非平稳时间序列的协整检验功效比较.docxVIP

非平稳时间序列的协整检验功效比较

一、引言

在经济学、金融学等实证研究领域，时间序列数据是分析变量间动态关系的核心工具。然而，现实中的多数时间序列往往表现出非平稳特征——其均值、方差或协方差会随时间变化而波动，直接对非平稳序列进行回归可能导致“伪回归”问题，即表面上显著的统计关系实际并无经济意义。协整理论的提出为解决这一问题提供了关键思路：若一组非平稳时间序列的线性组合是平稳的，则它们之间存在协整关系，反映了变量间长期均衡的内在联系。

协整检验作为识别这种长期均衡关系的核心方法，其检验功效（即正确拒绝原假设的概率）直接影响研究结论的可靠性。然而，不同协整检验方法在理论假设、适用场景和统计表现上存在差异，检验功效也因数据特征（如样本量、非平稳程度、误差项分布）的不同而变化。本文将系统梳理主流协整检验方法的原理与适用条件，从理论分析与模拟验证两个层面比较其功效差异，为实证研究中方法选择提供参考。

二、协整检验的理论基础与方法分类

（一）非平稳时间序列与协整关系的本质

非平稳时间序列的典型特征是包含单位根（即序列差分后才平稳），其波动具有持续性，过去的冲击会永久影响未来的取值。例如，宏观经济中的GDP、股价指数等序列常表现出这种特性。若多个非平稳序列的线性组合消除了单位根，即组合后的序列是平稳的，则称这些序列存在协整关系。这种关系意味着变量间存在一种“纠错机制”：当短期波动偏离长期均衡时，系统会通过调整逐步回归均衡状态。

协整检验的核心任务是判断这种长期均衡关系是否存在。其逻辑可概括为：若原序列均为非平稳（如I(1)序列），但它们的某种线性组合是平稳的（I(0)），则协整关系成立。这一逻辑为不同检验方法提供了共同的理论起点，但具体实现路径因方法而异。

（二）主流协整检验方法的原理与适用场景

目前应用最广泛的协整检验方法可分为三类：基于残差的单方程检验（如Engle-Granger两步法）、基于向量自回归（VAR）的系统检验（如Johansen检验），以及允许变量阶数不同的边界检验（如ARDL方法）。

Engle-Granger两步法

该方法由Engle和Granger于1987年提出，适用于两变量或多变量协整关系的初步检验。其步骤为：首先用普通最小二乘法（OLS）估计变量间的静态回归方程，得到残差序列；然后对残差进行单位根检验（如ADF检验），若残差平稳则认为存在协整关系。这种方法操作简单、易于理解，尤其适合初步探索变量间的长期关系。但它假设协整关系唯一且变量间存在明确的“被解释变量-解释变量”关系，忽略了变量间的动态反馈，且在小样本下易受残差自相关和分布偏差的影响，检验功效可能被低估。

Johansen检验

Johansen于1988年提出的极大似然检验方法，基于向量自回归模型（VAR）的误差修正形式，通过分析VAR模型的系数矩阵秩来判断协整关系的存在性及协整秩（即独立协整关系的数量）。该方法允许变量间存在双向因果关系，能同时检验多个协整关系，适用于多变量系统的协整分析。相较于Engle-Granger方法，Johansen检验考虑了变量间的动态互动，理论上更严谨，尤其在大样本下表现更稳定。但它要求所有变量具有相同的单整阶数（通常为I(1)），且对模型滞后阶数的选择敏感，滞后阶数不当可能导致检验功效下降。

ARDL边界检验

Pesaran等人提出的自回归分布滞后（ARDL）边界检验方法，放宽了变量必须同阶单整的限制，允许部分变量为I(0)、部分为I(1)（但不能包含I(2)及以上序列）。其原理是通过构建包含变量水平项和差分的ARDL模型，对水平项的系数联合显著性进行F检验或t检验，比较统计量与临界值边界（考虑变量单整阶数的不确定性）来判断协整关系。这种方法在小样本下表现稳健，且无需预先确定变量的单整阶数，适用于样本量较小或变量单整阶数不确定的场景。但它假设协整关系唯一，且对模型设定（如滞后阶数、外生变量选择）较为敏感。

三、协整检验功效的影响因素与比较分析

（一）样本量对检验功效的影响

样本量是影响检验功效的关键因素。理论上，随着样本量增大，多数检验方法的功效会逐步提高，因为更多数据能更准确地捕捉变量间的长期关系。

对于Engle-Granger两步法，小样本下残差的估计偏差（如自相关、异方差）会显著降低检验功效。例如，当样本量小于50时，即使存在真实协整关系，ADF检验对残差平稳性的判断可能因统计量分布偏离理论值而出现错误拒绝或接受原假设的情况。Johansen检验在大样本（如n100）下表现更优，其极大似然估计的渐近性质使得检验功效接近理论最优水平；但在小样本下，其对滞后阶数的过度依赖可能导致功效下降，尤其是当VAR模型滞后阶数被低估时，残差中的自相关会掩盖协整关系的存在。ARDL边界检验在小样本（如n=30-80）下的功效通