计量经济学时间序列.ppt

《计量经济学时间序列.ppt》由会员分享，可在线阅读，更多相关《计量经济学时间序列.ppt（83页珍藏版）》请在三一办公上搜索。

1、第十一章时间序列计量经济学模型的理论与方法,第一节 时间序列的平稳性及其检验第二节 随机时间序列模型的识别和估计第三节 协整分析与误差修正模型,11.1 时间序列的平稳性及其检验,一、问题的引出：非平稳变量与经典回归模型二、时间序列数据的平稳性三、平稳性的图示判断四、平稳性的单位根检验五、单整、趋势平稳与差分平稳随机过程,一、问题的引出：非平稳变量与经典回归模型,常见的数据类型,到目前为止，经典计量经济模型常用到的数据有：时间序列数据（time-series data)；截面数据(cross-sectional data)平行/面板数据（panel data/time-series cross

2、-section data)时间序列数据是最常见，也是最常用到的数据。,经典回归模型与数据的平稳性,经典回归分析暗含着一个重要假设：数据是平稳的。数据非平稳，大样本下的统计推断基础“一致性”要求被破怀。经典回归分析的假设之一：解释变量X是非随机变量放宽该假设：X是随机变量，则需进一步要求：(1)X与随机扰动项 不相关Cov(X,)=0,依概率收敛：,(2),第（2）条是为了满足统计推断中大样本下的“一致性”特性：,第（1）条是OLS估计的需要,如果X是非平稳数据（如表现出向上的趋势），则（2）不成立，回归估计量不满足“一致性”，基于大样本的统计推断也就遇到麻烦。,因此：,注意：在双变量模型中：

3、,表现在:两个本来没有任何因果关系的变量，却有很高的相关性（有较高的R2)：例如：如果有两列时间序列数据表现出一致的变化趋势（非平稳的），即使它们没有任何有意义的关系，但进行回归也可表现出较高的可决系数。在现实经济生活中：情况往往是实际的时间序列数据是非平稳的，而且主要的经济变量如消费、收入、价格往往表现为一致的上升或下降。这样，仍然通过经典的因果关系模型进行分析，一般不会得到有意义的结果。,数据非平稳与“虚假回归”问题,二、时间序列数据的平稳性,时间序列分析中首先遇到的问题是关于时间序列数据的平稳性问题。,假定某个时间序列是由某一随机过程（stochastic process）生成的，即假定

4、时间序列Xt（t=1,2,）的每一个数值都是从一个概率分布中随机得到，如果满足下列条件：1）均值E(Xt)=是与时间t 无关的常数；2）方差Var(Xt)=2是与时间t 无关的常数；3）协方差Cov(Xt,Xt+k)=k 是只与时期间隔k有关，与时间t 无关的常数；则称该随机时间序列是平稳的（stationary)，而该随机过程是一平稳随机过程（stationary stochastic process）。(平稳数列就是一列水平的数据,有趋势就不是平稳的),例一个最简单的随机时间序列是一具有零均值同方差的独立分布序列：Xt=t，tN(0,2),该序列常被称为是一个白噪声（white noise

5、）。由于Xt具有相同的均值与方差，且协方差为零,由定义,一个白噪声序列是平稳的。,三、平稳性检验的图示判断,给出一个随机时间序列，首先可通过该序列的时间路径图来粗略地判断它是否是平稳的。一个平稳的时间序列在图形上往往表现出一种围绕其均值不断波动的过程；而非平稳序列则往往表现出在不同的时间段具有不同的均值（如持续上升或持续下降）。,四、平稳性的单位根检验,对时间序列的平稳性除了通过图形直观判断外，运用统计量进行统计检验则是更为准确与重要的。单位根检验（unit root test）是统计检验中普遍应用的一种检验方法。1、DF检验我们已知道，随机游走序列 Xt=Xt-1+t是非平稳的，其中t是白噪

6、声。而该序列可看成是随机模型 Xt=Xt-1+t中参数=1时的情形。,也就是说，我们对式 Xt=Xt-1+t（*）做回归，如果确实发现=1，就说随机变量Xt有一个单位根。,（*）式可变形式成差分形式：Xt=(-1)Xt-1+t=Xt-1+t(*),检验（*）式是否存在单位根=1，也可通过（*）式判断是否有=0(若等于零就存在单位根,如果小于零则不存在单位根,即数列是平稳的.)。,一般地:,检验一个时间序列Xt的平稳性，可通过检验带有截距项的一阶自回归模型 Xt=+Xt-1+t（*）中的参数是否小于1。,或者：检验其等价变形式 Xt=+Xt-1+t（*）中的参数是否小于0。,在第二节中将证明，（

7、*）式中的参数1或=1时，时间序列是非平稳的;对应于（*）式，则是0或=0。,因此，针对式 Xt=+Xt-1+t 我们关心的检验为：零假设 H0：=0。备择假设 H1：0,上述检验可通过OLS法下的t检验完成。然而，在零假设（序列非平稳）下，即使在大样本下t统计量也是有偏误的（向下偏倚），通常的t 检验无法使用。Dicky和Fuller于1976年提出了这一情形下t统计量服从的分布（这时的t统计量称为统计量），即DF分布（见表）。由于t统计量的向下偏倚性，它呈现围绕小于零值的偏态分布。,因此，可通过OLS法估计 Xt=+Xt-1+t 并计算t统计量的值，与DF分布表中给定显著性水平下的临界值比

8、较：=P-1才是正确的.如果：t临界值，则拒绝零假设H0：=0，认为时间序列不存在单位根，是平稳的。,注意：在不同的教科书上有不同的描述，但是结果是相同的。例如：“如果计算得到的t统计量的绝对值大于临界值的绝对值，则拒绝=0”的假设，原序列不存在单位根，为平稳序列。,进一步的问题：在上述使用 Xt=+Xt-1+t对时间序列进行平稳性检验中，实际上假定了时间序列是由具有白噪声随机误差项的一阶自回归过程AR(1)生成的。但在实际检验中，时间序列可能由更高阶的自回归过程生成的，或者随机误差项并非是白噪声，这样用OLS法进行估计均会表现出随机误差项出现自相关（autocorrelation），导致DF

9、检验无效。另外，如果时间序列包含有明显的随时间变化的某种趋势（如上升或下降），则也容易导致上述检验中的自相关随机误差项问题。为了保证DF检验中随机误差项的白噪声特性，Dicky和Fuller对DF检验进行了扩充，形成了ADF（Augment Dickey-Fuller）检验。,2、ADF检验,ADF检验是通过下面三个模型完成的：,模型3 中的t是时间变量，代表了时间序列随时间变化的某种趋势（如果有的话）。检验的假设都是：针对H1:0,检验 H0：=0，即存在一单位根。模型1与另两模型的差别在于是否包含有常数项和趋势项。,实际检验时从模型3开始，然后模型2、模型1。,何时检验拒绝零假设，即原序列

10、不存在单位根，为平稳序列，何时检验停止(只要证明0则无需再证明)。否则，就要继续检验，直到检验完模型1为止。检验原理与DF检验相同，只是对模型1、2、3进行检验时，有各自相应的临界值。表给出了三个模型所使用的ADF分布临界值表。,五、单整、趋势平稳与差分平稳随机过程,随机游走序列 Xt=Xt-1+t经差分后等价地变形为 Xt=t 由于t是一个白噪声，因此差分后的序列Xt是平稳的。,单整,一般地，如果一个时间序列经过d次差分后变成平稳序列，则称原序列是d 阶单整（integrated of d）序列，记为I(d)。显然，I(0)代表一平稳时间序列。所谓单整指单独一个数列可以通过差分变成稳定数列的

11、数列.现实经济生活中:1)只有少数经济指标的时间序列表现为平稳的，如利率等;2)大多数指标的时间序列是非平稳的，如一些价格指数常常是2阶单整的，以不变价格表示的消费额、收入等常表现为1阶单整。大多数非平稳的时间序列一般可通过一次或多次差分的形式变为平稳的。但也有一些时间序列，无论经过多少次差分，都不能变为平稳的。这种序列被称为非单整的（non-integrated）。,如果一个时间序列经过一次差分变成平稳的，就称原序列是一阶单整（integrated of 1）序列，记为I(1)。,平稳,差分平稳：大多数序列可以差分实现平稳；如果非平稳是时间趋势导致的，则可以通过消除趋势来取得平稳。,11.2

12、 随机时间序列分析模型,一、时间序列模型的基本概念及其适用性二、随机时间序列模型的平稳性条件三、随机时间序列模型的识别四、随机时间序列模型的估计五、随机时间序列模型的检验,一、时间序列模型的基本概念及其适用性,1、时间序列模型的基本概念,随机时间序列模型（time series modeling）是指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为 Xt=F(Xt-1,Xt-2,t)建立具体的时间序列模型，需解决如下三个问题：(1)模型的具体形式(2)时序变量的滞后期(3)随机扰动项的结构 例如，取线性方程、一期滞后以及白噪声随机扰动项（t=t），模型将是一个1阶自回归过程AR(1)：

13、Xt=Xt-1+t这里，t特指一白噪声。,一般的p阶自回归过程AR(p)是 Xt=1Xt-1+2Xt-2+pXt-p+t(*),(1)如果随机扰动项是一个白噪声(t=t)，则称(*)式为一纯AR(p)过程（pure AR(p)process），记为 Xt=1Xt-1+2Xt-2+pXt-p+t(2)如果t不是一个白噪声，通常认为它是一个q阶的移动平均（moving average）过程MA(q)：t=t-1t-1-2t-2-qt-q 该式给出了一个纯MA(q)过程（pure MA(p)process）。,将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动平均（autoregressiv

14、e moving average）过程ARMA（p,q）：,Xt=1Xt-1+2Xt-2+pXt-p+t-1t-1-2t-2-qt-q,该式表明：（1）一个随机时间序列可以通过一个自回归移动平均过程生成，即该序列可以由其自身的过去或滞后值以及随机扰动项来解释。（2）如果该序列是平稳的，即它的行为并不会随着时间的推移而变化，那么我们就可以通过该序列过去的行为来预测未来。这也正是随机时间序列分析模型的优势所在。,经典回归模型的问题：迄今为止，对一个时间序列Xt的变动进行解释或预测，是通过某个单方程回归模型或联立方程回归模型进行的，由于它们以因果关系为基础，且具有一定的模型结构，因此也常称为结构式模

15、型（structural model）。然而，如果Xt波动的主要原因可能是我们无法解释的因素，如气候、消费者偏好的变化等，则利用结构式模型来解释Xt的变动就比较困难或不可能，因为要取得相应的量化数据，并建立令人满意的回归模型是很困难的。有时，即使能估计出一个较为满意的因果关系回归方程，但由于对某些解释变量未来值的预测本身就非常困难，甚至比预测被解释变量的未来值更困难，这时因果关系的回归模型及其预测技术就不适用了。,2、时间序列分析模型的适用性,例如，时间序列过去是否有明显的增长趋势，如果增长趋势在过去的行为中占主导地位，能否认为它也会在未来的行为里占主导地位呢？或者时间序列显示出循环周期性行为

16、，我们能否利用过去的这种行为来外推它的未来走向？随机时间序列分析模型，就是要通过序列过去的变化特征来预测未来的变化趋势。使用时间序列分析模型的另一个原因在于：如果经济理论正确地阐释了现实经济结构，则这一结构可以写成类似于ARMA(p,q)式的时间序列分析模型的形式。,在这些情况下，我们采用另一条预测途径：通过时间序列的历史数据，得出关于其过去行为的有关结论，进而对时间序列未来行为进行推断。,二、随机时间序列模型的平稳性条件,由于ARMA(p,q)模型是AR(p)模型与MA(q)模型的组合：Xt=1Xt-1+2Xt-2+pXt-p+t-1t-1-2t-2-qt-q,ARMA(p,q)模型的平稳性

17、,而MA(q)模型总是平稳的，因此ARMA(p,q)模型的平稳性取决于AR(p)部分的平稳性。当AR(p)部分平稳时，则该ARMA(p,q)模型是平稳的，否则，不是平稳的。,（1）一个平稳的时间序列总可以找到生成它的平稳的随机过程或模型；（2）一个非平稳的随机时间序列通常可以通过差分的方法将它变换为平稳的，对差分后平稳的时间序列也可找出对应的平稳随机过程或模型。因此，如果我们将一个非平稳时间序列通过d次差分，将它变为平稳的，然后用一个平稳的ARMA(p,q)模型作为它的生成模型，则我们就说该原始时间序列是一个自回归单整移动平均（autoregressive integrated moving

18、average）时间序列，记为ARIMA(p,d,q)。例如，一个ARIMA(2,1,2)时间序列在它成为平稳序列之前先得差分一次，然后用一个ARMA(2,2)模型作为它的生成模型的。当然，一个ARIMA(p,0,0)过程表示了一个纯AR(p)平稳过程；一个ARIMA(0,0,q)表示一个纯MA(q)平稳过程。,平稳性判断,如果一个序列进行相关性分析时，其相关很快趁向于零，那么该序列就是平稳的；如果其自相关系数明显拖尾，则是非平稳的。ARMA模型在建立前必须进行平衡性分析，如果是非平稳的，一定要通过差分让让其平稳。如果存在季节相关性也要通过季节差分消除相关性。如：Series sdg=df-d

19、f(-12)(这表示消除滞后12期季节波动）,三、随机时间序列模型的识别,所谓随机时间序列模型的识别，就是对于一个平稳的随机时间序列，找出生成它的合适的随机过程或模型，即判断该时间序列是遵循一纯AR过程、还是遵循一纯MA过程或ARMA过程。所使用的工具主要是时间序列的自相关函数（autocorrelation function，ACF）及偏自相关函数（partial autocorrelation function，PACF）。,四、随机时间序列模型的估计,AR(p)、MA(q)、ARMA(p,q)模型的估计方法较多，大体上分为3类：（1）最小二乘估计；（2）矩估计；（3）利用自相关函数的直接

20、估计。,结构阶数,模型识别,确定,估计,参数,OLS估计,假如模型识别结果为：ARMA（2，1）则估计命令：Ls lg ar(1)ar(2)ma(1),五、模型的检验,由于ARMA(p,q)模型的识别与估计是在假设随机扰动项是一白噪声的基础上进行的，因此，如果估计的模型确认正确的话，残差应代表一白噪声序列。如果通过所估计的模型计算的样本残差不代表一白噪声，则说明模型的识别与估计有误，需重新识别与估计。在实际检验时，主要检验残差序列是否存在自相关。,1、残差项的白噪声检验,可用QLB的统计量进行2检验：在给定显著性水平下，可计算不同滞后期的QLB值，通过与2分布表中的相应临界值比较，来检验是否拒

21、绝残差序列为白噪声的假设。若大于相应临界值，则应拒绝所估计的模型，需重新识别与估计。,2、AIC与SBC模型选择标准 另外一个遇到的问题是，在实际识别ARMA(p,q)模型时，需多次反复偿试，有可能存在不止一组（p,q）值都能通过识别检验。显然，增加p与q的阶数，可增加拟合优度，但却同时降低了自由度。因此，对可能的适当的模型，存在着模型的“简洁性”与模型的拟合优度的权衡选择问题。,其中，n为待估参数个数（p+q+可能存在的常数项），T为可使用的观测值，RSS为残差平方和（Residual sum of squares）。在选择可能的模型时，AIC与SBC越小越好 显然，如果添加的滞后项没有解释

22、能力，则对RSS值的减小没有多大帮助，却增加待估参数的个数，因此使得AIC或SBC的值增加。需注意的是：在不同模型间进行比较时，必须选取相同的时间段。,常用的模型选择的判别标准有：赤池信息法（Akaike information criterion，简记为AIC）与施瓦兹贝叶斯法（Schwartz Bayesian criterion，简记为SBC）：,例,比较：,误差项分析,11.3 协整与误差修正模型,一、长期均衡关系与协整二、协整检验三、误差修正模型四、GRANGER因果关系检验,一、长期均衡关系与协整,0、问题的提出,经典回归模型（classical regression model）

23、是建立在稳定数据变量基础上的，对于非稳定变量，不能使用经典回归模型，否则会出现虚假回归等诸多问题。由于许多经济变量是非稳定的，这就给经典的回归分析方法带来了很大限制。但是，如果变量之间有着长期的稳定关系，即它们之间是协整的（cointegration)，则是可以使用经典回归模型方法建立回归模型的。例如，中国居民人均消费水平与人均GDP变量的例子中：因果关系回归模型要比ARMA模型有更好的预测功能，其原因在于，从经济理论上说，人均GDP决定着居民人均消费水平，而且它们之间有着长期的稳定关系，即它们之间是协整的（cointegration）。,经济理论指出，某些经济变量间确实存在着长期均衡关系，这

24、种均衡关系意味着经济系统不存在破坏均衡的内在机制，如果变量在某时期受到干扰后偏离其长期均衡点，则均衡机制将会在下一期进行调整以使其重新回到均衡状态。假设X与Y间的长期“均衡关系”由式描述,1、长期均衡,式中:t是随机扰动项。该均衡关系意味着:给定X的一个值，Y相应的均衡值也随之确定为0+1X。,如果序列X1t,X2t,Xkt都是d阶单整，存在向量=(1,2,k)，使得 Zt=XT I(d-b)其中，b0，X=(X1t,X2t,Xkt)T，则认为序列X1t,X2t,Xkt是(d,b)阶协整，记为XtCI(d,b)，为协整向量（cointegrated vector）。D,整合前阶数;B,整合后阶

25、数.B=D.,协整,如果两个变量都是单整变量，只有当它们的单整阶数相同时，才可能协整；如果它们的单整阶数不相同，就不可能协整。单整?实际上就是一列可以稳定化的序列。“整”的翻译完全字面化了，其真实之间是“稳定”。,（d,d）阶协整是一类非常重要的协整关系，它的经济意义在于：两个变量，虽然它们具有各自的长期波动规律，但是如果它们是（d,d）阶协整的，则它们之间存在着一个长期稳定的比例关系。例如：中国CPC和GDPPC，它们各自都是2阶单整，并且将会看到，它们是(2,2)阶协整，说明它们之间存在着一个长期稳定的比例关系，从计量经济学模型的意义上讲，建立如下居民人均消费函数模型,从协整的定义可以看出

26、:,变量选择是合理的，随机误差项一定是“白噪声”（即均值为0，方差不变的稳定随机序列），模型参数有合理的经济解释。这也解释了尽管这两时间序列是非稳定的，但却可以用经典的回归分析方法建立回归模型的原因。,从这里，我们已经初步认识到：检验变量之间的协整关系，在建立计量经济学模型中是非常重要的。而且，从变量之间是否具有协整关系出发选择模型的变量，其数据基础是牢固的，其统计性质是优良的。,二、协整检验,1、两变量的Engle-Granger检验,为了检验两变量Yt,Xt是否为协整，Engle和Granger于1987年提出两步检验法，也称为EG检验。第一步，用OLS方法估计方程 Yt=0+1Xt+t并

27、计算非均衡误差，得到：,称为协整回归(cointegrating)或静态回归(static regression)。,的单整性的检验方法仍然是DF检验或者ADF检验。,由于协整回归中已含有截距项，则检验模型中无需再用截距项。如使用模型1,进行检验时，拒绝零假设H0：=0，意味着误差项et是平稳序列，从而说明X与Y间是协整的。,需要注意是，这里的DF或ADF检验是针对协整回归计算出的误差项,而非真正的非均衡误差t进行的。,而OLS法采用了残差最小平方和原理，因此估计量是向下偏倚的，这样将导致拒绝零假设的机会比实际情形大。于是对et平稳性检验的DF与ADF临界值应该比正常的DF与ADF临界值还要小

28、。,例11.3.1 检验中国居民人均消费水平CPC与人均国内生产总值GDPPC的协整关系。,在前文已知CPC与GDPPC都是I(2)序列，而2.10中已给出了它们的回归式,R2=0.9981,通过对该式计算的残差序列作ADF检验，得适当检验模型,（-4.47）(3.93)(3.05)LM(1)=0.00 LM(2)=0.00,t=-4.47-3.75=ADF0.05，拒绝存在单位根的假设，残差项是稳定的，因此中国居民人均消费水平与人均GDP是(2,2)阶协整的，说明了该两变量间存在长期稳定的“均衡”关系。,三、误差修正模型,前文已经提到，对于非稳定时间序列，可通过差分的方法将其化为稳定序列，然

29、后才可建立经典的回归分析模型。如：建立人均消费水平（Y）与人均可支配收入（X）之间的回归模型：,1、误差修正模型,式中，vt=t-t-1,差分,X,Y成为平稳序列,建立差分回归模型,如果Y与X具有共同的向上或向下的变化趋势,(1)如果X与Y间存在着长期稳定的均衡关系 Yt=0+1Xt+t且误差项t不存在序列相关，则差分式 Yt=1Xt+t中的t是一个一阶移动平均时间序列，因而是序列相关的；,然而，这种做法会引起两个问题：,(2)如果采用差分形式进行估计，则关于变量水平值的重要信息将被忽略，这时模型只表达了X与Y间的短期关系，而没有揭示它们间的长期关系。因为，从长期均衡的观点看，Y在第t期的变化

30、不仅取决于X本身的变化，还取决于X与Y在t-1期末的状态，尤其是X与Y在t-1期的不平衡程度。另外，使用差分变量也往往会得出不能令人满意回归方程。,误差修正模型（Error Correction Model，简记为ECM）是一种具有特定形式的计量经济学模型，它的主要形式是由Davidson、Hendry、Srba和Yeo于1978年提出的，称为DHSY模型。,为了便于理解，我们通过一个具体的模型来介绍它的结构。假设两变量X与Y的长期均衡关系为:Yt=0+1Xt+t 由于现实经济中X与Y很少处在均衡点上，因此实际观测到的只是X与Y间的短期的或非均衡的关系，假设具有如下(1,1)阶分布滞后形式,该

31、模型显示出第t期的Y值，不仅与X的变化有关，而且与t-1期X与Y的状态值有关。,由于变量可能是非平稳的，因此不能直接运用OLS法。对上述分布滞后模型适当变形得,或,式中，,（*）,如果将（*）中的参数，与Yt=0+1Xt+t中的相应参数视为相等，则（*）式中括号内的项就是t-1期的非均衡误差项。（*）式表明：Y的变化决定于X的变化以及前一时期的非均衡程度。同时，（*）式也弥补了简单差分模型Yt=1Xt+t的不足，因为该式含有用X、Y水平值表示的前期非均衡程度。因此，Y的值已对前期的非均衡程度作出了修正。,称为一阶误差修正模型(first-order error correction model

32、)。,（*）式可以写成：,（*）,知，一般情况下|1，由关系式=1-得01。可以据此分析ecm的修正作用：,（*）,其中:ecm表示误差修正项。由分布滞后模型,(1)若(t-1)时刻Y大于其长期均衡解0+1X，ecm为正，则(-ecm)为负，使得Yt减少；(2)若(t-1)时刻Y小于其长期均衡解0+1X，ecm为负，则(-ecm)为正，使得Yt增大。（*）体现了长期非均衡误差对的控制。,由协整与误差修正模型的的关系，可以得到误差修正模型建立的E-G两步法：第一步，进行协整回归（OLS法），检验变量间的协整关系，估计协整向量（长期均衡关系参数）；第二步，若协整性存在，则以第一步求到的残差作为非均

33、衡误差项加入到误差修正模型中，并用OLS法估计相应参数。需要注意的是：在进行变量间的协整检验时，如有必要可在协整回归式中加入趋势项，这时，对残差项的稳定性检验就无须再设趋势项。另外，第二步中变量差分滞后项的多少，可以残差项序列是否存在自相关性来判断，如果存在自相关，则应加入变量差分的滞后项。,Engle-Granger两步法,经济理论指出，居民消费支出是其实际收入的函数。以中国国民核算中的居民消费支出经过居民消费价格指数缩减得到中国居民实际消费支出时间序列（C）；以支出法GDP对居民消费价格指数缩减近似地代表国民收入时间序列(GDP)时间段为19782000（表9.3.3）,例11.3.2 中

34、国居民消费的误差修正模型,（1）对数据lnC与lnGDP进行单整检验,容易验证lnC与lnGDP是一阶单整的，它们适合的检验模型如下：,(3.81)（-4.01）（2.66）（2.26）（2.54）LM(1)=0.38 LM(2)=0.67 LM(3)=2.34 LM(4)=2.46,首先，建立lnC与lnGDP的回归模型,（2）检验lnC与lnGDP的协整性，并建立长期均衡关系,（0.30）(57.48)R2=0.994 DW=0.744,发现有残关项有较强的一阶自相关性。考虑加入适当的滞后项，得lnC与lnGDP的分布滞后模型,(1.63)(6.62）（4.92）（-2.17）R2=0.9

35、94 DW=1.92 LM(1)=0.00 LM(2)=2.31,自相关性消除，因此可初步认为是lnC与lnGDP的长期稳定关系。,(*),残差项的稳定性检验：,（-4.32）R2=0.994 DW=2.01 LM(1)=0.04 LM(2)=1.34,t=-4.32-3.64=ADF0.05 说明lnC与lnGDP是（1，1）阶协整的，（*）式即为它们长期稳定的均衡关系:,(*),以稳定的时间序列,（3）建立误差修正模型,做为误差修正项，可建立如下,误差修正模型:,（6.96）(2.96)(-1.91)(-3.15)R2=0.994 DW=2.06 LM(1)=0.70 LM(2)=2.04

36、,由(*)式,可得lnC关于lnGDP的长期弹性：(0.698-0.361)/(1-0.622)=0.892；由（*）式可得lnC关于lnGDP的短期弹性：0.686短期弹性是变动量之间对数值,长期弹性是绝对值.,(*),下面用打开误差修正项括号的方法直接估计误差修正模型，适当估计式为:,（1.63）(6.62）(-2.99)(2.88)R2=0.791=0.0064 DW=1.93 LM(2)=2.31 LM(3)=2.78,写成误差修正模型的形式如下,(*),由（*）式知，lnC关于lnGDP的短期弹性为0.698，长期弹性为0.892。可见两种方法的结果非常接近。,利用EVIEWS检验协

37、整,调用Quick Group statistics Cointegration test在窗口中给出相关变量名称协整可以发生的多个变量间允许加入影响协整的外生变量按随后窗口的信息要求，给出协整方程的形式（常数项、趋势）、滞后期、样本区间等信息EVIEWS给出相应的统计检验结果,80,格兰杰因果关系检验,对于VAR(p)模型X1t=+1X1t-1+.+pX1t-1+1X2t-1+.+pX2t-p+u1t用F统计检验H0:1=.=p=0格兰杰因果关系：在模型中存在X1t过去值的条件下，如果X2t的过去值无助于推断X1t，那么我们说X2t并不是X1t的格兰杰原因。这同样适用于检验X1t是否是X2t

38、的格兰杰原因。需要注意的是，格兰杰因果关系仅仅基于信息传递标准，因而不同于逻辑上的因果关系。,81,格兰杰因果关系检验,考虑VAR(1)模型Xt=1+1Xt-1+1Yt-1+u1tYt=2+2Xt-1+2Yt-1+u2t单方向因果关系如果10但2=0，那么因果方向为YX；如果1=0但2 0，那么因果方向为XY。双向因果关系如果10和2 0，那么因果关系为双向的。相互独立关系如果1=0和2=0，那么x和y相互独立。,82,用EVIEWS检验格兰杰因果关系,调用Quick Group statistics Granger causality test在窗口中给出相关变量名称在随后的窗口给出滞后期EVIEWS给出相应的统计检验结果,83,