协整理论及其R语言的实现 - 统计之都标志.PPT

Logo Logo Add Your Company Slogan 协整理论及其R语言的实现 邵晨 上海财经大学 统计与管理学院 为什么要协整? 提纲 1 什么是协整？ 2 如何进行协整检验？ 3 R语言中相关函数 4 案例：中国进出口之间关系检验 5 伪回归（虚假回归） 回归分析： 一个重要的前提假设：平稳性 但是，实际上大部分的宏观经济时间序列和金融时间序列都是非平稳的。 伪回归（虚假回归） 案例 结果 以1990年至2008年美国城镇居民家庭人均可支配收入和中国人均消费性支出为例： data - read.table(data.txt) Usincome - data[,1] Chinacoms - data[,2] reg - lm(Chinacoms ~ USincome) summary(reg) library(zoo) library(lmtest) dwtest(reg) Call: lm(formula = Chinacoms ~ USincome) Residuals: Min 1Q Median 3Q Max -640.11 -350.44 -55.96 346.49 1139.42 Coefficients: Estimate Std. Error t value Pr(|t|) (Intercept) -6.886e+03 4.896e+02 -14.06 8.56e-11 *** USincome 4.788e-01 1.898e-02 25.23 6.54e-15 *** --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Residual standard error: 477.7 on 17 degrees of freedom Multiple R-squared: 0.974, Adjusted R-squared: 0.9724 F-statistic: 636.3 on 1 and 17 DF, p-value: 6.544e-15 ———————————————————————————— Durbin-Watson test data: reg DW = 0.4992, p-value = 4.485e-06 alternative hypothesis: true autocorrelation is greater than 0 显著的R2 较大的t值 DW统计量很小，存在严重的自相关 线性回归模型 lm()函数： 用法： fitted.model - lm(formula, data, subset, weights…) 参数： formula response ~ terms data 数据框。 subset 取出数据集的一个子集。 weights 权重向量，用于加权最小二乘估计。 例如： reg - lm(y ~ x1 + x2, data=output) 提取回归模型中所需信息的函数： coef(reg) resid(reg) plot(reg) summary(reg) 伪回归（虚假回归） Diagram 2 Diagram 2 含义：指两个没有因果关系的时间序列之间，基于一些其他的外在因素，推断出因果关系。例如：事件C导致事件A和事件B，如果在A和B之间进行回归分析，则容易推断出A和B之间存在因果关系的错误结论。 特征： 1、对参数的检验（t检验）和对回归方程的检验（F检验）容易得到显著的结果，接近于1的R2。 2、残差存在严重的正自相关。 结果： 许多非平稳经济变量之间显著的相关性可能并不存在，是虚假的。 传统的解决方法 传统方法 一阶差分后进行回归 缺点 1.经济理论往往研究的是变量的水平值而不是差分值，差分后的模型不好解释 2.丢失一些有用的长期信息 移除线性趋势 1.假设序列存在独立的确定性趋势 2.只能解释变量之间的短期关系 协整 协整 定义：对于两个非平稳时间序列{Xt}和{Yt}如果 ①{Xt}和{Yt}为I(1)序列； ②存在线性组合Xt+bYt使得{Xt+bYt}是平稳序列； 则称{Xt}与{Yt}之间具有协整关系。 描述了时间序列之间的长期均衡关系。 误差修正模型 定义：时间序列{Xt}和{Yt}的误差修正模型表示为： 其中{εt}是平稳随机序列，{zt-1}是误差修