9.3 协整与误差修正模型一、长期均衡关系与协整二、协整检验三、误差修正模型一、长期均衡关系与协整 0、问题的提出 经典回归模型（classical regression model）是建立在稳定 数据变量基础上的，对于非稳定变量，不能使用经典回归 模型，否则会出现虚假回归等诸多问题。 由于许多经济变量是非稳定的，这就给经典的回归分析方 法带来了很大。 但是，如果变量之间有着长期的稳定关系，即它们之间是 协整的（cointegration，则是可以使用经典回归模型方法 建立回归模型的。 例如，中国居民人均消费水平与人均GDP变量的例子中： 因果关系回归模型要比ARMA模型有更好的预测功能， 其原因在于，从经济理论上说，人均GDP决定着居民人均 消费水平，而且它们之间有着长期的稳定关系，即它们之 间是协整的（cointegration）。1、长期均衡 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，如果变量在某时期受到干扰后偏离其长期均衡点，则均衡机制将会在下一期进行调整以使其重新回到均衡状态。 假设X与Y间的长期“均衡关系”由式描述 Yt 0 1 X t t式中:t是随机扰动项。 该均衡关系意味着:给定X的一个值，Y相应的均衡值也随之确定为01X。在t-1期末，存在下述三种情形之一： （1）Y等于它的均衡值：Yt-1 01Xt ； （2）Y小于它的均衡值：Yt-1 01Xt ； （3）Y大于它的均衡值：Yt-1 01Xt ； 在时期t，假设X有一个变化量Xt，如果变量X与Y在时期t与t-1末期仍满足它们间的长期均衡关系，则Y的相应变化量由式给出: Yt 1X t vt 式中，vtt-t-1。 实际情况往往并非如此 如果t-1期末，发生了上述第二种情况，即Y的值小于其均衡值，则Y的变化往往会比第一种情形下Y的变化Yt大一些； 反之，如果Y的值大于其均衡值，则Y的变化往往会小于第一种情形下的Yt 。 可见，如果Yt01Xtt 正确地提示了X与Y间的长期稳定的“均衡关系”，则意味着Y对其均衡点的偏离从本质上说是“临时性”的。 因此，一个重要的假设就是:随机扰动项t 必须是平稳序列。 显然，如果t有随机性趋势（上升或下降），则会导致Y对其均衡点的任何偏离都会被长期累积下来而不能被消除。 式Yt01Xtt中的随机扰动项也被称为非均衡误差（disequilibrium error），它是变量X与Y的一个线性组合： t Yt 0 1 X t 因此，如果Yt01Xtt式所示的X与Y间的长期均衡关系正确的话，（）式表述的非均衡误差应是一平稳时间序列，并且具有零期望值，即是具有0均值的I0序列。 从这里已看到，非稳定的时间序列，它们的线性组合也可能成为平稳的。 例如：假设 Yt01Xtt 式中的X与Y是I1序列，如果该式所表述的它们间的长期均衡关系成立的话，则意味着由非均衡误差（）式给出的线性组合是I0序列。这时我们称变量X与Y是协整的（cointegrated）。 ⒉协整 如果序列X1tX2t„Xkt都是d阶单整，存在向量12„k，使得 Zt XT Id-b其中，b0，XX1tX2t„XktT，则认为序列X1tX2t„Xkt是db阶协整，记为XtCIdb，为协整向量（cointegratedvector）。 在中国居民人均消费与人均GDP的例中，该两序列都是2阶单整序列，而且可以证明它们有一个线性组合构成的新序列为0阶单整序列，于是认为该两序列是22阶协整。 由此可见:如果两个变量都是单整变量，只有当它们的单整阶数相同时，才可能协整；如果它们的单整阶数不相同，就不可能协整。 三个以上的变量，如果具有不同的单整阶数，有可能经过线性组合构成低阶单整变量。 例如，如果存在： Wt I 1Vt I 2U t I 2 并且 Pt aVt bU t I 1 Qt cWt ePt I 0 那么认 为： V t U t CI 2 1 W t Pt CI 11 从协整的定义可以看出:（dd）阶协整是一类非常重要的协整关系，它的经济意义在于：两个变量，虽然它们具有各自的长期波动规律，但是如果它们是（dd）阶协整的，则它们之间存在着一个长期稳定的比例关系。 例如：前面提到的中国CPC和GDPPC，它们各自都是2阶单整，并且将会看到，它们是22阶协整，说明它们之间存在着一个长期稳定的比例关系，从计量经济学模型的意义上讲，建立如下居民人均消费函数模型 CPCt 0 1GDPPCt t变量选择是合理的，随机误差项一定是“白噪声”（即均值为0，方差不变的稳定随机序列），模型参数有合理的经济解释。 这也解释了尽管这两时间序列是非稳定的，但却可以用经典的回归分析方法建立回归模型的原因。 从这里，我们已经初步认识到：检验变量之间的协整关系，在建立计量经济学模型中是非常重要的。 而且，从变量之间是否具有协整关系出发选择模型的变量，其数据基础是牢固的，其统计性质是优良的。二、协整检验 1、两变量的Engle-Granger检验 为了检验两变量YtXt 是否为协整，Engle和Granger于 1987年提出两步检验法，也称为EG检验。 第一步，用OLS方法估计方程 Yt01Xtt 并计算非均衡误差，得到： Yt 0 1 X t e Y Y t t t 称为协整回归cointegrating或静态回归static regression。 第二步，检验 et 的单整性。如果et 为稳定序列，则认为变量 Yt X t 如果 et 为 1 阶单整，为11阶协整； „。 则认为变量 Yt X
t 为21阶协整； et 的单整性的检验方法仍然是DF检验或者ADF检验。 由于协整回归中已含有截距项，则检验模型中无需再用截距项。如使用模型1 p et et 1 i et i t i 1进行检验时，拒绝零假设H0：0，意味着误差项et是平稳序列，从而说明X与Y间是协整的。 需要注意是，这里的DF或ADF检验是针对协整回归计算出的误差项 et 而非真正的非均衡误差t进行 的。 而OLS法采用了残差最小平方和原理，因此估计量是向下偏倚的，这样将导致拒绝零假设的机会比实际情形大。 于是对et平稳性检验的DF与ADF临界值应该比正常的DF与ADF临界值还要小。 MacKinnon1991通过模拟试验给出了协整检 验的临界值，表9.3.1是双变量情形下不同样本 容量的临界值。 表 9.3.1 双变量协整 ADF 检验临界值 显 著 性 水 平样本容量 0.01 0.05 0.10 25 -4.37 -3.59 -3.22 50 -4.12 -3.46 -3.13 100 -4.01 -3.39 -3.09 ∝ -3.90 -3.33 -3.05 例9.3.1 检验中国居民人均消费水平CPC与人均国内生 产总值GDPPC的协整关系。 在前文已知CPC与GDPPC都是I2序列，而§2.10中已给出了它们的回归式 CPCt 49.7106 0.45831GDPPCt R20.9981 通过对该式计算的残差序列作ADF检验，得适当检验 模型 et 1.55et 1 1.49et 1 2.27 et 3 （-4.47） 3.93 3.05 LM10.00 LM20.00 t-4.47