计量经济学中的协整与误差修正模型应用.docxVIP

计量经济学中的协整与误差修正模型应用

引言

刚接触计量经济学时，我总被一个问题困扰：为什么老师反复强调“先检验平稳性再做回归”？直到看到一个经典案例——用两个独立随机游走序列（比如某地的气温和某国的GDP）做回归，结果竟能得到高R2和显著的t值。这种“伪回归”现象像一记警钟，让我意识到：传统线性回归在处理非平稳时间序列时可能完全失效。而协整（Cointegration）与误差修正模型（ErrorCorrectionModel,ECM）的出现，就像一把钥匙，为非平稳时间序列的建模打开了新的大门。它们不仅能捕捉经济变量间“长期携手同行”的均衡关系，还能刻画“短期小步调整”的动态过程，这种“长短兼顾”的能力，让它们在宏观经济分析、政策评估等领域成为不可或缺的工具。

一、协整理论：从非平稳到长期均衡的桥梁

1.1时间序列平稳性：计量建模的基石

要理解协整，首先得回到时间序列的平稳性概念。简单来说，平稳时间序列就像一个“情绪稳定的人”——它的均值、方差和自协方差不随时间推移而变化。比如，某地多年的月平均气温，虽然每年同月温度有波动，但整体围绕一个稳定的均值上下浮动，这就是平稳序列。而非平稳序列则像“情绪波动的人”，其统计特性会随时间改变，最常见的是含有单位根（UnitRoot）的随机游走序列，比如股票价格、名义GDP等，它们的变化往往累积成趋势，均值会随时间无限漂移。

判断平稳性最常用的方法是单位根检验，其中ADF检验（AugmentedDickey-FullerTest）最广为人知。ADF检验的原假设是“序列存在单位根（非平稳）”，如果检验统计量小于临界值（拒绝原假设），则序列平稳；反之则非平稳。记得读研时做课程论文，我用ADF检验分析居民消费数据，第一次结果显示p值0.89（远大于0.05），说明消费序列非平稳，当时还以为自己操作错了，反复检查代码后才确认——原来现实中的经济变量大多是非平稳的，这也解释了为什么直接回归容易出问题。

1.2伪回归：非平稳序列的“陷阱”

当两个非平稳序列都含有单位根（即都是I(1)序列，一阶差分后平稳）时，直接做线性回归可能会得到“看似完美”的结果：高R2、显著的t值，但实际上变量间可能根本不存在真实的经济联系。这种现象被称为“伪回归”（SpuriousRegression）。举个通俗的例子：假设A每天随机向东走1步，B每天随机向西走1步，虽然两人的位置序列都是非平稳的（位置随时间漂移），但如果用A的位置回归B的位置，可能会得到“负相关”的显著结果——这显然是虚假的，因为两人的移动完全独立。

伪回归的本质是，非平稳序列的趋势项（由单位根引起）主导了回归结果，掩盖了变量间的真实关系。这就像用“身高”和“树高”做回归，两者都随时间增长（非平稳），回归可能显示“身高越高树越高”，但真实原因是时间在背后推动，而非两者直接相关。

1.3协整：非平稳序列的“长期契约”

协整的概念正是为解决伪回归问题而生。简单来说，如果两个（或多个）非平稳序列各自含有单位根（同阶单整，如都是I(1)），但它们的某种线性组合是平稳的（I(0)），则称这些序列之间存在协整关系。这种关系可以理解为变量间的“长期契约”——虽然各自会短期偏离，但始终被一根“隐形的绳子”拉回均衡状态。

比如，居民消费和可支配收入都是非平稳的（随经济增长而上升），但从长期看，消费不可能无限偏离收入（边际消费倾向稳定），两者的线性组合（如消费-0.8×收入）可能是平稳的，这就说明它们存在协整关系。这种“长期均衡”的发现，让我们能从非平稳数据中挖掘出有意义的经济联系。

1.4协整检验：寻找“隐形的绳子”

如何检验变量间是否存在协整关系？常用方法有两种：Engle-Granger两步法（适用于两变量）和Johansen检验（适用于多变量）。

Engle-Granger两步法的思路很清晰：第一步，用普通最小二乘法（OLS）对非平稳序列做回归（称为协整回归），得到残差序列；第二步，对残差进行单位根检验，如果残差平稳（I(0)），则原序列存在协整关系。我曾用这种方法分析过我国城镇人均消费（C）和人均可支配收入（Y）的关系，协整回归得到C=0.75Y+100（伪回归？），但残差的ADF检验显示p值0.01（拒绝单位根原假设），说明残差平稳，C和Y确实存在长期均衡。

Johansen检验则基于向量自回归模型（VAR），通过分析VAR模型的误差修正项来判断协整秩（即协整关系的个数）。它不仅能处理多变量，还能给出协整向量的具体估计，更适合分析复杂的经济系统（如货币需求、汇率联动等）。比如分析货币供应量（M2）、GDP和利率的关系时，Johansen检验可以同时检验是否存在1个或2个协整关系，这对理解多变量间的相互制约很有帮助。

二、误差修正模型：连接长期均衡与