基于向量误差修正模型的两区制门限协整检验讲述.docx

基于向量误差修正模型的两区制门限协整检验摘要这篇论文检验了一个具有单协整向量的两区制向量误差修正模型以及误差修正中的门限效应。我们采用了一个相关的单一算法，能够给出二元情况下完全门限协整模型的最大似然估计。我们对门限采用SupLM方法进行检验。我们派生出一个空渐近分布，演示模拟临界值的方式，以及给出一个bootstrap近似。我们研究了使用蒙特卡洛模拟的检验的有效性，发现这种检验方式十分有效。通过使用这样的方法对利率期限结构模型的研究，我们发现，存在着非常强的门限效应。I．引言门限协整是由Balke和Fomby（1997）提出的用于研究非线性协整关系的可行的工具。特别值得注意的是，这个模型允许长期均衡的非线性调整。这个模型被广泛应用：Balke and Wohar（1998）、Lo and Zivot（2001）、Martens et al（1998）、Michael et al（1997）、O’Connell（1998）、O’Connell and Wei（1997）、Obstfeld and Taylor（1997）以及Taylor（2001）、Lo and Zivot（2001）对这些方法展开了广泛的回顾。这一系列模型最重要的统计问题在于检验门限效应的存在性（空的线性？）。Balke和Fomby（1997）建议采用Hansen（1996）和Tsay（1989）用来检验误差修正（协整残差）的单因素检验方法。众所周知，在协整向量已知的情况下这种检验方法是有效的，但是Balke-Fomby并没有对将此方法用于估计的协整向量的情况的检验做出理论上的说明。Lo和Zivot（2001）将Balke和Fomby的方法扩展到了具有已知协整向量的多元门限协整模型，采用了Tsay（1998）以及Hansen（1996）对多元扩展模型的检验方法。在本文中，我们将把这些方法扩展到检验未知协整向量的情况中。正如Balk-Fomby所研究的，我们的模型是一个具有单协整向量以及误差修正中存在门限效应的向量误差修正模型（VECM）。然而，与Balke-Fomby只关注于单变量估计以及检验方法不同，我们的估计与检验将关注于完全多变量门限模型。事实上，将误差修正作为门限变量并不是本文分析的必要条件，我们这里所讨论的方法能够非常简单的合并到其他模型中，只要这些模型中的门限变量是前定变量的固定的变形形式。本文有两点贡献。第一，我们提出了一个采用最大似然估计方法估计门限模型的方法。这种算法包含了一个搜索门限以及协整向量的联合网络结构。这个算法在二元情况下非常容易实现，但是在更高纬度的情况下却可能非常困难。此外，正因为如此，我们无法提供对于一致性以及最大似然估计分布理论上的证明。第二，我们发展出一个检验门限效应的方法。原假设不存在门限效应，所以模型简化为一个常规的线性VECM。在此原假设下的估计非常容易，简化为一个常规的降秩回归。这就表明其检验可以基于拉格朗日乘子（LM）准侧，只要求在原假设下进行估计。由于门限参数并非在原假设下决定，我们在SupLM检验的基础上进行扩展推论（参照Davies（1987）、Andrews（1993）以及Andrews and Ploberger（1994）对这种检验思路的动机以及理由）。我们的检验采用了与Seo（1998）为了检验误差修正模型中结构变异所派生出来的方法所具有的相似的代数形式。我们派生出SupLM检验的渐近原分布，发现它与Hansen（1996）用来平稳数据进行门限检验的形式一致。一般来说，渐近分布基于数据的协方差结构，预先排除制表。我们建议采用Hansen（1996，2000b）的平稳回归元bootstrap方法，或者参数残差bootstrap算法，来近似样本的分布。Section2将介绍门限模型以及从Gaussian quasi-MLE方法中派生出来的用于检验该模型的方法。Section3将采用LM检验方法检验门限协整以及它的渐近分布，并给出两种计算P值的方法。Section4将给出一个关于该检验的大小以及有效性的模拟结果。Section5给出一个在利率期限结构上的应用。渐近分布理论的证明将在附录中给出。本文估计、检验的Gauss程序以及本文中主要工作的副本发布在/~bhansen.2．估计2.1.线性协整设为一个p维一阶单整时间序列，具有一个维的协整向量。用表示0阶单整的误差修正序列。那么一个滞后阶的线性VECM模型可以简洁的写成：其中，回归元为一个阶列向量，A为一个阶矩阵，其中。误差项为一个具有有限协方差矩阵鞅差序列（MDS）向量。符号和代表对的一般估计值。当估计真实值时，我们将分别将其表示为和。我们需要对做一些标准化处理以使其能够呗识别。由于仅仅存在一个协整向量，那么就可以比较简单的将中的一个元素设为1，在系