分布滞后模型与格兰杰因果关系检验.ppt

模型输出窗口的上半部分的格式与一般回归方程相同，在该部分给出了各变量对应的参数估计值及t统计量。变量分别为c、PDL01、PDL02、PDL03等。其中，PDL01、PDL02、PDL03等分别表示模型（3.6）中的Z0、Z1、Z2等。本例多项式次数p=4，所以除常数项以外共有p+1=5个参数估计值。 多项式分布滞后模型输出结果(下半部分) 五、无限分布滞后模型 由于多重共线性及自由度的限制，给有限分布滞后模型（3.1）的估计带来了困难。有限多项式分布滞后模型虽然可以简化问题，但在某些情况下很难确定适当的滞后长度和正确的多项式次数。这时，无限分布滞后模型常常是更合理的模型形式。 此外，有时从经济理论中推导出来的模型也是具有无限的滞后长度的模型。 然而，无限分布滞后模型包含有无穷多个参数，不能直接对其进行估计。必须对其施加一定的约束，使其仅需估计少量的参数，才能对其进行估计。 几何分布滞后模型就是一种通过假定滞后系数按几何级数衰减，从而减少待估计参数个数的无限分布滞后模型。 （一）几何分布滞后模型的概念 对于无限分布滞后模型（3.2）： Koyck提出了两个假设： （1）模型中所有参数的符号都相同； （2）参数按几何级数衰减，即 （k=0，1，2，…） （3.7） 式中，0＜?＜1，?称为分布滞后的衰减率。?越小，衰减速度就越快。 以上两个假设（或对模型（3.2）先验约束）在很多情况下是合理的。 例如，在消费函数中，各期收入对当期消费的影响都是正的，且这种影响随着滞后长度的增加而越来越小。 将（3.7）式代入模型（3.2），得到 （3.8） 该模型就是几何分布滞后（Geometric Lag）模型。因为其滞后权重几何地下降。 这也是在实证分析文献中非常流行的一种模型。 显然，其长期影响乘数为 但是，模型（3.8）仍然无法直接估计，因为它包含有无穷多个参数。 但是，可以对其施行Koyck变换，减少参数个数： 首先，将模型（3.8）滞后一期，可得： 再将上式两边乘以?，得到： （3.9） 用（3.8）式减去（3.9）式，可得： 整理，最后可得： （3.10） 其中 这说明，通过Koyck变换，可以将几何分布滞后模型简化为一个自回归模型（因为被解释变量包括Yt-1）。 一般将模型（3.10）称为Koyck变换模型。该模型只有三个参数需要估计，它们是?、??、?；同时，该模型还避免了多重共线性问题。 此外，两种得到广泛应用的经济模型：自适应预期模型和局部调整模型，也属于几何分布滞后模型。 （二）几何分布滞后模型的估计 对于Koyck变换模型（3.10），即使?t满足关于线性回归模型的基本假设，其随机误差项vt仍不满足关于线性回归模型的基本假设 。 因为 由于0＜?＜1，故上式不为0。这说明vt和vt-1相关。 于是，模型（3.10）中的Yt-1与vt也一定相关。 所以，不能用普通最小二乘法估计Koyck变换模型。 为解决随机解释变量与随机误差项相关这一问题，可选用工具变量法。根据工具变量的选择标准，可以选择Xt-1作为Yt-1的工具变量。 为了既解决随机解释变量与随机误差项相关的问题，同时又克服随机误差项的序列相关，通常采用工具变量法和广义差分法相结合的方法（这里从略）。 第二节 格兰杰因果关系检验 所谓因果关系，是指变量之间的依赖性，作为结果的变量是由作为原因的变量所决定的，原因变量的变化引起结果变量的变化。 通过前面的学习，我们已经知道，因果关系不同于相关关系；而且从一个回归关系式我们并不能确定变量之间是否具有因果关系。 虽然我们说回归方程中解释变量是被解释变量的原因，但是，这一因果关系通常是先验设定的，或者是在回归之前就已确定。 实际上，在许多情况下，变量之间的因果关系并不总象农作物产量和降雨量之间的关系那样一目了然，或者没有充分的知识使我们认清变量之间的因果关系。此外，即使某一经济理论宣称某两个变量之间存在一种因果关系，也需要给以经验上的支持。 Granger从预测的角度给出了因果关系的一种定义。 一、Granger因果关系 Granger指出： 如果一个变量X无助于预测另一个变量Y，则说X不是Y的原因；相反，若X是Y的原因，则必须满足两个条件：第一，X应该有助于预测Y，即在Y关于Y的过去值的回归中，添加X的过去值作为独立变量应当显著地增加回归的解释能力；第二，Y不应当有助于预测X，其原因是，如果X有助于预测Y，Y也有助于预测X，则很可能存在一个或几个其他变量，它们既是引起X变化的原因，也是引起Y变化的原因。 现在人们一般把这种从预测的角度定义的因果关系称为Granger因果关系。 二、Granger因果关系检验 变量