向量自回归模型分析.ppt

* ③ 类似地，协整方程中可能有趋势项? t，其形式为 ④ 如果序列中存在着隐含的二次趋势项? t，等价于VEC模型的括号外也存在线性趋势项，其形式为 * ② 如果r = 0，意味着 ? = 0，因此式(9.6.2)仅仅是个差分方程，各项都是I (0) 变量，不需要讨论y1,t-1，y2,t-1，…，yk,t-1之间是否具有协整关系。 ③ 下面讨论0 r k的情形： 0 r k表示存在r个协整组合，其余k ? r个关系仍为I (1)关系。在这种情况下，? 可以分解成两个( k ? r )阶矩阵 ? 和 ? 的乘积： (7.6.4) * 其中rk (? )= r，rk ( ? )= r，将式(7.6.4)代入式(7.6.2)，得： (7.6.5) 上式要求 为一个I (0)向量，其每一行都是I (0) 组合变量，即 ? 的每一行所表示的y1,t-1，y2,t-1，…，yk,t-1的线性组合都是一种协整形式，所以矩阵 ? 决定了y1,t-1，y2,t-1，…，yk,t-1之间协整向量的个数与形式。因此称为协整向量矩阵，r为协整向量的个数。 * 矩阵 ? 的每一行 ?i 是出现在第i个方程中的r个协整组合的一组权重，故称为调整参数矩阵，与前面介绍的误差修正模型的调整系数的含义一样。而且容易发现? 和 ? 并不是惟一的，因为对于任何非奇异r ? r矩阵 H ，乘积 ?? ? 和 ?H (H ?1? ?) 都等于 ?。 将yt的协整检验变成对矩阵 ? 的分析问题，这就是Johansen协整检验的基本原理。因为矩阵 ? 的秩等于它的非零特征根的个数，因此可以通过对非零特征根个数的检验来检验协整关系和协整向量的秩。略去关于 ? 的特征根的求解方法，设矩阵 ? 的特征根为 ?1 ? ?2 ? … ??k。 * （二）特征根迹检验(trace检验) 由于r个最大特征根可得到r个协整向量，而对于其余k ? r个非协整组合来说，?r+1，…，?k应该为0，于是可得到原假设、备选假设为 相应的检验统计量为 (7.6.6) ?r称为特征根迹统计量。 * （2）当 ?1 不显著时，接受H10 ，表明只有1个协整向量，依次进行下去，直到接受Hr0，说明存在r个协整向量。这r个协整向量就是对应于最大的r个特征根的经过正规化的特征向量。 依次检验这一系列统计量的显著性： （1）当 ?0 不显著时(即 ?0 值小于某一显著性水平下的Johansen分布临界值)，接受H00 (r = 0)，表明有k个单位根，0个协整向量(即不存在协整关系)。当 ?0 显著时(即 ?0 值大于某一显著性水平下的Johansen分布临界值)，拒绝H00 ，则表明至少有一个协整向量，必须接着检验 ?1 的显著性。 * 根据右边假设检验，大于临界值拒绝原假设。继续检验的过程可归纳为如下的序贯过程： ?1 临界值，接受H10 ，表明只有1个协整向量； ?1 临界值，拒绝H10 ，表明至少有2个协整向量； ┇ ?r 临界值，接受Hr0，表明只有r个协整向量。 * （三）最大特征值检验 对于Johansen协整检验，另外一个类似的检验方法是 检验统计量是基于最大特征值的，其形式为 (7.6.7) 其中 ?r 称为最大特征根统计量，简记为?-max统计量。 * 检验从下往上进行，首先检验?0 ，如果 ?0 临界值，接受H00 ，无协整向量； ?0 临界值，拒绝H00 ，至少有1个协整向量。 接受H00 (r = 0)，表明最大特征根为0，无协整向量，否则接受H01，至少有1个协整向量；如果 ?1 显著，拒绝H10，接受至少有2个协整向量的备择假设H11；依次进行下去，直到接受Hr0，共有r个协整向量。 * （四）协整方程的形式 与单变量时间序列可能出现均值非零、包含确定性趋势或随机趋势一样，协整方程也可以包含截距和确定性趋势。由式(7.6.2)假设方程可能会出现如下情况（Johansen，1995）： (1) VAR模型 没有确定趋势，协整方程没有截距： (2) VAR模型没有确定趋势，协整方程有截距项 ： (7.6.8) (7.6.9) * (3) VAR模型有确定性线性趋势，但协整方程只有截距： (7.6.10) (4) VAR模型和协整方程都有线性趋势，协整方程的线性趋势表示为 ： (7.6.11) (5) VAR模型有二次趋势，协整方程仅有线性趋势： (7.6.12) * 其中?? 是