单整协整误差修正模型
协整和误差修正模型
协整和误差修正模型一、协整理论 1. d 阶单整序列对不平稳时间序列{}t Y 进行d 阶差分如下(d =1,2,…n)：1t t t Y Y Y -∆=- 一阶差分21()t t t t Y Y Y Y -∆=∆∆=∆-∆ 二阶差分……1111()d d d d t t t t Y Y Y Y ----∆=∆∆=∆-∆ d 阶差分若{}t Y 进行d 阶差分后成为平稳序列, 则称{}t Y 为d 阶单整序列。
记为{}~()t Y I d2. 协整定义如果时间序列{}{}{}(1)(2)(),,...,r tttY Y Y 都是d 阶单整序列，即，{}~(),1,2,...,jtY I d j r =，且存在12,,...,rβββ使得(1)(2)()12...~()r t t r t Y Y Y I d b βββ+++-其中b>0, 称序列{}{}{}(1)(2)(),,...,r t tt Y Y Y 存在(d,b) 阶协整关系。
3. 协整的意义若序列{}{}{}(1)(2)(),,...,r t tt Y Y Y 存在协整关系，则它们之间存在长期稳定关系，对它们进行回归，可排除伪回归现象。
4. 协整检验EG 两步法( see p.275)二、误差修正模型 ECM 方法：若{}{},t t X Y 都是1阶单整序列，它们存在协整关系，建立自回归模型 012131t t t t t Y X Y X ββββμ--=++++ (1) 整理得：011t ttt Y X e ββγμ-∆=+∆++ (2) 其中t e 为残差序列, 1t e -为误差修正项。
(1) 或(2) 称为ECM模型，用于短期分析。
它们的Eviews命令分别为：LS Y C X Y(-1) X(-1),或：GENR T=Y-Y(-1)GENR H=X-X(-1)GENR e= residLS T C H e(-1)三、实例根据下表，讨论时间序列的平稳性、协整关系以及它们的误差修正模型。
计量经济学第五章协整与误差修正模型
根据需要对数据进行变换，如对数变换、差 分变换等，以满足模型对数据的要求。
模型参数估计方法选择
01
最小二乘法（OLS ）
适用于满足经典假设的线性回归 模型，通过最小化残差平方和来 估计模型参数。
02
广义最小二乘法（ GLS）
适用于存在异方差性的模型，通 过加权最小二乘法进行参数估计 ，以消除异方差性的影响。
误差修正模型定义
误差修正模型（Error Correction Model，简称ECM）是一种具有特定形式的计 量经济学模型，用于描述变量之间的长期均衡关系和短期动态调整过程。
该模型通过引入误差修正项，将变量的短期波动和长期均衡关系结合起来，从而 更准确地刻画经济现象。
误差修正项解释
误差修正项（Error Correction Term，简称ECT）是误差修正模型中的核 心部分，表示变量之间的长期均衡误差。
长期均衡
协整关系反映了时间序列之间的长期均衡，即使短期内有所偏离，长期内也会恢复到均 衡状态。
线性组合平稳
协整序列的线性组合可以消除非平稳性，得到平稳序列。
协整检验方法
EG两步法
首先通过OLS回归得到残差序列，然 后对残差序列进行单位根检验（如 ADF检验），判断其是否平稳。
Johansen检验
适用于多变量协整关系的检验，通过 构建似然比统计量来判断协整向量的 个数。
计量经济学第五章协 整与误差修正模型
汇报人：XX
目 录
• 协整理论概述 • 误差修正模型介绍 • 协整与误差修正模型关系 • 协整检验方法及应用举例 • 误差修正模型建立与评估 • 案例研究：金融市场波动性分析
01
协整理论概述
协整定义及性质
协整与误差修正模型
协整与误差修正模型有些时间序列，虽然他们本身非平稳，但是其线形组合确实平稳。
这个线形组合反映了变量之间的长期稳定的比例关系，称为协整关系。
第一节协整的定义与协整检验1、协整的定义如果时间序列nt t t y y y ,,21都是d 阶单整，即)(d I ，存在一个向量),(21n αααα =，使得)(~b d I y -'α，这里),,(21nt t t t y y y y =，0≥≥b d ，则称序列nt t t y y y ,,21是),(b d 阶协整的，记为),(~b d CI y t ，α为协整向量。
本部分只是介绍两个时间序列的协整关系，关于三个以上变量的协整关系将在另外一章予以讨论。
关于两个变量t x 和t y 是否协整，Engle 和Granger 于1987年提出了两步检验法，称为EG 检验。
序列t x 和t y 若都是d 阶单整的，用一个变量对另一个变量进行回归，即有t t t u x y ++=βα用αˆ和βˆ表示回归系数的估计值，则模型残差估计值为 tt t x y u βαˆˆˆ--= 若)0(~ˆI u，则t x 和t y 具有协整关系，且)ˆ(β-I 为协整向量，上式即为协整回归方程。
实例待定误差修正模型误差修正模型是由Davidsom 、Hendry 、Srba 和Yeo 于1978年提出的，称为DHSY 模型。
对)1,1(ADL 模型t t t t t x y x y αββββ++++=--131210移项后整理可得t t t t x y x y αββββββ+⎪⎪⎭⎫ ⎝⎛-+--+∆+=∆-12312101)1( 该方程即为ECM ，其中x y 2311βββ-+-是误差修正项，记为ecm 。
模型解释了因变量t y 的短期波动t y ∆是如何被决定的。
一方面，它受到自变量短期波动t x ∆的影响，另一方面，取决于ecm 。
如果变量t x 和t y 间存在着长期均衡关系，即有x y α=，式中的ecm 可以改写为x y 2311βββ-+= 可见，ecm 反映了变量在短期波动中偏离它们长期均衡关系的程度，称为均衡误差。
误差修正模型
第二节 误差修正模型（Error Correction Model ，ECM ）一、误差修正模型的构造对于y t 的(1，1)阶自回归分布滞后模型：t t t t t y x x y εβββα++++=--12110在模型两端同时减y t-1，在模型右端10-±t x β，得：tt t t tt t t t t t t t x y x x y x y x x y εααγβεββββαββεββββα+--+∆=+---+--+∆=+-+++∆+=∆------)(])1()1()[1()1()(1101012120120121100其中，12-=βγ，)1/()(2ββαα-+=，)1/(211ββα-=。
记 11011-----=t t t x y ecm αα（5-5） 则t t t t ecmx y εγβ++∆=∆-1（5-6）称模型（5-6）为“误差修正模型”，简称ECM 。
二、误差修正模型的含义如果y t ~ I(1)，x t ~ I(1)，则模型（5-6）左端)0(~I y t∆，右端)0(~I x t∆，所以只有当y t 和x t 协整、即y t 和x t 之间存在长期均衡关系时，式（5-5）中的ecm~I(0)，模型（5-6）两端的平稳性才会相同。
当y t 和x t 协整时，设协整回归方程为：t t t x y εαα++=10它反映了y t 与x t 的长期均衡关系，所以称式（5-5）中的ecm t -1是前一期的“非均衡误差”，称误差修正模型（5-6）中的1-t ecmγ是误差修正项，12-=βγ是修正系数，由于通常1||2<β，这样0<γ；当ecm t -1 >0时（即出现正误差），误差修正项1-t ecm γ< 0，而ecm t -1 < 0时（即出现负误差），1-t ecm γ> 0，两者的方向恰好相反，所以，误差修正是一个反向调整过程（负反馈机制）。
14 协整与误差修正模型
四、预测2004年的人均居民消费CONSP 预测2004年的人均居民消费 年的人均居民消费CONSP
预测2004年的人均国内生产总值 年的人均国内生产总值GDPP （一）预测 年的人均国内生产总值 1. 建立 建立LOGGDPP的ARMA模型 的 模型 2. 运用 运用ARMA模型预测 模型预测GDPP 模型预测 （二） 预测2004年的人均居民消费 预测 年的人均居民消费CONSP 年的人均居民消费 1. 运用误差修正模型（eq_log_ecm）； 运用误差修正模型（ ）； 2. 比较：直接对 比较：直接对consp和gdpp进行 进行OLS回归再预测； 回归再预测； 和 进行 回归再预测 • 根据预测值与实际值的相差程度，比较2种模型预测的效 根据预测值与实际值的相差程度，比较 种模型预测的效 从统计资料中得知， 果（从统计资料中得知，2004年人均居民消费实际值为 年人均居民消费实际值为 2155.1元）。 元
CONSP: Level-None Level-
武汉大学经济学系数量经济学教研室《2010实验教改项目组》编制
CONSP: 1st difference-Trend and Intercept difference-
武汉大学经济学系数量经济学教研室《2010实验教改项目组》编制
CONSP: 1st difference-Intercept difference-
武汉大学经济学系数量经济学教研室《2010实验教改项目组》编制
二、协整检验：Engle-Granger检验 协整检验：Engle-Granger检验
• 第二步：对该式残差序列进行 第二步：对该式残差序列进行ADF检验 检验 • genr e1=resid
第6章协整和误差修正模型
第6章协整和误差修正模型本章介绍含有非平稳变量结构方程或V AR的估计。
在一维模型中，我们已经看到，可以通过差分去掉一个随机趋势，得到的平稳序列，再用Box-Jenkins方法来估计模型。
在多维情况下，并不这样直接处理。
通常，整变量的线性组合是平稳的，这些变量称为协整的。
许多经济模型都有这种关系。
本章主要内容：1．介绍协整的基本概念，及在经济模型中的应用。
非平稳变量之间的均衡关系意味着它们的随机趋势是相联系的。
均衡关系意味着这些变量不能相互独立运动。
随机趋势之间的这种联系保证了这些变量是协整的。
2．考虑了协整变量的动态路径，由于协整变量的趋势是相互联系的，这些变量的动态路径反映了偏离均衡的偏差的联系。
详细分析了变量的变化与偏离均衡的偏差之间的联系。
3．讨论了协整检验的几种方法。
6.1整变量的线性组合考虑一个简单的货币需求模型：1）居民持有实际货币余额，使名义货币需求与价格水平成比例；2）当实际收入及交易次数的增加，居民希望持有更多的货币余额；3）利率是持有货币的机会成本，货币需求与利率负相关。
因而，方程设定形式（采用对数形式）如下：0123t t t t t m p y r e ββββ=++++ （6.1.1） 这里： t m =货币需求， t p =价格水平 t y =实际收入 t r =利率t e =平稳扰动项i β=待估计的参数在货币市场是均衡的条件下，可以得到货币供给、价格水平、实际收入和短期利率的时间序列数据，且要求1231,0,0βββ=><。
当然，在研究中需要检验这些限制。
货币需求的任何偏差{}t e 必须是暂时的。
如果{}t e 有随机趋势，偏离货币市场均衡的偏差不能消失。
所以，这里的关键假设是{}t e 是平稳的。
许多研究者认为，实际GDP 、货币供给、价格水平、利率都是I(1)变量。
每个变量都没有返回到长期水平的趋势。
但（6.1.1）说明：对这些非平稳变量，存在线性组合是平稳的。
协整分析与误差修正模型
协整分析与误差修正模型1.协整分析协整分析用于找到两个或多个非平稳时间序列之间的长期关系。
当两个变量之间存在协整关系时，它们的线性组合将是平稳的。
协整关系可以解释为变量之间长期的平衡关系，即存在一种平衡机制使得变量保持在一个相对稳定的范围内。
协整分析的步骤如下：1）对非平稳时间序列进行单位根检验，例如ADF检验。
2）如果两个或多个时间序列都是非平稳的，那么可以进行线性组合，得到一个平稳的时间序列，通过单位根检验确定这个线性组合是否是平稳的。
3）如果线性组合是平稳的，那么就可以认为存在协整关系。
协整分析的优点是可以探索多个非平稳时间序列之间的关系，并且提供了具体的数值关系，能够描述长期平衡关系。
但是，协整分析不能提供因果关系，只能提供关联关系。
2.误差修正模型(ECM)误差修正模型是一种用于描述非平稳变量之间长期关系的模型。
它是在协整分析的基础上发展而来的。
误差修正模型的基本思想是，如果两个变量之间存在协整关系，那么它们之间的误差会随着时间的推移逐渐修正，回归到长期平衡关系。
因此，误差修正模型可以用来分析变量之间的动态行为。
基本的误差修正模型可以表示为：△Y_t=α+βX_t-1+γE_t-1+ε_t其中，△表示时间差分，Y_t和X_t分别表示被解释变量和解释变量，E_t表示长期误差修正项，ε_t表示短期误差项。
α、β和γ分别表示模型的截距和参数。
误差修正模型的步骤如下：1）进行协整分析，确定变量之间的协整关系。
2）构建误差修正模型，通过估计模型参数来描述长期关系。
3）进行模型检验，包括参数显著性检验、拟合优度检验等。
4）根据模型结果进行解释和预测。
误差修正模型的优点是能够同时分析长期和短期关系，提供了关于变量之间回归到长期平衡的速度信息。
同时，误差修正模型还可以用于预测和政策分析等方面。
但是，误差修正模型的局限性在于假设模型中的所有变量都是线性关系，不能很好地处理非线性关系。
综上所述，协整分析和误差修正模型是非平稳时间序列分析中常用的方法，它们能够揭示非平稳变量之间的长期关系，并对其动态行为进行建模和分析。
协整与误差修正模型
协整与误差修正模型第六讲协整与误差修正模型一、非平稳过程与单位根检验二、长期均衡关系与协整三、误差修正模型一、非平稳过程与单位根检验1、非平稳过程1）随机游走过程（random walk）。
y t = y t-1 + u t, u t~ IID(0, σ2)10y=y(-1)+u5-5-10204060140160差分平稳过程（difference- stationary process）。
2）有漂移项的非平稳过程（non-stationary process with drift ）或随机趋势非平稳过程（stochastic trend process ）。
y t = μ + y t -1 + u t , u t ~ IID(0, σ2)迭代变换：y t = μ + (μ + y t -2 + u t -1) + u t = … = y 0 + μ t +∑-t i i u 1= μ t +∑-ti i u 120406080100-80-60-40-2020差分平稳过程3）趋势平稳过程（trend-stationary process）或退势平稳过程。
y t = μ+ α t + u t, u t~ IID(0, σ2)2520151055101520253035404550趋势平稳过程的差分过程是过度差分过程：?y t = α + u t - u t-1。
所以应该用退势的方法获得平稳过程。
y t - α t = μ+ u t。
4）确定性趋势非平稳过程（non-stationary process with deterministic trend）y t = μ+ α t + y t-1+ u t, u t~ IID(0, σ2) 1801601401201008060400450500550600650700750800确定性趋势非平稳过程的差分过程是退势平稳过程，?yt = μ + α t + ut。
第4讲 协整与误差修正模型
现在的问题是：何原因造成的残差序列自相关？ 首先，模型没问题，因散点图呈线性关系。 其次，遗漏重要解释变量了吗？需要考虑政策变量吗？ 再次，是滞后性吗？需要考虑前期收入对即期消费的影响吗？ 有人做过研究：如用年度数据，发现前期收入比当期收入对消费的 影响都大。 最后，看时序图：
不难看出：x和y有明显共同趋势，需检验是否存在协整关系。 下面我们用EG两步法： 第一步：构建协整回归（见前） 第二步：对e做单位根检验 定义：genr e=y-yf，对e做单位根检验：
第4 讲
一、协整关系
协整与误差修正模型(ECM)
协整模型常用在经济学领域分析相关变量的长期均衡关系，也常 被用来分析金融中的套利等。自从20世纪90年代以来，国际著名杂志 发表了大量的相关文章。 协整分析是基于非平稳序列基础之上，而利用非平稳序列进行回 归，经常出现伪回归。而另一种情况却是更有应用价值的协整关系。
对二者取自然对数后进行单位根检验，发现在10%的水平下都不能拒 绝变量含有单位根。
如果暂时忽略非平稳性，直接设立以下回归方程，即 cont=c+βinct+et
回归后得：cont=−0.167+1.008inct
R2=0.998，且各系数也具有统计显著性。 试问：是不是伪回归呢？
为此，考察：et=cont − c − βinct
1 3 y x 是误差修正项，即（1） 可见（3）即为ECM模型，其中 (1 2 ) 中ecm 。
如果 xt 和 yt 间存在长期均衡关系，即 y ax ，则上述（3）式中 的ecm 正好可以改写成： 1 3
y
(1 2 )
x
可见，短期波动 yt 的影响因素有二：
第二步：做回归 （1）建立回归方程
“协整与误差修正模型”基本内容
“协整与误差修正模型”基本内容Abstract本部分我们要介绍时间序列计量经济学模型中的“协整与误差修正模型”内容。
对于时间序列数据而言，若其为非平稳的，那么我们无法使用经典的回归模型，而若变量之间是协整关系(即它们之间有着长期稳定的关系)，那么经典的回归模型方法仍然是valid。
简单差分未必能解决非平稳时间序列的所有问题，因此误差修正模型也就应运而生了。
Problem:对于时间序列数据，如果通过平稳性检验为非平稳序列，能否建立经典计量经济学模型？Answer:需要对模型采用的非平稳时间序列进行协整检验。
一、长期均衡关系与协整经济理论指出，某些经济变量间确实存在着长期均衡关系这种均衡关系意味着经济系统不存在破坏均衡的内在机制。
假设和之间的长期“均衡关系”由下式描述：其中,是随机干扰项。
值得注意的是,在期末，存在下述三种情形之一：(1) 等于它的均衡值,即.(2) 小于它的均衡值,即.(3) 大于它的均衡值,即.注意到,如果正确地提示了与之间的长期稳定的"均衡关系",则意味着对其均衡点的偏离从本质上来说是"临时性"的，这个时候自然假设随机干扰项必须是平稳序列。
另外，非平稳的时间序列，它们的线性组合也可能成为平稳的。
Definition3.1一般地,如果序列都是阶单整的,存在向量,使得,其中,则认为序列是阶协整，记为,为协整向量。
注：(1)如果两个变量都是单整变量，只有它们的单整阶相同时，才有可能协整；(2)三个以上的变量，如果具有不同的单整阶，有可能经过线性组合构成低阶单整变量。
阶协整的经济意义：两个变量，虽然具有各自的长期波动规律，但是如果它们是阶协整的，则它们之间存在着一个长期稳定的比例关系。
二、协整的检验1.两变量的Engle-Granger检验(1987年恩格尔和格兰杰提出的两步检验法/EG检验法)(1,1)阶协整最令人关注，EG检验法正是为了检验两个均呈现1阶单整的变量是否为协整的。
单整,协整,误差修正模型
单整玉米价格指数x 淀粉价格指数y对玉米价格指数x做ADF检验Trend and intercept因为有趋势和截距的ADF的统计量的p值=0.7748>0.05,接受原假设，有单位根存在InterceptNone有截距和无截距，也无趋势的ADF统计量值的p值都大于0.05，接受原假设，存在单位根，原有时间序列非平稳。
一阶差分Trend and intercept一阶差分既有趋势又有截距的ADF统计量的p值<0.05，拒绝原假设，一阶差分是平稳的，即玉米价格指数x是一阶单整。
对淀粉价格指数y做ADF检验Trend and intercept因为有趋势和截距的ADF的统计量的p值=0.7817>0.05,接受原假设，有单位根存在interceptNone有截距和无截距，也无趋势的ADF统计量值的p值都大于0.05，接受原假设，存在单位根。
原有时间序列非平稳。
一阶差分Trend and intercept一阶差分既有趋势又有截距的ADF统计量的p值<0.05，拒绝原假设，一阶差分是平稳的，即淀粉价格指数y是一阶单整。
由于，玉米价格指数x，淀粉价格指数y都是一阶单整，所以可能存在协整关系协整检验首先将玉米价格指数x对淀粉价格指数y做回归从图中可知，玉米价格指数x对淀粉价格指数有显著的解释意义，两者之间是正相关关系。
玉米价格指数每增加一个单位，导致淀粉价格指数增加1.438个单位。
AEG检验对得到的残差进行单位根检验Trend and intercept残差的有趋势和截距的ADF的统计量为-2.568>-2.87,有单位根存在，非平稳。
intercept截距的ADF的统计量的p值为0.1362>0.05,接受原假设，有单位根存在，非平稳。
.None’无截距，无趋势的ADF的统计量的p值为0.015<0.05,拒绝原假设，序列平稳。
说明残差序列是I（0），平稳的。
什么是误差修正模型(ECM)如何建立和估计ECM模型
什么是误差修正模型（ECM）如何建立和估计ECM模型误差修正模型（Error Correction Model, ECM）是一种用于揭示时间序列数据中长期和短期关系的统计模型。
它是基于协整理论（Cointegration Theory）的发展而来，用于处理非平稳时间序列数据的建模和分析。
本文将介绍误差修正模型的基本概念、建立方法以及估计过程。
一、误差修正模型的基本概念误差修正模型是基于向量自回归模型（Vector Autoregressive Model, VAR）的延伸，用于描述经济系统中变量之间的动态关系。
它的核心思想是变量之间存在长期均衡关系，并且当系统偏离均衡状态时，会通过误差修正机制迅速回归到均衡。
在误差修正模型中，被解释变量（因变量）的变化量由其自身的滞后项、其他变量的滞后项和误差修正项来决定。
其中，误差修正项是系统偏离均衡状态的驱动力，它通过反映系统失衡的程度来进行调整，促使系统回归到长期均衡。
因此，误差修正模型可以同时捕捉长期和短期的关系，具有强大的解释和预测能力。
二、建立误差修正模型的方法建立误差修正模型主要包括两个步骤：协整关系检验和模型参数估计。
1. 协整关系检验协整关系检验是判断变量之间是否存在长期均衡关系的重要步骤。
常用的协整关系检验方法包括ADF检验（Augmented Dickey-Fuller test）、PP检验（Phillips-Perron test）等。
这些检验方法可以判断变量是否为非平稳的单整序列，以及变量之间是否存在稳定的线性关系。
2. 模型参数估计在进行误差修正模型参数估计之前，需要确定模型的滞后阶数（Lag Order）。
滞后阶数的选择可以通过信息准则（如AIC、BIC等）来确定，准则值较小的滞后阶数会得到更好的模型拟合效果。
模型参数估计可以使用最小二乘法（Ordinary Least Squares, OLS）或极大似然估计法（Maximum Likelihood Estimation, MLE）进行。
第三章(3-5节)协整与误差修正模型
第三节协整理论——时间序列模型的协整关系一、问题来源来源：伪回归（虚假回归）现象MC（蒙特卡罗）的模拟结果发现：利用2个相互独立的非平稳序列、或者2个都包含时间趋势但彼此无关的序列，可能建立显著的回归模型；称这种现象为“伪回归”现象，所建立的模型是伪回归模型。
伪回归现象意味着传统统计检验方法失去意义，需要重新讨论对非平稳序列能否直接建立回归模型的问题。
二、平稳性（一）平稳时间序列定义：μ=)(t y E)(),(s r y y COV s t t =- （序列的相关性只与间隔有关，与时刻无关） 推论：)0()(r y D t = = 常数图形特征：（1）在均值周围波动，频繁穿越均值；（2）波动幅度大致相同；-2-112240260340360DJ PY图1 日元兑美元差分序列 图2上证综指收益率平稳时间序列的含义：任何外来冲击（或振动）对序列变动轨迹的影响是短暂的，t时刻的振动影响在t+1期会减弱，t+2期会更弱，随着时间推移这种影响会逐渐消失，序列将恢复到其平均水平（称外来冲击影响具有“短记忆”特征）。
但是，对于非平稳时间序列，振动的影响会无限地持续下去，t时刻的振动影响不会在以后的时期中衰减，所以序列也难以恢复到一个稳定状态，外来冲击影响有长记忆性。
（二）常见平稳序列1．白噪声过程（white noise ）0)(=t y E 2)(σ=t y D 0),(=-s t t y y COV记成： y t ~ i.i.d (0, σ2)古典回归模型中的随机误差项即为白噪声序列。
2．自回归过程（Auto regression —AR 过程）1t t t y y ρε-=+ ||1ρ<,εt ~ i.i.d (0, σ2)（三）常见非平稳序列1．趋势平稳过程（trend stationary）（又称为：退势平稳过程，确定趋势过程）。
y t =α + βt + εt , εt~i.i.d(0, σ2)性质：（1）E (y t )=α + βt ， D (y t ) = σ2 , COV(y t ，y t-s ) = 0（2）图形：围绕趋势线等幅波动，外来冲击影响短暂；（3）可以扩展成带趋势的AR 过程：1t t t y t y αβρε-=+++ ||1ρ<特点：由于存在长期趋势使得均值不是常数，所以是非平稳序列；但是序列始终围绕着趋势线波动，外来冲击是短记忆的，所以又具备平稳序列的特征。
单整_协整_误差修正模型
五 单位根检验、协整与误差修正模型【实验目的与要求】1.准确掌握单位根检验方程的形式和检验原理。
2.准确掌握单整、协整和误差修正模型的概念和形式。
3.学会利用单位根检验方法对样本序列进行协整关系检验。
4.熟练掌握运用误差修正模型对样本序列间的短期、长期关系进行分析。
5. 在老师的指导下独立完成实验，得到正确的结果，并完成实验报告。
【实验准备知识】在上个实验中，我们学习了如何运用相关分析图判断随机过程是否平稳，但这种方法比较粗略。
检验随机过程是否平稳的一种比较正式的方法就是单位根检验。
在介绍单位根检验之前，我们有必要认识几种典型的非平稳随机过程。
1. 几种典型的非平稳随机过程（1） 随机游走过程t t t u y y +=-1，t u ~ IID(0, 2σ) （5.1）随机游走过程上个实验已经介绍，这里不再赘述。
图5—1为一个00=y ，t u ~ IID(0, 1)的随机游走过程的序列图。
-8-6-4-2图5—1 一个随机游走过程的序列图（2） 随机趋势过程t t t u a y y ++=-1，t u ~ IID(0, 2σ) （5.2） 其中a 称作位移项或漂移项。
将上式作如下迭代变换：∑=---++==++++=++=t i it t t t t t u y at u a u a y u a y y 10121)( （5.3）可知，t y 由时间趋势项at 和∑=+t i i uy 10（可看作截距项）组成。
在不存在任何冲击t u 的情况下，截距项为0y 。
而每个冲击t u 都表现为截距的移动。
每个冲击u t 对截距项的影响都是持久的，导致序列的条件均值发生变化，所以称这样的过程为随机趋势过程或有漂移项的随机游走过程。
图5—2为一个t t t u y y ++=-3.01，00=y ，t u ~ IID(0, 1)的随机趋势过程的序列图。
图5—2 一个随机趋势过程的序列图图5—2表明，虽然总趋势不变，但该过程围绕趋势项上下游动。
时间序列的协整检验与误差修正模型
时间序列的协整检验与误差修正模型时间序列的协整检验与误差修正模型是经济学中常用的方法，用于分析两个或多个变量之间的长期关系。
协整检验是在时间序列数据中，判断变量之间是否存在长期平衡关系的一种方法。
误差修正模型是在协整关系已经验证的基础上，建立起变量之间的因果关系，对短期的偏离进行修正的模型。
协整检验的原理是基于单位根检验的思想，判断时间序列是否为平稳序列。
平稳序列是指序列的均值和方差不随时间发生变化。
如果两个变量都是非平稳序列，但它们的线性组合是平稳序列，那么可以认为这两个变量是协整的。
常用的协整检验方法有Engle-Granger方法和Johansen方法。
Engle-Granger方法是一种直观简单的协整检验方法。
它的步骤如下：首先，分别对两个变量进行单位根检验，确认它们是否为非平稳序列。
然后，对两个变量进行线性回归，得到残差序列。
接下来，对残差序列进行单位根检验，确认它是否为平稳序列。
最后，如果残差序列是平稳序列，则可以判断两个变量之间存在协整关系。
协整检验完成后，接下来可以建立误差修正模型。
误差修正模型是基于协整关系的基础上建立起来的，以短期的偏离修正为核心。
它的核心假设是，在长期平衡关系的约束下，两个变量之间的短期偏离可以通过一个修正项来消除。
误差修正模型的基本形式是多元线性回归模型，其中包含自变量、因变量以及一个误差修正项。
误差修正模型的估计和推断可以使用最小二乘法或最大似然法等统计方法进行。
通过对误差修正模型的估计和推断，可以对变量之间的因果关系进行分析。
同时，误差修正模型还可以用于预测和决策分析。
综上所述，时间序列的协整检验与误差修正模型是分析变量之间长期关系的重要工具。
协整检验可以判断变量是否具有长期平衡关系，而误差修正模型则可以分析变量之间的短期调整过程。
这些方法在经济学、金融学、管理学等领域都有广泛的应用。
时间序列的协整检验与误差修正模型是经济学中常用的方法，用于分析两个或多个变量之间的长期关系。
ECM误差修正模型
协整与误差修正模型在处理时间序列数据时，我们还得考虑序列的平稳性。
如果一个时间序列的均值或自协方差函数随时间而改变，那么该序列就是非平稳的。
对于非平稳的数据，采用传统的估计方法，可能会导致错误的推断，即伪回归。
若非平稳序列经过一阶差分变为平稳序列，那么该序列就为一阶单整序列。
对一组非平稳但具有同阶的序列而言，若它们的线性组合为平稳序列，则称该组合序列具有协整关系。
对具有协整关系的序列，我们算出误差修正项，并将误差修正项的滞后一期看做一个解释变量，连同其他反映短期波动关系的变量一起。
建立误差修正模型。
建立误差修正模型的步骤如下：首先，对单个序列进行单根检验，进行单根检验有两种：ADF （Augument Dickey-Fuller ）和DF(Dickey-Fuller)检验法。
若序列都是同阶单整，我们就可以对其进行协整分析。
在此我们只介绍单个方程的检验方法。
对于多向量的检验参见Johensen 协整检验。
我们可以先求出误差项，再建立误差修正模型，也可以先求出向量误差修正模型，然后算出误差修正项。
补充一点的是，误差修正模型反映的是变量短期的相互关系，而误差修正项反映出变量长期的关系。
下面我们给出案例分析。
案例分析在此，我们考虑从1978年到2002年城镇居民的人均可支配收入income 与人均消费水平consume 的关系，数据来自于《中国统计年鉴》，如表8.1所示。
根据相对收入假设理论，在一定时期，人们的当期的消费水平不仅与当期的可支配收入、而且受前期的消费水平的影响，具有一定的消费惯性，这就是消费的棘轮效应。
从这个理论出发，我们可以建立如下（8.1）式的模型。
同时根据生命周期假设理论，消费者的消费不仅与当期收入有关，同时也受过去各项的收入以及对将来预期收入的限制和影响。
从我们下面的数据分析中，我们可以把相对收入假设理论与生命周期假设理论联系起来，推出如下的结果：当期的消费水平不仅与当期的可支配收入有关，而且还与前期的可支配收入、前两期的消费水平有关。
实验四协整检验及误差修正模型实验报告
实验四协整检验及误差修正模型实验报告一、实验目的协整检验及误差修正模型是时间序列分析中常用的方法。
本实验的目的是通过对两个时间序列数据的协整检验，并建立误差修正模型，来研究两个变量之间的长期关系以及短期波动情况。
二、实验步骤1.数据准备本实验所用数据为两个变量的时间序列数据。
我们需要确保数据的平稳性，并进行必要的数据预处理，如差分、对数化等。
2.协整检验协整检验是用来判断两个变量之间是否存在长期的关系。
本实验使用了Johansen协整检验方法。
该方法是基于向量自回归(VAR)模型的极大似然估计，用于检验多个时间序列之间的协整关系。
在进行协整检验之前，需要明确时间序列的滞后阶数，以及是否需要进行季节调整。
3.误差修正模型误差修正模型(ECM)是一种动态模型，用来描述变量之间的长期关系以及短期波动调整过程。
该模型基于协整检验的结果，使用差分变量进行建模，其中包含了误差修正项。
实验中，我们需要确定模型的滞后阶数，以及是否需要引入滞后差分变量等。
4.模型评估建立模型后，我们需要进行模型的评估与诊断，确保模型的有效性与准确性。
评估指标包括模型的拟合度、残差的正态性、自相关性以及异方差性等。
三、实验结果通过进行协整检验，我们得到了两个变量之间的协整关系。
根据检验结果，我们建立了误差修正模型，并进行参数估计与显著性检验。
最终的模型结果显示，模型的拟合效果良好，残差的正态性与自相关性得到了充分的满足。
四、实验分析根据实验结果1.两个变量存在着长期的关系，即它们在长期内呈现出稳定的均衡状态。
2.模型中的误差修正项描述了两个变量之间的短期波动调整过程，即使两个变量之间存在着均衡关系，也需要通过误差修正项来实现调整。
3.通过模型的参数估计与显著性检验，我们可以得到两个变量对于均衡关系的贡献程度，以及它们之间的动态调整速度。
五、实验总结协整检验及误差修正模型是时间序列分析中常用的方法，用于研究变量之间的长期关系以及短期波动调整过程。
时间序列的协整和误差修正模型
时间序列的协整和误差修正模型时间序列分析中，协整和误差修正模型是两个重要的概念。
协整是指两个或多个时间序列之间的长期关系，而误差修正模型是一种用来修正时间序列中的误差的模型。
协整是经济学家提出的一个概念，用来解决时间序列数据存在的非平稳性的问题。
在实际应用中，有很多时间序列数据是非平稳的，即其均值和方差不随时间变化而保持不变。
然而，这些非平稳的时间序列之间可能存在长期的关系，也就是说它们会随着时间变化而趋于稳定。
这种关系可以通过协整分析来检验和建模。
协整模型的一种常见形式是误差修正模型（Error Correction Model，ECM）。
误差修正模型是建立在协整模型的基础上的，它可以用来描述时间序列数据之间的长期关系，并且考虑了这些时间序列数据之间的短期变动。
在误差修正模型中，如果两个时间序列之间存在协整关系，那么它们之间的生成误差（随机扰动）会导致它们之间的偏离程度逐渐回归到长期均衡的水平。
因此，误差修正模型是通过引入误差修正项来解决协整关系中存在的短期波动的问题。
误差修正模型的基本思想是，当两个时间序列之间存在协整关系时，如果它们之间的误差超过一定的阈值，那么它们之间的误差就会被修正回长期均衡的水平。
这种修正过程可以通过引入一个误差修正项来实现，从而使得模型具备误差修正的能力。
总之，协整和误差修正模型是对时间序列数据进行建模和分析的重要工具。
协整可以用来检验和描述时间序列之间的长期关系，而误差修正模型则是在协整的基础上引入修正项，用来处理时间序列之间的短期波动。
这些方法在经济学和金融学等领域中具有广泛的应用价值。
协整和误差修正模型是时间序列分析中非常重要的概念。
协整是指两个或多个非平稳时间序列之间存在的长期关系，而误差修正模型则是通过引入误差修正项来描述时间序列的短期波动。
在实际应用中，许多经济和金融时间序列是非平稳的，即它们的均值和方差会随时间变化而发生变动。
这种非平稳性可能会导致误导性的统计结果，因为传统的统计方法要求时间序列数据是平稳的。
单位根协整及误差修正模型
第十章案例分析为了深入分析研究中国城镇居民的生活费支出与可支配收入的具体数量关系，收集了中国城镇居民月人均可支配收入（SR）和生活费支出（ZC）1992年至1998年各月度数据序列（见表10.3）。
表10.3 城镇居民月人均生活费支出和可支配收入序列序列月份1992 1993 1994 1995 1996 1997 1998可支配收入Sr 1 151.83 265.93 273.98 370.00 438.37 521.01 643.402 159.86 196.96 318.81 385.21 561.29 721.01 778.623 124.00 200.19 236.45 308.62 396.82 482.38 537.164 124.88 199.48 248.00 320.33 405.27 492.96 545.795 127.75 200.75 261.16 327.94 410.06 499.90 567.996 134.48 208.50 273.45 338.53 415.38 508.81 555.797 145.05 218.82 278.10 361.09 434.70 516.24 570.238 138.31 209.07 277.45 356.30 418.21 509.98 564.389 144.25 223.17 292.71 371.32 442.30 538.46 576.3610 143.86 226.51 289.36 378.72 440.81 537.09 599.4011 149.12 226.62 296.50 383.58 449.03 534.12 577.4012 139.93 210.32 277.60 427.78 449.17 511.22 606.14生活费支出Zc 1 139.47 221.74 234.28 307.10 373.58 419.39 585.702 168.07 186.49 272.09 353.55 471.77 528.09 598.823 110.47 185.92 202.88 263.37 350.36 390.04 417.274 113.22 185.26 227.89 281.22 352.15 405.63 455.605 115.82 187.62 235.70 299.73 369.57 426.81 466.206 118.20 12.11 237.89 308.18 370.41 422.00 455.197 118.03 186.75 239.71 315.87 376.90 428.70 458.578 124.45 187.07 252.52 331.88 387.44 459.29 475.409 147.70 219.23 286.75 385.99 454.93 517.06 591.4110 135.14 212.80 270.00 355.92 403.77 463.98 494.5711 135.20 205.22 274.37 355.11 410.10 422.96 496.6912 128.03 192.64 250.01 386.08 400.48 460.92 516.16数据来源：转摘自易丹辉《数据分析与Eviews的应用》，中国统计出版社2002，P141。
- 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)。
五 单位根检验、协整与误差修正模型【实验目的与要求】1.准确掌握单位根检验方程的形式和检验原理。
2.准确掌握单整、协整和误差修正模型的概念和形式。
3.学会利用单位根检验方法对样本序列进行协整关系检验。
4.熟练掌握运用误差修正模型对样本序列间的短期、长期关系进行分析。
5. 在老师的指导下独立完成实验，得到正确的结果，并完成实验报告。
【实验准备知识】在上个实验中，我们学习了如何运用相关分析图判断随机过程是否平稳，但这种方法比较粗略。
检验随机过程是否平稳的一种比较正式的方法就是单位根检验。
在介绍单位根检验之前，我们有必要认识几种典型的非平稳随机过程。
1. 几种典型的非平稳随机过程（1） 随机游走过程t t t u y y +=-1，t u ~ IID(0, 2σ) （5.1）随机游走过程上个实验已经介绍，这里不再赘述。
图5—1为一个00=y ，t u ~ IID(0, 1)的随机游走过程的序列图。
-8-6-4-2图5—1 一个随机游走过程的序列图（2） 随机趋势过程t t t u a y y ++=-1，t u ~ IID(0, 2σ) （5.2） 其中a 称作位移项或漂移项。
将上式作如下迭代变换：∑=---++==++++=++=t i it t t t t t u y at u a u a y u a y y 10121)( （5.3）可知，t y 由时间趋势项at 和∑=+ti iu y 10（可看作截距项）组成。
在不存在任何冲击t u 的情况下，截距项为0y 。
而每个冲击t u 都表现为截距的移动。
每个冲击u t 对截距项的影响都是持久的，导致序列的条件均值发生变化，所以称这样的过程为随机趋势过程或有漂移项的随机游走过程。
图5—2为一个t t t u y y ++=-3.01，00=y ，t u ~ IID(0, 1)的随机趋势过程的序列图。
图5—2 一个随机趋势过程的序列图图5—2表明，虽然总趋势不变，但该过程围绕趋势项上下游动。
由（5.3）式还可以看出，a 是时间趋势项的系数（原序列的增长速度）。
a 为正时，趋势向上；a 为负时，趋势向下。
（3） 趋势非平稳过程t t t u t a y y +++=-δ1，t u ~ IID(0, 2σ) （5.4） 其中a 称作位移项或漂移项，t δ称作趋势项。
可见，趋势非平稳过程是随机趋势和确定性趋势的混合随机过程。
将上式作如下迭代变换：t t t t t t u t a u t a y u t a y y ++++-++=+++=---δδδ))1((121∑=++++-+++==ti iu t t at y 10]12)1([ δ∑∑==++++=++++=t i i t i i u y t t a u t t at y 102102)2()1(2δδδ（5.5）由（5.5）式可以看出，趋势非平稳过程的趋势项中包括t 的1次和2次项。
图5—3为一个t t t u t y y +++=-1.03.01，00=y ，t u ~ IID(0, 1)的随机趋势过程的序列图。
图5—3 一个趋势非平稳过程的序列图2. 单位根检验（1）DF 检验考虑三个随机过程t t t u y y +=-1ρ （5.6） t t t u a y y ++=-1ρ （5.7） t t t u t a y y +++=-δρ1 （5.8） 其中，ρ为有理数，a 是常数项，t δ是时间趋势项，t u ~IID(0,2σ)。
若ρ<1，则序列t y 是平稳的；若ρ=1，则序列t y 是非平稳的（即（5.1）、（5.2）、（5.4）式）；而当ρ>1，序列t y 是强非平稳的，是爆炸性的，没有实际意义。
因此，检验t y 平稳性，我们要检验的就是ρ是否严格小于1。
实际检验时，我们将（5.6）、（5.7）、（5.8）式左右同时减去1-t y 得t t t u y y +=∆-1γ（5.6） t t t u a y y ++=∆-1γ （5.7） t t t u t a y y +++=∆-δγ1 （5.8） 其中，1-=ργ。
检验假设为：0:0=γH （t y 非平稳）0:1<γH （t y 平稳）参数γ估计值的显著性检验的t 统计量不服从常规的t 分布，Dickey 和Fuller 于1979年给出了检验用的模拟临界值，故该检验称为DF 检验。
Eviews 中使用的是Mackinnon 改进的单位根检验临界值。
DF 检验做的是左单端检验，检验规则是：若DF>临界值，则接受0H ，t y 非平稳；若DF<临界值，则拒绝0H ，t y 平稳。
（2）ADF 检验DF 检验适用于序列为AR(1)过程。
如果序列存在高阶滞后相关，就会破坏随机扰动项是白噪声的假设，这时可使用扩展的DF 检验（ADF 检验）来检验含有高阶序列相关的序列的单位根。
除了检验方程不同外，ADF 检验的检验假设、检验规则等都与DF 检验类似。
ADF 检验是假设序列t y 为AR(p )过程。
检验方程为：t pi i t t t u y y y ∑=--+∆+=∆11γ（5.9）t p i i t t t u y a y y ∑=--+∆++=∆11γ（5.10）t p i i t t t u y t a y y ∑=--+∆+++=∆11δγ（5.11）ADF 检验中很重要的问题是滞后阶数p 的选择，通常采用AIC 准则（Akaike Information Criterion ）来确定。
不论是DF 检验还是ADF 检验都有三种检验方程，选择哪种形式也很重要，即是否加入常数项和线性时间趋势项。
我们可以通过的观察序列的折线图来判断，近似于随机游走的序列（类似图5—1形式）可采用（5.6）、（5.9）式进行检验，即没有添加项；有线性趋势的序列（类似图5—2形式）可采用（5.7）、（5.10）式进行检验，即加入常数项；有二次趋势的序列（类似图5—3形式）可采用（5.8）、（5.11）式进行检验，即同时加入常数项和线性时间趋势项。
3. 单整、协整与误差修正模型（1）单整我们前面介绍的齐次非平稳过程虽然是非平稳的，但是可以通过一次或多次差分后成为平稳序列。
像这种非平稳序列可以通过差分运算而平稳，我们称这样的序列为单整（Integration ）序列。
严格的定义为：如果序列t y 通过d 次差分达到平稳，而这个序列d -1次差分不平稳，则称序列t y 为d 阶单整序列，记作t y ~ I (d )，其中，d 表示单整阶数，是序列包含的单位根个数（使序列平稳而差分的阶数）。
特别地，如果序列t y 本身是平稳的，则为零阶单整序列，记作t y ~ I (0)。
（2）协整在时间序列分析中，如果用两个独立的非平稳时间序列建立回归模型，往往会得到具有统计显著性的回归参数，这种现象称为虚假回归，在统计上也称为无意义相关。
由于实际中的大多数经济时间序列是非平稳的，为了避免虚假回归问题，通常采用差分的方法使序列平稳之后再建立模型。
但是变换后的序列限制了所讨论经济问题的范围，有时也不具有直接的经济意义。
1987年Engle 和Granger 提出了协整理论，为非平稳序列建模提供了另一种途径。
有些时间序列，虽然本身是非平稳的，但其某种线性组合却是平稳的，这个线性组合反映了变量之间长期稳定的均衡关系，称为协整（Cointegration ）。
协整的定义为：如果k 维向量y t =（kt t t y y y ,,,21 ）的分量都是d 阶单整序列，即I(d )。
存在一个非零向量β=（k βββ,,,21 ），使得βy ’t ~ I (d - b )，0＜b ≤d ，则向量y t 的分量间被称为d ，b 阶协整，记为y t ~ CI (d, b )，β称作协整向量。
（3）协整检验这里我们只讨论两个变量的协整关系检验。
为检验两个变量t x 和t y 是否协整，Engle 和Granger 于1987年提出了两步检验法，称为EG 检验。
若序列t x 和t y 都是d 阶单整的，用一个变量对另一个变量回归，即t t t u x y ++=βα （5.12）用αˆ和βˆ表示回归系数的估计值，则模型残差估计值为 t t t x y u βαˆˆˆ--= （5.13）若t u ˆ~ I (0)，则t x 和t y 有协整关系，即t x 和t y 有长期稳定的均衡关系，且向量（1，βˆ-）为协整向量，（5.12）为协整方程。
这里，序列t x 和ty 的 d 阶单整检验和t uˆ序列的零阶单整检验，都可以使用前面介绍的单位根检验方法。
（4）误差修正模型（ECM ）首先介绍自回归分布滞后模型（autoregressive distributed lag ，ADL ）。
如果一个内生变量t y 只被表示成同一时点的外生变量t x 的函数，t x 对t y 的长期影响很容易求出。
然而如果每个变量的滞后也出现在模型之中，其长期影响将通过分布滞后函数反映，这就是自回归分布滞后模型（ADL ）。
考虑一阶自回归分布滞后模型，记为ADL （1，1）：t t t t t u x x y y ++++=--132110ββββ（5.14） 其中，t u ~ IID(0, 2σ)。
移项后，整理可得t t t t t t u x x y y +∆+-+--+=∆-2113210)1)(1(ββββββ （5.15）方程（5.14）和（5.15）是等价的，但每个方程有不同的解释和意义，方程（5.15）被称为误差修正模型（error correction model ，简记为ECM ），其中t t x y 1321βββ-+-称为误差修正项，记为ecm 。
模型（5.15）可以简记为 t t t t u x ecm y +∆++=∆-210βαβ （5.16） 模型（5.15）解释了因变量t y 的短期波动t y ∆是如何被决定的。
一方面，它受到自变量短期波动t x ∆的影响；两一方面，取决于ecm 。
如果t y 和t x 有长期稳定的均衡关系，即有**bx y =，ecm 可改写为 *132*1x y βββ-+= （5.17）可见，ecm 反映了t y 关于t x 在第t 期的短期偏离，即在短期波动中偏离它们长期均衡关系的程度。
一般地，由于式（5.15）中1β< 1，所以（5.16）中误差修正项的系数)1(1-=βα< 0，通常称为调整系数或修正系数，表示在第t -1期1-t y 关于11321--+t x βββ之间偏差的调整速度。
可见，当1-t y >11321--+t x βββ，1-t ecm 为正，1-t ecm α为负，使t y ∆减少，反之亦然，这体现了均衡误差对t y 的控制。