-1) + ut = … = y0 + t + ui = t + ui (5.7)
这是一个趋势项和一个随机游走过程之和。所以称作i1 随机趋势i过1 程,见图
5.5,虽然总趋势向上(下),但随机过程围绕总趋势上下漂动。因为对 yt 作一次差分后,序列就平稳了,
(5.1) (5.2) (5.3)
其中 称作位移项(漂移项), t 称为趋势项。 显然,对于以上三个模型,当 < 1 时,yt 是平稳的,当 = 1 时,
yt 是非平稳的。
以模型 (5.1) 为例,若 = 0,统计量,
t(ˆ) =
ˆ s( ˆ )
t (T-1)
(5.4)
该极限分布为标准正态分布。 若 < 1,统计量,
结论却是相关!
图 5.1 三条曲线叠加示意图
图 5.2 t(98)分布和虚假回归条件下的 t 分布
⑵ t 统计量的分布 有如下数据生成系统
xt = xt-1 + ut , x0 = 0, ut IID(0, 1)
单位根与协整检验

一、单位根检验的回顾1、在实际应用中,何种情况下需要对单位根进行检验?答:理论上,你在实际应用过程中,如果你遇到的样本是时间序列形式的,都要进行单位根检验。
原因是,如果你的时间序列数据是单位根的话,类似于你的数据的变化是很不规则的,好像一个“醉汉”。
从计量角度看,它影响了我们假设检验当中的“仪器”的准确性。
2、单位根检验的数学形式,或说你应当用数学方式会表述单位根检验的原假设。
3、学会在eviews上对一个时间序列变量进行单位根检验。
(1)如果一个变量具有单位根的特征,那么表示这个变量经过一次差分,就会变成平稳的。
(2)在eviews中,单位根检验的对象是series object。
也就是,你要先打开一个series object,然后,在打开的窗口中点击view来观察这个序列是否具有单位根的特征。
(3)要特别注意的是,eviews上如果你不能拒绝你所检验的变量对象是一个单位根,那么此时并不一定表明你所检验的变量一定是I(1),也可能是I(2)或I(3)等更高阶的单整。
要注意的是,只要你检验的变量是非平稳的,都会接受原假设。
(4)在eveiws单位根检验要遵循如下的步骤:第一,先对变量(比如Y)进行水平数据的单位根检验(level);第二,如果水平数据拒绝原假设(即不存在单位根),那么检验停止,说明水平数据是一个平稳的时间序列变量;第三,如果水平数据的检验接受原假设,仅能说明你检验的变量是非平稳的,此时需要继续对这个变量的一阶差分进行单位根检验(1S difference)。
如果此时拒绝原假设,那么,检验停止,表明这个变量要经过两次差分才会平稳,否则,继续对二阶差分进行单位根检验(1S difference)。
总之,检验的目的是判断,到底你所检验的变量经过几次差分后才会平稳?所以,检验一定要到差分平稳后为止。
(5)对你而言,由于有不同的单位根检验方法,所以一个不错的选择是,你同时用不同的方法对你所关注的变量做单位根检验,并开出所有结果。
什么是单位根检验如何进行单位根检验

什么是单位根检验如何进行单位根检验单位根检验是时间序列分析中常用的一种方法,用于判断一个序列是否具有单位根。
本文将介绍单位根检验的概念及其常见方法,并详细说明如何进行单位根检验。
一、单位根检验的概念单位根检验是用来判断一个时间序列数据是否具有单位根的方法。
单位根是指时间序列中的随机游走部分,即序列具有无界的随机性。
如果一个序列是单位根序列,那么它的均值和方差都会随着时间的推移而改变,无法稳定在一个特定的水平上。
单位根检验是为了验证时间序列是否平稳而进行的,平稳序列的均值和方差在时间推移的过程中是固定的,与时间无关。
二、如何进行单位根检验常见的单位根检验方法包括ADF检验(Augmented Dickey-Fuller Test)和KPSS检验(Kwiatkowski–Phillips–Schmidt–Shin Test)。
ADF检验是一种常用的单位根检验方法,它的原假设是序列具有单位根,即非平稳;备择假设是序列是平稳的。
ADF检验会利用时间序列的滞后项来估计单位根系数,进而进行假设检验。
KPSS检验则是另一种常用的单位根检验方法,它的原假设是序列是平稳的;备择假设是序列具有单位根,即非平稳。
KPSS检验会计算序列的累积和,通过比较它与滞后项的关系来判断序列是否具有单位根。
在进行单位根检验时,一般需要确定检验的滞后阶数和选择合适的检验统计量。
通常会根据样本的性质和经验来选择合适的参数。
三、进行单位根检验的步骤下面将以ADF检验为例,介绍进行单位根检验的具体步骤。
1. 收集时间序列数据,确保数据已经按照时间顺序排列。
2. 导入统计软件,比如R或Python等,加载相关的统计函数库。
3. 指定滞后阶数。
根据样本的特点和经验选择合适的滞后阶数,一般建议初始滞后阶数为1或者自动选择。
4. 进行ADF检验,并取得检验统计量的值。
统计软件会输出检验统计量的值,一般为负数,可以与相应的临界值进行比较。
5. 进行假设检验。
单位根检验

势,一般不会返回某个特定值。大多数宏观 经济流量指标和与人口规模相联系的存量指 标往往都是一阶单整的,如产出和就业人口; 二阶单整序列往往具有一个相对不变的增长 率,如物价指数;三阶及以上单整序列一般 不常见,但并非不存在,如恶性通货膨胀时 期的物价水平可能是三阶单整的。
单位根检验:单位根过程
单位根过程是一种特别常见的非平稳过程。
-3.5778 -2.9256 -2.6005
Augmented Dickey-Fuller Test Equation Dependent Variable: D(DLGIM) Method: Least Squares Date: 06/02/05 Time: 23:14 Sample(adjusted): 1953 1998 Included observations: 46 after adjusting endpoints VariableCoefficient DLGIM(-1) D(DLGIM(-1)) C 0.090999 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Std. Error -0.836358 0.196643 0.032063 0.379331 0.350463 0.175250 1.320646 16.39079 1.917004 t-Statistic Prob. 0.171284 -4.882871 0.129065 1.523594 2.838167 0.0069 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 0.0000 0.1349 0.001161 0.217449 -0.582208 -0.462949 13.14006 0.000035
单位根检验

影响
31
针对第四个问题,Perron提出
1. xt c t xt1 t H0 : 0
如果拒绝零假设,那么检验过程停止,该过 程是平稳过程 .不能拒绝,说明存在单位根,过 程非平稳,那么回归模型中的时间趋势项是不 是多余的参数呢?如果是,会导致检验的势降 低,进入步骤2.
包含一个确定性趋势和一个随机趋势
单位根过程
满足下面表达式的过程成为单位根过程
(1 B)xt t 1 t1 (B)t
其中
(1) 0,
j0
2 j
,程对时间序列的增量进行刻画,增 量平稳,但水平变量不平稳。
2. xt c t xt1 t H0 : 0
使用统计量 3 ,检验零假设. F统计量 (r为约束条件, k为无约束模型中的待估计参数)
j
[RSS(restricted) RSS(un restricted)] / RSS(restricted) / (T k)
单位根检验
非平稳过程
多数经济变量的时间序列都有随着时间增 加而增长的趋势, 不具有均值回复的特点.
两种刻画: 带趋势的平稳随机过程(前面已讲) 单位根过程
随机趋势过程
有一类随机过程, 如果再 t 时刻扰动项发生 变化, 那么它的影响会一直存在下去,不会随 着时间 t 增大会立刻衰减到0. 这样过程成为 随机趋势过程。 随机游动(走) 带常数项的随机游动 单位根过程
(B)ts (B)ts1 (B)t xt
所以
xt s
t
s
1
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
第八章 单位根检验由于非平稳过程可能存在严重的伪回归问题,所以在对序列进行估计之前,需要检验序列的平稳性。
本章介绍了严格的平稳性的统计检验方法--单位根检验。
在简要介绍四种主要的非平稳随机过程以产输出单位根检验原理之后,文章主要介绍ADF 检验及PP 检验法,以及介结构突变和单位根检验。
8.1 四种典型非平稳过程简介前面我们知道,若一个时间序列含有某种变动趋势,即该序列的均值或自协方差函数随时间而改变,则称该序列为非平稳序列。
下面介绍四种典型的非平稳过程。
8.1.1随机游走过程t t t y y ξ+=-1,t=1,2,... (8.11)若}{t ξ为独立随机分布,即()0=t E ξ,()∞<=2σξt D 。
则称}{t y 为随机游走过程(Random Walk Process )。
随机游动过程是单位根过程的特例。
在现实经济社会中,如股票价格的走势便是随机游走序列。
下图是t t t y y ξ+=-1,()1,0∈t ξ生成的序列。
图8.11 随机游走过程t t t y y ξ+=-1,()1,0∈t ξ生成的序列图8.1.2随机趋势过程t t t y y ξα++=-1,),0(2σξIID t ∈, (8.12)其中α称为漂移项,由于序列一阶差分后便趋于平稳,又称随机趋势过程为差分平稳过程。
图8.12 t t t y y ξ++=-11.0,()1,0∈t ξ生成的序列8.1.3趋势平稳过程t t t y ξβα++= ,其中t t t νρξξ+=-1,1<ρ,),0(2σν∈t (8.13)由于t t t y ξαβ+=-,即当减去退势后为平稳过程,故趋势平稳过程又称为退势平稳过程。
由t t t y ξβα++=,t t t νρξξ+=-1知:11)1(--+-+=t t t y ξβα (8.14)将(4)两边同时乘以ρ,与(3)两边同时相减,整理可得:t t t y t y νρβα+++=-1'' , ),0(2σν∈t (8.15)其中,ρβρααα+-=',ρβρβ-=' 这样便得出趋势平稳过程的另一种形式。
图8.13t t t y t y ν+++=-101.001.0,),0(2σν∈t 生成的序列8.1.4趋势非平稳过程t t t y t y ξβα+++=-1,),0(2σξIID t ∈ (8.16)其中α称为漂移项,t β称为趋势项。
这种过程在实际经济中很少见。
8.2 单位根检验 8.2.1 DF 检验考虑AR(1)回归模型,),0(2σξIID t ∈ (8.21)(1) 如果 -1< β <1,则}{t y 平稳。
(2) 如果β=1,t y 序列是非平稳序列。
(8.21)式可写成:t t y ξ=∆显然t y 的差分序列是平稳的。
(3) 如果 ρ 的绝对值大于1,(8.21)式可写成: 。
序列发散,且其差分序列是非平稳的。
因此,判断一个序列是否平稳,可以通过检验β是否严格小于1来实现。
t t t y y ξβ+=-1tt t y y ξβ+-=∆)1(生成随机游走过程:t t t y y ξ+=-1,00=y ,),0(2σξIID t ∈, OLS 估计式为:t t t y y ξβ+=-1零假设和备择假设分别为1:;1:10<=ββH H得到β的估计值βˆ,并对其进行显著性检验的方法,构造检验βˆ显著性的 t 统计量。
但是,Dickey-Fuller 研究了这个t 统计量在原假设下已经不再服从t 分布,它依赖于回归的形式(是否引进了常数项和趋势项) 和样本长度T 。
构造DF 统计量∑=--=-=Tt t ys s DF 221/)(1ˆ)ˆ(1ˆξβββ, ∑=-=T T t T s 22ˆ11)(ξξ (8.22)Mackinnon 进行了大规模的模拟,给出了不同回归模型、不同样本数以及不同显著性水平下的临界值,如表8.21。
8.21DF 分布百分位数表模型(a ):数据生成过程:t t t y y ξ+=-1,00=y ,),0(~2σξIID t OLS 估计式:t t t y y ξβ+=-1 1:0=βH ;1:1<βH模型(b ):数据生成过程:t t t y y ξ+=-1,00=y ,),0(~2σξIID t OLS 估计式:t t t y y ξβα++=-1 10:0==βα;H ;11:1<≠βα;H模型(c ):数据生成过程:t t t y y ξα++=-1,00=y ,),0(~2σξIID t OLS 估计式:t t t y y ξγβα+++=-t 101:00===γβαα,;H ;01:00≠<≠γβαα,;H这样,就可以根据需要,选择适当的显著性水平,通过t 统计量来决定能否拒绝原假设。
这一检验被称为Dickey-Fuller 检验(DF 检验)根据Mackinnon 给出的临界值,若用样本计算的DF>临界值,则接受原假设,t y 非平稳;若DF<临界值,则拒绝原假设,接受备择假设。
2.ADF 检验(Augmented Dickey-Fuller Test) 关于AR(p)过程,t=1,2,…. (8.23) 上式存在p 阶序列相关,用p 阶自回归过程来修正,在上式两端减去1-t y ,通过添项和减项的方法,可得(8.24)其中 , 。
零假设和备择假设为:1:0=βH ;1:1<βH 。
原假设为至少存在一个单位根;备选假设为:序列不存在单位根。
序列t y 可能还包含常数项和时间趋势项。
判断φ的估计值φˆ是接受原假设或者接受备选假设,进而判断一个高阶自相关序t p i i t i t t y y y ξηβα+++=∑-=--111Δ∑==pi i 1ββ∑+=-=pi j ji 1βηt p t p t t t y y y y ξβββα+++++=--- 2211列AR(p) 过程是否存在单位根。
类似于DF检验,Mackinnon通过模拟也得出了不同回归模型、不同样本数以及不同显著性水平下的临界值。
这使我们能够很方便的在设定的显著性水平下判断高阶自相关序列是否存在单位根。
并且,Said-Dickey(1984)证明(8.24)式中的β的DF统计量的分布与(8.11)式中β的DF统计量相似。
当(8.24)式中分别加入漂移项和趋势项后,其β的DF统计量的分布分别与(8.12)式和(8.13)式中β的DF统计量相似。
这样,DF和ADF检验法可以共用一个DF 分布百分位数表,作为临界值的参考。
在进行ADF检验时,必须注意以下两个实际问题:第一,必须为回归定义合理的滞后阶数,通常采用AIC准则来确定给定时间序列模型的滞后阶数。
在实际应用中,还需要兼顾其他的因素,如系统的稳定性、模型的拟合优度等。
第二,选择哪种形式很重要,检验显著性水平的t统计量在原假设下的渐近分布依赖是否存在常数项、趋势项,对应临界值也不同。
若原序列中不存在单位根,则检验回归形式选择含有常数,意味着所检验的序列的均值不为0;若原序列中存在单位根,则检验回归形式选择含有常数,意味着所检验的序列具有线性趋势,一个简单易行的办法是画出检验序列的曲线图,通过图形观察原序列是否在一个偏离0的位置随机变动或具有一个线性趋势,进而决定是否在检验时添加常数项。
若原序列中不存在单位根,则检验回归形式选择含有常数和趋势,意味着所检验的序列具有线性趋势;若原序列中存在单位根,则检验回归形式选择含有常数和趋势,意味着所检验的序列具有二次趋势。
同样,决定是否在检验中添加时间趋势项,也可以通过画出原序列的曲线图来观察。
如果图形中大致显示了被检验序列的波动趋势呈非线性变化,那么便可以添加时间趋势项。
8.3.PP 检验Phillips 和Perron 构建了PP 统计量p p t ,检验一阶自回归AR (1)的平稳性,对于(8.31)方程原假设和备择假设为接受原假设,则存在单位根;拒绝原假设则不存在单位根。
PP 统计量具体构造形式如下:σγγφφˆ2)()(210ˆ00210ˆ,f s f T f t t p p --= (8.82)式中,0f 是频率为零时的残差谱密度估计值,φˆt 是φˆ的t 统计量,σˆ是回归残差的标准差,0γ是回归残差的一致估计量。
同ADF 检验的t 统计量一样,通过模拟可以给出PP 统计量在不同显著水平下的临界值。
PP 检验中的滞后阶数可以有AIC 准则等方法确定。
8.3结构突变与单位根检验 8.31三种形式的结构突变首先从理论上分析三种突变情况。
第一,均值突变的随机游走过程和均值突变的退势平稳过程;第二,斜率突变的随机游走过程和斜率突变的退势平稳过程;tt t y y ξβ+=-1⎩⎨⎧<=1:1:10ββH H第三,均值、斜率双突变的随机游走过程和均值斜率双突变的退势平稳过程。
以样本容量T为200,突变点发生在t=100为例定义三种类型的虚拟变量如下:1)脉冲式虚拟变量101t101t1≠=⎩⎨⎧=,DP,如下图:图8.31脉冲式虚拟变量2)阶跃式虚拟变量100t100t1≤>⎩⎨⎧=,DL,如下图:图8.32 阶跃式虚拟变量3)累进式虚拟变量12t t 2101121t i i t t i i i i i t t t t t t DT <≥<≤⎪⎩⎪⎨⎧--=,,如下图:图8.33 累进式虚拟变量8.32三种外生结构突变模型Perron (1990)给出了结构突变点已知条件下的单位根检验方法。
结构突变点已知时,称其为外生性结构突变点。
假定发生结构突变的时点已知为b t 。
模型1:原假设:t y 为均值突变(水平)的单位根过程;备择假设:t y 为含有一个均值突变点(水平)的退势平稳过程。
H10:t y 为均值突变(水平)的单位根过程,即t y 在b t +1期发生脉冲式突变,表达式为:t t t DP y y t ξρα+++=-1 (8.31)其中t DP 代表脉冲虚拟变量。
定义为:1+ t t 1t t 01t b b ≠+=⎩⎨⎧=,DP其中b t +1表示突变发生时点。
因为模型是动态,一个时刻的脉冲式信息冲击要扩散到序列的以后各个时期。
(8.31)可以写为:⎪⎩⎪⎨⎧∑∑++=+++=tt tt y t y t ξαξρα00y y bb t t t t ≤>,, (8.32)H11:t y 为含有一个均值突变点(水平)的退势平稳过程,表达式为t t DL y t ξρβα+++=t (8.33)其中t DL 是阶跃式虚拟变量,定义为:bbt t t DL ≤>⎩⎨⎧=t t 01,模型2:原假设:t y 为结构突变的单位根过程;备择假设:t y 为斜率突变的退势平稳过程。