向量自回归模型讲义

第八章 VAR模型与协整 第8章​  VAR模型与协整 1980年Sims提出向量自回归模型（vector autoregressive model）。这种模型采用多方程联立的形式，它不以经济理论为基础，在模型的每一个方程中，内生变量对模型的全部内生变量的滞后值进行回归，从而估计全部内生变量的动态关系。 8.1向量自回归（VAR）模型定义 8.1.1 模型定义 VAR模型是自回归模型的联立形式，所以称向量自回归模型。假设y1t，y2t之间存在关系，如果分别建立两个自回归模型 y1, t = f (y1, t-1, y1, t-2, …) y2, t = f (y2, t-1, y2, t-2, …) 则无法捕捉两个变量之间的关系。如果采用联立的形式，就可以建立起两个变量之间的关系。VAR模型的结构与两个参数有关。一个是所含变量个数N，一个是最大滞后阶数k。 以两个变量y1t，y2t滞后1期的VAR模型为例， y1, t = c1 + 11.1 y1, t-1 + 12.1 y2, t-1 + u1 t y2, t = c2 + 21.1 y1, t-1 + 22.1 y2, t-1 + u2 t (8.1) 其中u1 t, u2 t IID (0, 2), Cov(u1 t, u2 t) = 0。写成矩阵形式是， = + + (8.2) 设， Yt = , c = , 1 = , ut = , 则， Yt = c + 1 Yt-1 + ut (8.3) 那么，含有N个变量滞后k期的VAR模型 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 示如下： Yt = c + 1 Yt-1 + 2 Yt-2 + … + k Yt-k + ut, ut IID (0, ) (8.4) 其中， Yt = (y1, t y2, t … yN, t)' c = (c1 c2 … cN)' j = , j = 1, 2, …, k ut = (u1 t u2,t … uN t)', Yt为N1阶时间序列列向量。 C为N1阶常数项列向量。1, … , k 均为NN阶参数矩阵，ut IID (0, ) 是N1阶随机误差列向量，其中每一个元素都是非自相关的，但这些元素，即不同方程对应的随机误差项之间可能存在相关。 因VAR模型中每个方程的右侧只含有内生变量的滞后项，他们与ut是渐近不相关的，所以可以用OLS法依次估计每一个方程，得到的参数估计量都具有一致性。 估计VAR的EViews 4.1操作： 打开工作文件，点击Quick键, 选Estimate VAR功能。作相应选项后，即可得到VAR的 表格 关于规范使用各类表格的通知入职表格免费下载关于主播时间做一个表格详细英语字母大小写表格下载简历表格模板下载 式输出方式。在VAR模型估计结果窗口点击View 选 representation功能可得到VAR的代数式输出结果。 8.1.2 VAR模型的特点是： （1）不以严格的经济理论为依据。在建模过程中只需明确两件事：①共有哪些变量是相互有关系的，把有关系的变量包括在VAR模型中；②确定滞后期k。使模型能反映出变量间相互影响的绝大部分。 （2）VAR模型对参数不施加零约束。（对无显着性的参数估计值并不从模型中剔除，不 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 回归参数的经济意义。） （3）VAR模型的解释变量中不包括任何当期变量，所有与联立方程模型有关的问题在VAR模型中都不存在（主要是参数估计量的非一致性问题）。 （4）VAR模型的另一个特点是有相当多的参数需要估计。比如一个VAR模型含有三个变量，最大滞后期k = 3，则有k N 2 = 3 32 = 27个参数需要估计。当样本容量较小时，多数参数的估计量误差较大。 （5）无约束VAR模型的应用之一是预测。由于在VAR模型中每个方程的右侧都不含有当期变量，这种模型用于样本外一期预测的优点是不必对解释变量在预测期内的取值做任何预测。 （6）用VAR模型做样本外近期预测非常准确。做样本外长期预测时，则只能预测出变动的趋势，而对短期波动预测不理想。 西姆斯（Sims）认为VAR模型中的全部变量都是内生变量。近年来也有学者认为具有单向因果关系的变量，也可以作为外生变量加入VAR模型。 附录：（file:B8c1） VAR模型静态预测的EViews操作：点击Procs选Make Model功能。点击Solve。在出现的对话框的Solution option（求解选择）中选择Static solution（静态解）。 VAR模型动态预测的EViews操作：点击Procs选Make Model功能（工作文件中如果已经有Model，则直接双击Model）。点击Solve。在出现的对话框的Solution option（求解选择）中选择Dynamic solution（静态解）。 注意：Model窗口中的第一行，“ASSIGN @ALL F”表示模拟结果保存在原序列名后加F的新序列中，以免原序列中的数据被覆盖掉。 静态预测的效果非常好。动态预测的表现是前若干期预测值很接近真值，以后则只能准确预测变化的总趋势，而对动态的变化特征预测效果较差。综上所述，用VAR做样本外动态预测1，2期则预测效果肯定是非常好的。 8.2​ VAR模型稳定的条件 VAR模型稳定的充分与必要条件是1（见 (8.3) 式）的所有特征值都要在单位圆以内（在以横轴为实数轴，纵轴为虚数轴的坐标体系中，以原点为圆心，半径为1的圆称为单位圆），或特征值的模都要小于1。 1．先回顾单方程情形。以AR(2)过程 yt = 1 y t-1 + 2 y t-2 + ut (8.11) 为例。改写为 (1- 1 L - 2 L 2) yt = (L) yt = ut (8.12) yt稳定的条件是(L) = 0 的根必须在单位圆以外。 2．对于VAR模型，也用特征方程判别稳定性。以 (8.3) 式，Yt = c + 1 Yt-1 + ut，为例，改写为 (I - 1 L) Yt = c + ut (8.13) 保持VAR模型稳定的条件是| I - 1L | = 0的根都在单位圆以外。| I – 1L| = 0在此称作相反的特征方程（reverse characteristic function）。（第2章称特征方程） 例8.1 以二变量（N = 2），k = 1的VAR模型 = + (8.14) 其中1 = 为例分析稳定性。相反的特征方程是 | I - 1L | = = = (1- (5/8) L)2 - 1/8 L 2 = (1-0.978 L) (1-0.27 L) = 0 (8.15) 求解得 L 1 = 1/0.978 = 1.022, L 2 = 1/0.27 = 3.690 因为L 1，L 2都大于1，所以对应的VAR模型是稳定的。 3．VAR模型稳定的另一种判别条件是，特征方程 | 1 - I | = 0的根都在单位圆以内。特征方程 | 1 - I | = 0的根就是1的特征值。 例8.2 仍以VAR模型(8.14) 为例，特征方程表达如下： | 1 - I | = = = 0 即 (5/8 - )2 – 1/8 = (5/8 - )2 – = (0.978 - ) (0.271 - ) = 0 (8.16) 得 1 = 0.9786, 2 = 0.2714。1，2是特征方程 | 1 - I | = 0的根，是参数矩阵1的特征值。因为1 = 0.978, 2 = 0.271，都小于1，该VAR模型是稳定的。 注意： （1）因为L1=1/0.978 =1/1, L2 =1/0.27=1/2，所以特征方程与相反的特征方程的根互为倒数，L = 1/ 。 （2）在单方程模型中，通常用相反的特征方程 (L) = 0的根描述模型的稳定性，即单变量过程稳定的条件是（相反的）特征方程(L) = 0的根都要在单位圆以外；而在VAR模型中通常用特征方程 | 1 - I | = 0的根描述模型的稳定性。VAR模型稳定的条件是，特征方程 | 1 - I | = 0的根都要在单位圆以内，或相反的特征方程| I – L 1 | = 0的根都要在单位圆以外。 4．对于k>1的k阶VAR模型可以通过友矩阵变换（companion form），改写成1阶分块矩阵的VAR模型形式。然后利用其特征方程的根判别稳定性。具体变换过程如下。 给出k阶VAR模型， Yt = c+ 1 Yt-1 + 2 Yt-2 + … + k Yt-k + ut (8.17) 再配上如下等式， Yt -1 = Yt -1 Yt -2 = Yt -2 … Yt -k +1 = Yt - k +1 把以上k个等式写成分块矩阵形式， = + + (8.18) 其中每一个元素都表示一个向量或矩阵。令 Yt = (Yt-1 Yt-2 … Yt-k+1) 'NK1 C = (c 0 0 … 0) 'NK1 A = Ut = (ut 0 0 … 0) ' NK1 上式可写为 Yt = C + A Yt -1 + Ut (8.19) 注意，用友矩阵变换的矩阵（向量）用正黑体字母表示。k阶VAR模型用友矩阵表示成了1阶分块矩阵的VAR模型。 例如，2变量2阶VAR模型的友矩阵变换形式是 = + + (8.20) 其中等式的每一个元素（项）都表示一个41阶向量或44阶矩阵。 例如，2变量3阶VAR模型的友矩阵变换形式是 = + + (8.21) 其中等式的每一个元素（项）都表示一个61阶向量或66阶矩阵。 VAR模型的稳定性要求A的全部特征值，即特征方程 | A - I | = 0的全部根必须在单位圆以内或者相反的特征方程 | I - L A | = 0的全部根必须在单位圆以外。 注意：特征方程中的A 是NkNk阶的。特征方程中的I也是NkNk阶的。 以2阶VAR模型的友矩阵变换为例， | I - AL| = = = I - 1 L - 2 L2 = 0 (8.22) 的全部根必须在单位圆以外。 以3阶VAR模型的友矩阵变换为例， | I - AL| = = = | I- 1 L - 2 L2 - 3 L3 | = 0 (8.23) 的全部根必须在单位圆以外。 因此，对于k阶VAR模型的友矩阵变换形式，特征方程是， | I - 1 L - 2 L 2 - … - k L k | = 0 (8.24) 附录： 求VAR模型特征根的EViews 4.1操作：在VAR模型估计结果窗口点击View 选 Lag Structrure, AR Roots Table 功能，即可得到VAR模型的全部特征根。若选Lag Structrure, AR Roots Graph 功能，即可得到单位圆曲线以及VAR模型全部特征根的位置图。 8.3 VAR模型的稳定性（stability）特征 现在讨论VAR模型的稳定性特征。稳定性是指当把一个脉动冲击施加在VAR模型中某一个方程的新息（innovation）过程上时，随着时间的推移，这个冲击会逐渐地消失。如果是不消失，则系统是不稳定的。 下面分析一阶VAR模型 Yt = c+ 1 Yt-1 + ut (8.29) 为例。当t = 1时，有 Y1 = c + 1 Y0 + u1 (8.30) 当t = 2时，采用迭代方式计算， Y2 = c + 1 Y1 + u2 = c + 1 (c + 1 Y0 + u1) + u2 = (I + 1) c + 12 Y0 + 1 u1 + u2 (8.31) 当t = 3时，进一步迭代， Y3 = c + 1 Y2 + u3 = c + 1 [(I + 1) c + 12 Y0 + 1 u1 + u2] + u3 = (I +1 +12) c +13 Y0 +12 u1 +1 u2 +u3 (8.32) … … 对于t期，按上述形式推导 Yt =(I+1 +12 +…+1t-1)c +1t Y0+ ut-i (8.33) 由上式可知，10 = I。通过上述变换，把Yt表示成了漂移项向量、初始值向量Y0和新息向量ut的函数。可见系统是否稳定可以通过观察漂移项向量c、初始值向量Y0和新息向量ut经受冲击后的表现。 假定模型是稳定的，将有如下3个结论。 （1）假设t = 1时，对c 施加一个单位的冲击，那么到t期的影响是 (I + 1 + 12 + … + 1t-1) 当t 时，此影响是一个有限值，(I - 1) -1。 （2）假设在初始值Y0上施加一个单位的冲击。到t期的影响是 1t。随着t ，1t 0，影响消失（因为对于平稳的VAR模型，1中的元素小于1，所以随着t ，取t次方后，1t 0）。 （3）从 ut-i项可以看出，白噪声中的冲击离t期越远，影响力就越小。 = (I - 1) -1，称作长期乘子矩阵，是对 ut-i求期望得到的。 对单一方程的分析知道，含有单位根的自回归过程对新息中的脉动冲击有长久的记忆能力。同理，含有单位根的VAR模型也是非平稳过程。当新息中存在脉动冲击时，VAR模型中内生变量的响应不会随时间的推移而消失。 平稳变量构成的一定是稳定（stability）的模型，但稳定的模型不一定由平稳变量构成。也可能由非平稳（nonstationary）变量（存在协整关系）构成。 8.4 VAR模型滞后期k的选择 建立VAR模型除了要满足平稳性条件外，还应该正确确定滞后期k。如果滞后期太少，误差项的自相关会很严重，并导致参数的非一致性估计。正如在第4章介绍ADF检验的原理一样，在VAR模型中适当加大k值（增加滞后变量个数），可以消除误差项中存在的自相关。但从另一方面看，k值又不宜过大。k值过大会导致自由度减小，直接影响模型参数估计量的有效性。下面介绍几种选择k值的方法。 1)用LR统计量选择k值。LR（似然比）统计量定义为， LR = - 2 (log L(k) - log L(k+1) ) (8.34) 其中log L(k) 和log L(k+1) 分别是VAR(k) 和 VAR(k+1) 模型的极大似然估计值。k表示VAR模型中滞后变量的最大滞后期。LR统计量渐近服从 分布。显然当VAR模型滞后期的增加不会给极大似然函数值带来显着性增大时，即LR统计量的值小于临界值时，新增加的滞后变量对VAR模型毫无意义。应该注意，当样本容量与被估参数个数相比不够充分大时，LR的有限样本分布与LR渐近分布存在很大差异。 2) 用赤池（Akaike）信息准则 (AIC) 选择k值。 AIC = log + (8.34) 其中 表示残差，T表示样本容量，k表示最大滞后期。选择k值的原则是在增加k值的过程中使AIC的值达到最小。 EViews 3.0的计算公式是 AIC = -2 + 3)用施瓦茨（Schwartz）准则 (SC) 选择k值。 SC = log + (8.35) 其中 表示残差，T表示样本容量，k表示最大滞后期。选择最佳k值的原则是在增加k值的过程中使SC值达到最小。 EViews 3.0的计算公式是 SC =-2 + 例8.3 以第8章案例为例，k =1、2、3、4时的logL、Akaike AIC和Schwarz SC的值见下表。 VAR(1) VAR(2) VAR(3) VAR(4) logL 184.6 198.9 200.0 207.8 -2 (log L(k) - log L(k+1) ) 28.6 2.2 15.6 2(9) = 16.9 Akaike AIC -7.84 -8.27 -8.09 -8.23 Schwarz SC -7.36 -7.41 -6.85 -6.6 建立滞后2期的VAR模型是可以的。 附录： 考察VAR模型最大滞后期的EViews 4.1操作：在VAR模型估计结果窗口点击View 选 Lag Structrure, Lag Lengyh Criteria 功能，即可得到5个评价统计量的值。 8.5 VAR模型的脉冲响应函数 由于VAR模型参数的OLS估计量只具有一致性，单个参数估计值的经济解释是很困难的。要想对一个VAR模型做出分析，通常是观察系统的脉冲响应函数 （1）脉冲响应函数。 脉冲响应函数描述一个内生变量对误差冲击的反应。具体地说，它描述的是在随机误差项上施加一个标准差大小的冲击后对内生变量的当期值和未来值所带来的影响。 对于如下VAR模型，y1, t表示GDP，y2, t表示货币供应量， y1, t = c1 + 11.1 y1, t-1 + 12.1 y2, t-1 + u1 t y2, t = c2 + 21.1 y1, t-1 + 22.1 y2, t-1 + u2 t (8.36) 在模型（8.36）中，如果误差u1t 和u2t不相关，就很容易解释。u1t是y1, t的误差项；u2t是y2, t的误差项。脉冲响应函数衡量当期u1t 和u2t一个标准差的冲击分别对GDP和货币存量的当前值和未来值的影响。 对于每一个VAR模型都可以表示成为一个无限阶的向量MA(∞)过程。具体方法是对于任何一个VAR(k)模型都可以通过友矩阵变换改写成一个VAR(1)模型（见8.1.2节）。 Yt = A1 Yt -1 + Ut (I - L A 1) Yt = Ut Yt = (I - L A 1)-1 Ut = Ut + A1Ut-1 + A12 Ut-2 + …+ A1s Ut-s + … 这是一个无限阶的向量MA(∞)过程。或写成， Yt+s = Ut+s + A1Ut+s -1 + A12 Ut+s -2 + …+ A1s Ut + … 全部的移动平均参数矩阵用改用j, (j=1,…s)表示， Yt+s =Ut+s+1Ut+s -1 +2Ut+s-2 + …+ s Ut + … (8.37) 其中 1 = A1, 2 = A12, …, s = A1 s, 显然，由 (8.37)式有下式成立， s = s中第i行第j列元素表示的是，令其它误差项在任何时期都不变的条件下，当第j个变量yj t对应的误差项uj t在t期受到一个单位的冲击后，对第i个内生变量yit在t + s期造成的影响。 把 s中第i行第j列元素看作是滞后期s的函数 , s = 1, 2, 3, … 称作脉冲响应函数（impulse-response function），脉冲响应函数描述了其它变量在t期以及以前各期保持不变的前提下，yi,t+s对uj, t时一次冲击的响应过程。 对脉冲响应函数的解释出现困难源于实际中各方程对应的误差项从来都不是完全非相关的。当误差项相关时，它们有一个共同的组成部分，不能被任何特定的变量所识别。为处理这一问题，常引入一个变换矩阵M与ut相乘， vt = M ut (0, ) 从而把ut的方差协方差矩阵变换为一个对角矩阵。现在有多种方法。其中一种变换方法称作乔利斯基（Cholesky）分解法，从而使误差项正交。 原误差项相关的部分归于VAR系统中的第一个变量的随机扰动项。在上面的例子里，u1 t和u2t的共同部分完全归于u1t，因为u1t在u2 t之前。 虽然乔利斯基分解被广泛应用，但是对于共同部分的归属来说，它还是一种很随意的方法。所以方程顺序的改变将会影响到脉冲响应函数。因此在解释脉冲响应函数时应小心。 注意：对于ut中的每一个误差项，内生变量都对应着一个脉冲响应函数。这样，一个含有4个内生变量的VAR将有16个脉冲响应函数。 附录：VAR模型残差序列及其方差、协方差矩阵的求法。 点击VAR窗口中的Procs键，选Make Residuals（生成残差）功能，工作文件中就会生成以resid01, resid02,…为编号的残差序列（残差序列的顺序与VAR模型估计对话框中输入的变量顺序相一致），并打开残差序列数据组窗口。在这个残差序列数据组窗口中点击View键，选择Covariances功能，即可得到残差序列的方差、协方差矩阵。选择Correlation功能，即可得到残差序列的相关系数矩阵。 附录：脉冲响应的EViews操作（file:VAR01） 点击VAR窗口中的Impulse键。在随后弹出的对话框中做出各项选择后点击OK键。 例8.4 美国民用燃油价格、生产量、储量的脉冲响应图。 图1 …of three innovations 图2 图3 图1表示美国民用燃油价格（PHO）分别对燃油价格（PHO）、生产量（QHO）、储量（NHO）3个方程相应新息过程一个标准差冲击的响应。 图2表示美国燃油生产量（QHO）分别对燃油价格（PHO）、生产量（QHO）、储量（NHO）3个方程相应新息过程一个标准差冲击的响应。 图3表示美国燃油储量（NHO）分别对燃油价格（PHO）、生产量（QHO）、储量（NHO）3个方程相应新息过程一个标准差冲击的响应。 8.6格兰杰非因果性检验 VAR模型还可用来检验一个变量与另一个变量是否存在因果关系。经济计量学中格兰杰（Granger）非因果性定义如下： 格兰杰非因果性：如果由yt和xt滞后值所决定的yt的条件分布与仅由yt滞后值所决定的条件分布相同，即 ( yt yt -1, …, xt -1, …) = ( yt yt -1, …), (8.38) 则称xt -1对yt存在格兰杰非因果性。 格兰杰非因果性的另一种表述是其它条件不变，若加上xt的滞后变量后对yt的预测精度不存在显着性改善，则称xt-1对yt存在格兰杰非因果性关系。 为简便，通常总是把xt-1 对yt存在非因果关系表述为xt（去掉下标-1）对yt存在非因果关系（严格讲，这种表述是不正确的）。在实际中，除了使用格兰杰非因果性概念外，也使用“格兰杰因果性”概念。顾名思义，这个概念首先由格兰杰（Granger 1969）提出。西姆斯（Sims 1972）也提出因果性定义。这两个定义是一致的。 根据以上定义，xt 对yt 是否存在因果关系的检验可通过检验VAR 模型以yt 为被解释变量的方程中是否可以把xt 的全部滞后变量剔除掉而完成。比如VAR 模型中以yt 为被解释变量的方程表示如下： yt = + + u1 t (8.39) 如有必要，常数项，趋势项，季节虚拟变量等都可以包括在上式中。则检验xt 对yt存在格兰杰非因果性的零假设是 H0: 1 = 2 = …= k = 0 显然如果（8.39）式中的xt 的滞后变量的回归参数估计值全部不存在显着性，则上述假设不能被拒绝。换句话说，如果xt 的任何一个滞后变量的回归参数的估计值存在显着性，则结论应是xt 对yt 存在格兰杰因果关系。上述检验可用F统计量完成。 F = 其中SSEr 表示施加约束（零假设成立）后的残差平方和。SSEu 表示不施加约束条件下的残差平方和。k表示最大滞后期。N表示VAR模型中所含当期变量个数，本例中N = 2，T表示样本容量。在零假设成立条件下，F统计量近似服从F( k, T - k N ) 分布。用样本计算的F值如果落在临界值以内，接受原假设，即xt 对yt 不存在格兰杰因果关系。 例8.5：（file: stock）以661天（1999.1.4-2001.10.5）的上海（SH）和深圳（SZ）股票收盘价格综合指数为例， 图6 滞后10期的Granger因果性检验结果如下：（当概率小于0.05时，表示推翻原假设） 上表中概率定义为， P(F>1.36) = 0.19316 图示如下： 图7 P(F>23.44) = 0.00000 因为F值（1.36）落在原假设接受域，所以原假设“上海股票价格综合指数对深圳股票价格综合指数不存在Granger因果关系” 被接受。 因为F值（23.44）落在原假设拒绝域，所以原假设“深圳股票价格综合指数对上海股票价格综合指数不存在Granger因果关系”被推翻。 附录：格兰杰因果关系检验 EViews操作方法是，打开数剧组窗口，点View键，选Granger Causility。在打开的对话窗口中填上滞后期（上面的结果取滞后期为10），点击OK键。 用滞后5, 10, 15, 20, 25期的检验式分别检验，结果见下表： k=5 k=10 k=15 k=20 k=25 H0：SH does not Granger Cause SZ 1.08 1.36 1.21 1.29 1.40 接受H0 H0：SZ does not Granger Cause SH 43.9 23.4 15.9 12.6 10.3 拒绝H0 结论都是上海股票价格综合指数不是深圳股票价格综合指数变化的原因，但深圳股票价格综合指数是上海股票价格综合指数变化的原因。 注意： （1）滞后期k的选取是任意的。实质上是一个判断性问题。一般来说要试检验若干个不同滞后期k的格兰杰因果关系检验，且结论相同时，才可以最终下结论。 （2）当做xt是否为导致yt变化的格兰杰原因检验时，如果zt也是yt变化的格兰杰原因，且zt又与xt相关，这时在xt是否为导致yt变化的格兰杰因果关系检验式的右端应加入zt的滞后项（实际上是3个变量VAR模型中的一个方程）。 （3）不存在协整关系的非平稳变量之间不能进行格兰杰因果关系检验。 8.7 VAR模型与协整 如果VAR模型 Yt = 1 Yt-1 + 2 Yt-1 + … + k Yt-k + ut, ut IID (0, ) 的内生变量都含有单位根，那么可以用这些变量的一阶差分序列建立一个平稳的VAR模型。 Yt=1*Yt-1 +2* Yt-2 +…+k* Yt-k + ut* 然而，当这些变量存在协整关系时，采用差分的方法构造VAR模型虽然是平稳的，但不是最好的选择。 如果Yt I(1)，且非平稳变量间存在协整关系。那么由这些非平稳变量组成的线性组合则是平稳的。建立单纯的差分VAR模型将丢失重要的非均衡误差信息。因为变量间的协整关系给出了变量间的长期关系。同时用这种非均衡误差以及变量的差分变量同样可以构造平稳的VAR模型。从而得到一类重要的模型，这就是向量误差修正模型。 对于k阶VAR模型， Yt = 1 Yt-1 + 2 Yt-2 + … + k Yt-k + ut， 其向量误差修正模型（VEC）的表达式是 Yt =(1+2+…+k-I)Yt-1-(2+3+…+k) Yt-1 - (3 +…+k) Yt-2 -…- k Yt - (k-1) +ut (8.45) = - I = 1 + 2 + … + k - I j = - , j = 1, 2, …, k-1， Yt = Yt-1 + 1 Yt-1 + 2 Yt-2 + … + k-1 Yt - (k-1) + ut (8.47) 称为压缩矩阵（impact matrix，影响矩阵）。 是全部参数矩阵的和减一个单位阵。 为多项式矩阵，其中每一个元素都是一个多项式。运算 规则 编码规则下载淘宝规则下载天猫规则下载麻将竞赛规则pdf麻将竞赛规则pdf 于一般矩阵相同。滞后期的延长不影响对协整向量个数的分析。 根据Granger定理，向量误差修正模型（VEC）的表达式是 A†(L) (1- L) Yt = ' Yt-1 + d (L) ut (8.48) 其中A†(L) 是多项式矩阵A(L)分离出因子(1- L)后降低一阶的多项式矩阵，d (L)是由滞后算子表示的多项式矩阵。 上式与 (8.47) 式完全相同。其中 A†(L) (1- L) Yt = A†(L) Yt = Yt - 1 Yt-1 - 2 Yt-2 - … - k-1 Yt - (k-1) d(L) ut = ut 在这里d (L) 退化为单位列向量。 若Yt CI(1, 1)，比较 (8.47) 和 (8.48) 式必然有 = ' 其中是协整矩阵， 是调整系数矩阵。 和 都是Nr阶矩阵。表示有r个协整向量，1, 2 … , r，存在r个协整关系。因为Yt I(1)，所以 Yt I(0)。 从VAR模型变换为模型向量误差修正模型称为协整变换（cointegrating transformation）。压缩矩阵 决定模型VAR模型中是否存在，以及以什么规模存在协整关系。 若YtCI(1, 1)，Yt I(0)，所以除了 Yt-1 ，模型中各项都是平稳的。而对于 Yt-1有如下三种可能。 1）当Yt 的分量不存在协整关系，的特征根为零， = 0。 2）若rank () = N（满秩），保证 Yt-1平稳的唯一一种可能是Yt I(0)。 3）当Yt I(1)，若保证 Yt-1平稳，只有一种可能，即Yt 的分量存在协整关系。 'Yt I(0) rank () =r< N, 可以分解 = ' 和 都是Nr阶矩阵。其中是协整矩阵， 是调整系数矩阵。表示有r个协整向量，1, 2 … , r，存在r个协整关系。 假定Yt I(1) 具有一般性。如果某个变量的单整阶数高于1，可通过差分取其相应单整阶数为1的序列加入模型。上式也可以加入位移项与趋势项。 若 = ' 成立，且存在r个协整关系，则 Yt-1的一般表达式是 Yt-1 = 'Yt-1 = = = 8.8 单位根与 降秩的关系。 下面分析VAR模型中存在单位根与压缩矩阵 降秩的关系。以k = 1的VAR模型为例， Yt = 1 Yt-1 + ut (8.56) 它的VEC表达式是 Yt = Yt-1 + ut。 如果VAR模型中存在单位根， 一定降秩。 8.9 VAR模型中协整向量的估计与检验 8.9.1 VAR模型中协整向量的估计(略) 8.9.2 VAR模型中协整向量的检验 检验存在r个协整向量(存在r个协整关系)，即（N – r）个非协整向量，或者（N – r）个单位根，可以表达为特征方程| - I | = 0相应（N – r）个特征值，r+1, …, N，为零。 几个等价检验: 1)存在r个协整关系≌特征方程| - I | = 0 存在r个非零特征值(根) 2) 存在r个协整关系≌VAR模型中存在（N – r）个单位根 3) 存在r个协整关系≌特征方程| - I | = 0相应（N – r）个特征值r+1, …, N，为零。 协整检验是一个连续检验过程。 Yt = Yt-1 + 1 Yt-1 + … + k-1 Yt - (k-1) + Dt + ut (1) 首先从检验r = 0开始。意即在VAR模型中不存在协整向量（含有N个单位根）。如果r = 0不能被拒绝，说明N个变量间不存在协整关系。检验到此终止。不能建立VEC模型。如果r = 0被拒绝，则应继续进行下面的检验。 (2) r 1。意即在VAR模型中存在1个协整向量（含有N-1个单位根）。如果r 1不能被拒绝，检验到此终止。如果r 1被拒绝，则应进一步作如下检验。 …… (3) r N –1。意即在VAR模型中存在N –1个协整向量（含有1个单位根）。如果r N –1不能被拒绝，检验到此终止。如果r N –1被拒绝，说明r =N。 在检验过程中，比如r r*-1已经被拒绝，但r r*不能被拒绝，则结论是VAR模型 (8.61) 中存在r*个协整向量。 （4）协整检验过程中的每一步检验都属于右单端检验。 8.3.3 VEC模型中确定项的处理 1．常数项的处理 VEC模型中常数项的位置可分3种情形讨论。位置不同，相应的协整检验用表也不同。 （1）常数项完全属于协整空间。 （2）常数项 的一部分进入协整空间，一部分属于数据空间（VAR的常数项）。 （3）常数项只进入数据空间（VAR的常数项），不进入协整空间。 2．趋势项的处理 对时间趋势项t进入协整空间，表示变量协整关系中也存在线性趋势。进入数据空间（VAR的常数项）。表示原变量中存在二次方的时间趋势项，或差分变量中存在一次方的时间趋势项， 8.9.4 协整检验用表 根据 和 t所在位置不同，检验协整关系的LR统计量的分布也不同。检验时应选择相应的临界值表。附表1给出了5种模型条件下所对应的临界值。 附表1 VAR模型协整检验临界值表（迹统计量） 单位根个数 模型类型 N - r 0.10 0.05 0.01 1 2.86 3.84 6.51 模型（1） 2 10.47 12.53 16.31 = 0, = 0 3 21.63 24.31 29.75 协整空间中无常数项、无趋势项。 4 36.58 39.89 45.58 数据空间中无均值、无趋势项。 5 55.44 59.46 66.52 6 78.36 82.49 90.45 7 104.77 109.99 119.80 8 135.24 141.20 152.32 9 169.45 175.77 187.31 10 206.05 212.67 226.40 11 248.45 255.27 269.81 1 7.52 9.24 12.97 模型（2） 2 17.85 19.96 24.60 1 0, 2 = 0, = 0 3 32.00 34.91 41.07 协整空间中有常数项、无趋势项。 4 49.65 53.12 60.16 数据空间中无均值、无趋势项。 5 71.86 76.07 84.45 6 97.18 102.14 111.01 7 126.58 131.70 143.09 8 159.48 165.58 177.20 9 196.37 202.92 215.74 10 236.54 244.15 257.68 11 282.45 291.40 307.64 1 2.69 3.76 6.65 模型（3） 2 13.33 15.41 20.04 1 0, 2 0, = 0 3 26.79 29.68 35.65 协整空间中有常数项、无趋势项。 4 43.95 47.21 54.46 数据空间中有线性趋势、无二次趋势项。 5 64.84 68.52 76.07 6 89.48 94.15 103.18 7 118.50 124.24 133.57 8 150.53 156.00 168.36 9 186.39 192.89 204.95 10 225.85 233.13 247.18 11 269.96 277.71 293.44 1 10.49 12.25 16.26 模型（4） 2 22.76 25.32 30.45 1 0, 2 0, 1 0, 2 = 0 3 39.06 42.44 48.45 协整空间中有常数项、有线性趋势项。 4 59.14 62.99 70.05 数据空间中有线性趋势、无二次趋势项。 5 83.20 87.31 96.58 6 110.42 114.90 124.75 7 141.01 146.76 158.49 8 176.67 182.82 196.08 9 215.17 222.21 234.41 10 256.72 263.42 279.07 11 303.13 310.81 327.45 1 2.57 3.74 6.40 模型（5） 2 16.06 18.17 23.46 1 0, 2 0, 1 0, 2 0 3 31.42 34.55 40.49 协整空间中有常数项、有线性趋势项。 4 50.74 54.64 61.24 数据空间中有二次趋势项。 5 73.40 77.74 85.78 6 100.14 104.94 114.36 7 130.84 136.61 146.99 8 164.34 170.80 182.51 9 201.95 208.97 222.46 10 244.12 250.84 263.94 11 288.08 295.99 312.58 注：1．模型(1)-(5)分别摘自Osterwald-Lenum (1992) 表0，表1*，表1，表2*，表2。 2． 表示检验水平，N表示VAR模型中变量个数，r表示协整向量个数。 案例分析1：关于中国GDP、宏观消费与基本建设投资的VEC模型分析。(293-302) 用EViews估计VAR、VEC模型。 1．建立VAR模型 对任何一组有关系的经济变量都可以直接建立VAR模型。最大滞后期k的选择可以依据LR检验、赤池准则、Schwartz准则。 建立VAR模型的EViews步骤是（1）点击Quick键，选Estimate VAR功能，得如下对话框： EViews 4.1 View 的子菜单 图8 图9 问题：（1）非平稳经济变量之间可以建立VAR模型吗？若不存在协整关系不可以；若存在协整关系，在滞后项充分多的前提下可以建立VAR模型。这相当于每个方程都是AEG协整回归式。 2．检验变量间是否存在协整关系。 从工作文件中选中变量，打开数据组窗口，点击View键，选Cointegration Test功能，得如下对话框：其中有5种选择。①协整空间无常数项、无时间趋势项；②协整空间有常数项、无时间趋势项，数据空间无常数项；③协整空间有常数项、无时间趋势项；④协整空间有常数项、有时间趋势项，数据空间无时间趋势项；⑤协整空间有常数项、有时间趋势项，数据空间有时间趋势项。⑥上述5种情形总览。根据变量的实际情况作出选择。 表8.2 由第2种选择（k =3）得到的输出结果 说明3个变量之间存在一个协整关系。 3．建立VEC模型。 EViews命令是点击Quick键，选Estimate VAR功能，得如下对话框：在VAR设定（VAR Specification）对话框中点击VEC估计（Vector Error Correction），如下图， 点击OK，得如下对话框：其中协整式（Cointegration equation）中的选择应该与前述协整检验中的选择保持一致。点击OK， 问题： （1）若对协整式（Cointegration equation）中的选择前后不一致可以否？要慎重。 （2）写VEC表达式。 （3）解释经济意义。 注意： （1）协整检验的临界值是对极限分布而言。当样本容量比较小时，检验效果相当不可靠。在小样本条件下，Reinsel and Ahn (1992) 和Reimers (1992)建议把统计量从 LR = - T [ (1- i ) ], r = 0, 1, …, N - 1. (8.93) 修改为 LR = - (T- kN) [ (1- i ) ], r = 0, 1, …, N - 1 (8.93) 从而改变小样本条件下过分频繁地拒绝原假设现象。 （2）通常是先确定VAR的最大滞后期k和是否包含漂移项、趋势项，然后估计协整向量个数r。但是在实际中，r的选值对k和是否包含漂移项、趋势项的选择十分敏感。 为了使VEC模型具有实际可操作性，必须对模型的滞后期k，协整矩阵中包含几个协整向量r，协整向量中是否包括趋势项、漂移项l，即VECM模型的结构参数做出联合选择。 设向量误差修正模型用VECM(k, l, r)表示，其中k表示最大滞后阶数；l表示是否包括漂移项，趋势项。设定漂移项，趋势项都包括时，l为1；只包括漂移项时，l为0；漂移项，趋势项都不包括时，l为 -1。）；r表示协整向量个数。可以使用Schwartz准则BIC（统计量取极小值）确定k, l, r。 分别以滞后期k和协整向量个数r对BIC值画图，那么对应l = 1, 0, -1，每张图中都可以得到3个曲线。哪一种组合的BIC值最小，该种组合最好。如图的最佳选择是VECM(2, 1, 2)。详见《金融时间序列的经济计量模型》（Econometric Modeling of Financial Time Series），经济科学出版社，2002，第304-307页。 上图说明向量误差修正模型选用VECM(2, 1, 2)模式最好。 案例分析2：中国进出口贸易总额的协整性分析（1951-1991，file:b7c1）。 用中国进出口贸易总额序列检验出协整关系。用滞后2期的VAR模型最终建立起误差修正模型。 (EViews 4.1) (EViews 4.1) (EViews 3.1) 案例分析3：英国购买力平价和利率平价的协整性分析，Johansen-Juselius (1992) Johansen-Juselius (1992) 发表在计量经济学杂志（Journal of Econometrics）第53卷，211-244页。 1．购买力平价和利率平价 同种商品在不同国家应该保持相同价格。否则就会存在套利问题。但是当汇率可以自由浮动时，套利问题就会消除。用Pt表示国内商品价格，Pt*表示国外同类商品价格，Et表示购买力平价，则有 Et = Pt / Pt* 即一个单位的外国货币相当于多少本国货币。对数形式是 LnEt = Ln Pt - LnPt* 3个变量的长期均衡关系是 Ln Pt - LnPt* - LnEt = u1t 其中ut表示非均衡误差，是一个均值为零，平稳的随机过程。在均衡点处有ut = 0。 下面考虑与商品有关的资本市场条件。生产商品必然与金融资产相联系。而金融资产可以用金融债券度量。国内外对这些债券的利息率是不一样的。分别用Rt，Rt*表示。资本市场的套利行为对汇率形成压力。制定汇率必须使国内外利率差与t+1期、t期之间汇率差相等，即保证 Rt - Rt* = E(t) (Et+1) - Et = u2t 其中Et 表示名义汇率（货币的购买力平价）。E(t) (Et+1)表示t期对t+1期汇率的期望。u2t是非均衡误差，是一个平稳的随机过程。保持Rt，Rt*相等称为利率平价。 2．协整关系的预分析 如果用 Yt = (LnPt, LnPt*, LnEt, Rt, Rt*)' 表示变量列向量，希望能存在两个协整关系。 1 = (1 -1 -1 0 0)' 2 = (0 0 0 1 -1)' 1表示购买力平价协整向量，2表示购利息率平价协整向量。 3．估计协整向量个数r。 用Pt表示英国商品综合批发价格指数。Pt*表示进口商品综合批发价格指数。Et表示英国实际汇率。Rt表示三个月的金融债券利率。Rt*表示三个月的欧元利率。样本数据范围是1972:1-1987:2。 通过对数据走势的分析，认为批发价格指数序列中存在线性趋势。所以在VAR模型中应该有一个非约束常数项（既进入协整空间，也进入数据空间）。 2阶VAR模型估计结果显示残差序列的峰度值很高（高峰厚尾特征），为非正态分布。残差序列的方差很大主要是由于世界石油价格的变化造成的。用石油价格调整批发价格指数，再次估计2阶VAR模型。VAR模型残差序列的诊断检验结果见表1。 表1 VAR模型残差的诊断检验 方程 内生变量 标准差 偏度 峰度-3 JB统计量 序列相关检验，LM(20) 1 LnPt 0.007 0.29 1.27 4.84 (<5.99) 6.09 (<31.41) 2 LnPt* 0.007 0.28 2.16 12.44 (>5.99) 9.59 (<31.41) 3 LnEt 0.030 0.30 0.17 0.95 (<5.99) 13.54 (<31.41) 4 Rt 0.011 0.58 0.25 3.55 (<5.99) 9.11 (<31.41) 5 Rt* 0.013 -0.51 3.76 37.95 (>5.99) 16.41 (<31.41) 注： 20.05 (2) = 5.99, 20.05 (20) = 31.41 序列相关检验结果显示5个方程的随机误差序列都不存在自相关。但Rt和Rt*仍表现为非正态性。这是由于它们的弱外生性造成的。 在上述2阶VAR模型基础上进行协整检验（见表2）。结果显示协整向量个数r = 2。 表2 协整向量个数r的检验 H0 H1 特征根 迹统计量 协整检验临界值，=0.05 r =0 r 1 0.407 80.75 > 68.52 r 1 r 2 0.285 49.42 > 47.21 r 2 r 3 0.254 29.26 29.68 r 3 r 4 0.102 11.67 < 15.14 r 4 r5 0.083 5.19 > 3.76 4．协整向量估计结果的分析与解释 非约束的5个协整向量和5个调整向量见表3。i和i的顺序（从左至右）与特征根的大小顺序相对应。根据上面的协整向量个数检验结果（r = 2），说明1和2是协整向量，1和2是调整向量。 表3 协整参数与调整参数的估计 内生变量 协整参数向量的估计 1 2 3 4 5 LnPt 1.00 0.03 0.36 1.00 1.00 LnPt* -0.91 0.03 -0.46 -2.40 -1.45 LnEt -0.93 -0.10 0.41 1.12 -0.48 Rt -3.38 1.00 1.00 -0.41 2.28 Rt* -1.89 -0.93 -1.03 2.98 0.76 方程 调整参数向量的估计 1 2 3 4 5 LnPt -0.07 0.04 -0.01 0.00 -0.01 LnPt* -0.02 0.00 -0.04 0.01 0.01 LnEt 0.10 -0.01 -0.15 -0.04 -0.05 Rt 0.03 -0.15 0.03 0.01 -0.02 Rt* 0.06 0.29 0.01 0.03 -0.01 对于购买力平价的协整向量希望LnPt*与LnEt系数的符号相同，且都与LnPt的符号相反。观察1和2，显然1是购买力平价的协整向量。对于利率平价，希望Rt与Rt*系数的符号相反，显然2是利率平价的协整向量。1和2是标准化后的协整向量。对于1，取变量LnPt相应的系数为1；对于2，取变量Rt的相应系数为1。 Yt-1 = 'Yt-1 = = =