浅析单位根与协整原理与检验.docVIP

浅析单位根与协整原理与检验 　　[摘 要]单位根的随机性趋势与协整关系对实证分析中时间序列的影响是不容小觑的。检验的目的在于更好的分辨数据特性、甄选模型，以达到或能预测或能证实因果关系或否定以上两者的结果。本文将以二者的计量统计检验为对象，按“是什么、“为什么”和“怎么办”的思路分析检验的由来、如何通过检验对实证模型进行修正以解决不平稳带来的估计不一致问题。 　　[关键词]单位根 协整 检验 DF ECM 　　 　　一、什么是单位根与协整 　　开篇即给出数理的定义稍显突兀，因此引入对此问题的一个经典比喻来形象化说明问题。“醉汉和他的狗”行进的路径被视为两个序列（Michael P. Murray，2006），其中醉汉走路的每一步都视为随机游动（random walk），狗也是同样，两个序列都存在随机性趋势。从酒吧门口算起，上次见到他们的位置也许是预测现在位置的最佳猜测，因为根本无法估计东倒西歪的行进规律。但特别的是，狗是属于醉汉的，这里的主从关系使两个变量之间存在了某种联系。所以一旦知道其中之一的位置，另一个应该也在不远处。醉汉和狗各自的行径就是随机性趋势即单位根存在的一种体现，而两者之间存在关系因而会对距离进行调整就是一种协整关系的模拟。 　　确切的来说，单位根即特征方程解出的模为1的特征根。滞后算子可以直接进行运算，而由此可以推导出方程的自回归多项式。通过求解令多项式为零的特征方程，对其在复数范围内进行彻底的因式分解，得到所称的特征根。 　　在二元条件下，假设x1t和x2t是一阶单整的I(1)（即水平值方程存在单位根，进行一阶差分后平稳）。如果对于某些系数β2，x1t β2x2t是零阶单整的I(0)（即平稳的），那么就说x1t和x2t是协整的。β2被称为协整系数,向量β’=（1，β2）即协整向量。扩展到多元也是同样道理，不过维度会扩展为多维，且n个变量只可能存在（n-1）个协整关系。 　　 　　二、为什么需要关注单位根与协整 　　分析“为什么”，从问题入手引出必要性或许是个可行的思路。从前文了解到，单位根意味着带来non-stationary 问题的随机性趋势（stochastic trend）。直觉上，随机性趋势会对建立在此基础上的回归方程带来不利影响，可能会降低回归的功效（power），使OLS估计量即使在大样本也不服从正态分布。首先，不妨从John Elder and Peter E .Kennedy（2001）的直观例子入手。 　　 　　在模型A中，ＧＤＰ（ｙ）从y0起每年以100θ%的复合速率增长，εt为每年的error；模型B中，ＧＤＰ在上一年的基础上以100θ%的速率增长。乍看二者没有很大差别，因此选择模型时很容易凭主观臆断，造成与实际不符的严重结果。通过变形，可以更清楚地看出二者的差别： 　　 　　比较变换后的模型，Ａ中的误差项只对当期产生影响，而不涉及随后的时期，因而一个冲击(shock)会在当期发生后很快的消失(die out)；而Ｂ中的误差项不仅对当期、还对随后时期产生影响，从而冲击对GDP的影响会随着时间持续（persistent）。这会对评价冲击、选取宏观经济政策产生深远影响：到底一项政策的出台，或是一个大冲击的出现，会迅速平复（transitory）还是带来长久影响呢？此为其一。 　　其二，在B’’中，由于lny0 的系数为1，因此每一期的误差项对当期的影响，都被完整地保留到下一期，即对下期GDP的冲击εt 具有累积效应。随着时间的延伸，累积项会带来发散的趋势，lny的方差将无限增大无法收敛，这会给传统的统计检验带来严重问题。正如前文所定义的，B’’这个AR(1)中存在单位根并由此产生了漂移项（drift，θt）, 统计量不再服从t 分布或标准正态分布，置信区间失效，即使在大样本下也是如此。带有随机性趋势的系数分布带有很长的左尾，系数偏向于零。 　　其三，当存在随机性趋势的时候，很容易产生两个不相关的时间序列看起来相关的问题，即所称的“伪回归”。这种情况下，无论是t 统计量还是R平方都很大，但杜宾沃森（DW）统计量低，所谓“显著”的因果效应是虚假的。 　　单位根的存在对传统的统计检验提出了挑战。实证分析有必要弄清楚回归基于的数据是否存在单位根，更重要的是有必要解决单位根带来的问题。前者使单位根的检验有了意义，后者，可以解释引入协整的必要性。 　　回顾第一部分所述，协整即存在共同的随机性趋势。承接前文，伪回归的一种特殊情况即是两个时间序列的趋势成分相同，此时可能利用这种共同趋势修正回归使之可靠。正是由于协整传递出了一种长期均衡关系，若是能在看来具有单独随机性趋势的几个变量之间找到一种可靠联系，那么通过引入这种醉汉与狗之间距离的“相对平稳”对模型进行调整，可以排