面板數(shù)據(jù)分析方法步驟

1、1.面板數(shù)據(jù)分析方法步驟面板數(shù)據(jù)的分析方法或許我們已經(jīng)了解許多了，但是到底有沒有一個基本的步驟呢？那些步驟是必須的？這些都是我們在研究的過程中需要考慮的，而且又是很實在的問題。面板單位根檢驗如何進行？協(xié)整檢驗?zāi)兀渴裁辞闆r下要進行模 型的修正？面板模型回歸形式的選擇？如何更有效的進行回歸？諸如此類的問 題我們應(yīng)該如何去分析并一一解決？以下是我近期對面板數(shù)據(jù)研究后做出的一 個簡要總結(jié)，和大家分享一下，也希望大家都進來討論討論。步驟一：分析數(shù)據(jù)的平穩(wěn)性(單位根檢驗)按照正規(guī)程序，面板數(shù)據(jù)模型在回歸前需檢驗數(shù)據(jù)的平穩(wěn)性。李子奈曾指出，一些非平穩(wěn)的經(jīng)濟時間序列往往表現(xiàn)出共同的變化趨勢，而這些序列間本身不

2、一定有直接的關(guān)聯(lián)，此時，對這些數(shù)據(jù)進行回歸，盡管有較高的R平方，但其結(jié)果是沒有任何實際意義的。這種情況稱為虛假回歸或偽回歸(spurious regression。 他認(rèn)為平穩(wěn)的真正含義是：一個時間序列剔除了不變的均值 (可視為截距)和時 間趨勢以后，剩余的序列為零均值，同方差，即白噪聲。因此單位根檢驗時有三 種檢驗?zāi)Ｊ剑杭扔汹厔萦钟薪鼐?、只有截距、以上都無。因此為了避免偽回歸，確保估計結(jié)果的有效性，我們必須對各面板序列的平 穩(wěn)性進行檢驗。而檢驗數(shù)據(jù)平穩(wěn)性最常用的辦法就是單位根檢驗。首先，我們可以先對面板序列繪制時序圖，以粗略觀測時序圖中由各個觀測值描出代表變量的 折線是否含有趨勢項和(或)截

3、距項，從而為進一步的單位根檢驗的檢驗?zāi)Ｊ阶?準(zhǔn)備。單位根檢驗方法的文獻綜述：在非平穩(wěn)的面板數(shù)據(jù)漸進過程 中丄evin an dLi n(1993)很早就發(fā)現(xiàn)這些估計量的極限分布是高斯分布，這些結(jié)果也被應(yīng)用在有異方差的面板數(shù)據(jù)中，并建立了對面板單位根進行檢驗的早期版本。 后來經(jīng)過Levin et al. (2002)的改進,提出了檢驗面板單位根的LLC法。 Levin et al. (2002)指出，該方法允許不同截距和時間趨勢，異方差和高階序列相關(guān), 適合于中等維度(時間序列介于25250之間，截面數(shù)介于10250之間)的面板 單位根檢驗。Im et al. (1997)還提出了檢驗面板單位根

4、的IPS法，但 Breitung(2000)發(fā)現(xiàn)IPS法對限定性趨勢的設(shè)定極為敏感,并提出了面板單位根檢 驗的 Breitung 法。Maddala and Wu(1999又提出了 ADF-Fisher 和 PP-Fisher面板 單位根檢驗方法。由上述綜述可知，可以使用 LLC、IPS、Breintung、ADF-Fisher 和 PP-Fisher5 種方法進行面板單位根檢驗。其中 LLC-T、BR-T、IPS-W、ADF-FCS、PP-FCS、H-Z 分別指 Levin, Lin & Chu t* 統(tǒng)計量、Breitung t 統(tǒng)計量、Im Pesaran & Shin

5、W 統(tǒng)計量、ADF- Fisher Chi-square 統(tǒng)計量、PP-Fisher Chi-square統(tǒng)計量、Hadri Z 統(tǒng)計量， 并且Levin, Lin & Chu t*統(tǒng)計量、Breitung t統(tǒng)計量的原假設(shè)為存在普通的單位根 過程，Im Pesaran & Shin W 統(tǒng)計量、ADF- Fisher Chi-square 統(tǒng)計量、 PP-Fisher Chi-square統(tǒng)計量的原假設(shè)為存在有效的單位根過程，Hadri Z統(tǒng)計量的檢驗原假設(shè)為不存在普通的單位根過程。有時，為了方便，只采用兩種面板數(shù)據(jù)單位根檢驗方法， 即相同根單位根檢 驗LLC( Levin-

6、Lin-Chu )檢驗和不同根單位根檢驗 Fisher-ADF檢驗(注：對普 通序列(非面板序列)的單位根檢驗方法則常用 ADF檢驗)，如果在兩種檢驗中 均拒絕存在單位根的原假設(shè)則我們說此序列是平穩(wěn)的，反之則不平穩(wěn)。如果我們以T(trend)代表序列含趨勢項，以I (intercept)代表序列含截距 項，T&I代表兩項都含，N (none)代表兩項都不含，那么我們可以基于前面時 序圖得出的結(jié)論，在單位根檢驗中選擇相應(yīng)檢驗?zāi)Ｊ?。但基于時序圖得出的結(jié)論畢竟是粗略的，嚴(yán)格來說，那些檢驗結(jié)構(gòu)均需一一檢驗。具體操作可以參照李子奈的說法：ADF檢驗是通過三個模型來完成，首先從含有截距和趨勢項的模

7、型開始，再檢驗只含截距項的模型，最后檢驗二者都不含的模型。并且認(rèn)為，只有三個模型的檢驗結(jié)果都不能拒絕原假設(shè)時， 我們才 認(rèn)為時間序列是非平穩(wěn)的，而只要其中有一個模型的檢驗結(jié)果拒絕了零假設(shè)，就可認(rèn)為時間序列是平穩(wěn)的。此外，單位根檢驗一般是先從水平(level)序列開始檢驗起，如果存在單位 根，則對該序列進行一階差分后繼續(xù)檢驗， 若仍存在單位根，則進行二階甚至高 階差分后檢驗，直至序列平穩(wěn)為止。我們記 1(0)為零階單整，1(1)為一階單整， 依次類推，I(N)為N階單整。步驟二：協(xié)整檢驗或模型修正情況一：如果基于單位根檢驗的結(jié)果發(fā)現(xiàn)變量之間是同階單整的， 那么我們 可以進行協(xié)整檢驗。協(xié)整檢驗是考

8、察變量間長期均衡關(guān)系的方法。 所謂的協(xié)整是 指若兩個或多個非平穩(wěn)的變量序列，其某個線性組合后的序列呈平穩(wěn)性。此時我 們稱這些變量序列間有協(xié)整關(guān)系存在。因此協(xié)整的要求或前提是同階單整。但也有如下的寬限說法：如果變量個數(shù)多于兩個，即解釋變量個數(shù)多于一個， 被解釋變量的單整階數(shù)不能高于任何一個解釋變量的單整階數(shù)。另當(dāng)解釋變量的單整階數(shù)高于被解釋變量的單整階數(shù)時，則必須至少有兩個解釋變量的單整階數(shù) 高于被解釋變量的單整階數(shù)。如果只含有兩個解釋變量，則兩個變量的單整階數(shù) 應(yīng)該相同。也就是說，單整階數(shù)不同的兩個或以上的非平穩(wěn)序列如果一起進行協(xié)整檢驗， 必然有某些低階單整的，即波動相對高階序列的波動甚微弱(

9、有可能波動幅度也不同）的序列，對協(xié)整結(jié)果的影響不大，因此包不包含的重要性不大。而相對處 于最高階序列，由于其波動較大，對回歸殘差的平穩(wěn)性帶來極大的影響，所以如果協(xié)整是包含有某些高階單整序列的話（但如果所有變量都是階數(shù)相同的高階， 此時也被稱作同階單整，這樣的話另當(dāng)別論），一定不能將其納入?yún)f(xié)整檢驗。協(xié)整檢驗方法的文獻綜述： Kao（1999）、Kao and Chiang（2000利用推廣的 DF和ADF檢驗提出了檢驗面板協(xié)整的方法，這種方法零假設(shè)是沒有協(xié)整關(guān)系，并 且利用靜態(tài)面板回歸的殘差來構(gòu)建統(tǒng)計量。（2）Pedro n（1999在零假設(shè)是在動態(tài)多 元面板回歸中沒有協(xié)整關(guān)系的條件下給出了七種

10、基于殘差的面板協(xié)整檢驗方法。 和Kao的方法不同的是,Pedroni的檢驗方法允許異質(zhì)面板的存在。Larsson etal（2001）發(fā)展了基于Johansen（1995向量自回歸的似然檢驗的面板協(xié)整檢驗方法， 這種檢驗的方法是檢驗變量存在共同的協(xié)整的秩。我們主要采用的是Pedroni、Kao、Johansen的方法。通過了協(xié)整檢驗，說明變量之間存在著長期穩(wěn)定的均衡關(guān)系， 其方程回歸殘 差是平穩(wěn)的。因此可以在此基礎(chǔ)上直接對原方程進行回歸， 此時的回歸結(jié)果是較 精確的。這時，我們或許還想進一步對面板數(shù)據(jù)做格蘭杰因果檢驗（因果檢驗的前提是變量協(xié)整）。但如果變量之間不是協(xié)整（即非同階單整）的話，是不

11、能進行格 蘭杰因果檢驗的，不過此時可以先對數(shù)據(jù)進行處理。引用張曉峒的原話，“如果y和x不同階，不能做格蘭杰因果檢驗，但可通過差分序列或其他處理得到同階 單整序列，并且要看它們此時有無經(jīng)濟意義。”下面簡要介紹一下因果檢驗的含義：這里的因果關(guān)系是從統(tǒng)計角度而言的， 即是通過概率或者分布函數(shù)的角度體現(xiàn)出來的：在所有其它事件的發(fā)生情況固定 不變的條件下，如果一個事件 X的發(fā)生與不發(fā)生對于另一個事件 丫的發(fā)生的概 率（如果通過事件定義了隨機變量那么也可以說分布函數(shù)）有影響，并且這兩個事件在時間上又有先后順序（A前B后），那么我們便可以說X是丫的原因?？?慮最簡單的形式，Gran ger檢驗是運用F-統(tǒng)計

12、量來檢驗X的滯后值是否顯著影響 丫（在統(tǒng)計的意義下，且已經(jīng)綜合考慮了 丫的滯后值；如果影響不顯著，那么稱 X不是丫的“ Gran ger原因”（Gran ger cause ；如果影響顯著，那么稱 X是丫的 “ Gran ger原因”。同樣，這也可以用于檢驗 丫是X的“原因”，檢驗丫的滯后 值是否影響X （已經(jīng)考慮了 X的滯后對X自身的影響）。Eviews好像沒有在 POOL窗口中提供 Granger causality test,而只有 unit root test和cointegration test說明Eviews是無法對面板數(shù)據(jù)序列做格蘭杰檢 驗的，格蘭杰檢驗只能針對序列組做。也就是說

13、格蘭杰因果檢驗在Eviews中是針對普通的序列對（pairwise）而言的。你如果想對面板數(shù)據(jù)中的某些合成序列做因 果檢驗的話，不妨先導(dǎo)出相關(guān)序列到一個組中（POOL窗口中的Proc/Make Group）, 再來試試。情況二：如果基于單位根檢驗的結(jié)果發(fā)現(xiàn)變量之間是非同階單整的，即面板數(shù)據(jù)中有些序列平穩(wěn)而有些序列不平穩(wěn)，此時不能進行協(xié)整檢驗與直接對原序列 進行回歸。但此時也不要著急，我們可以在保持變量經(jīng)濟意義的前提下，對我們前面提出的模型進行修正，以消除數(shù)據(jù)不平穩(wěn)對回歸造成的不利影響。如差分某些序列，將基于時間頻度的絕對數(shù)據(jù)變成時間頻度下的變動數(shù)據(jù)或增長率數(shù)據(jù)。 此時的研究轉(zhuǎn)向新的模型，但要保

14、證模型具有經(jīng)濟意義。因此一般不要對原序列 進行二階差分，因為對變動數(shù)據(jù)或增長率數(shù)據(jù)再進行差分，我們不好對其冠以經(jīng)濟解釋。難道你稱其為變動率的變動率？步驟三：面板模型的選擇與回歸面板數(shù)據(jù)模型的選擇通常有三種形式：一種是混合估計模型（Pooled Regression Mode）。如果從時間上看，不同個 體之間不存在顯著性差異；從截面上看，不同截面之間也不存在顯著性差異，那么就可以直接把面板數(shù)據(jù)混合在一起用普通最小二乘法（OLS ）估計參數(shù)。一種是固定效應(yīng)模型（Fixed Effects Regression Mode）。如果對于不同的截面或不同 的時間序列，模型的截距不同，則可以采用在模型中添加

15、虛擬變量的方法估計回 歸參數(shù)。一種是隨機效應(yīng)模型（Ran dom Effects Regressio n Mod®。如果固定效 應(yīng)模型中的截距項包括了截面隨機誤差項和時間隨機誤差項的平均效應(yīng)，并且這兩個隨機誤差項都服從正態(tài)分布，則固定效應(yīng)模型就變成了隨機效應(yīng)模型。在面板數(shù)據(jù)模型形式的選擇方法上，我們經(jīng)常采用F檢驗決定選用混合模型 還是固定效應(yīng)模型，然后用 Hausman檢驗確定應(yīng)該建立隨機效應(yīng)模型還是固定 效應(yīng)模型。檢驗完畢后，我們也就知道該選用哪種模型了，然后我們就開始回歸：在回歸的時候，權(quán)數(shù)可以選擇按截面加權(quán)（cross-section weights的方式， 對于橫截面?zhèn)€數(shù)大于

16、時序個數(shù)的情況更應(yīng)如此，表示允許不同的截面存在異方差 現(xiàn)象。估計方法采用 PCSE（ Panel Corrected Standard Errors面板校正標(biāo)準(zhǔn)誤） 方法。Beck和Katz（1995）引入的PCSE估計方法是面板數(shù)據(jù)模型估計方法的一個 創(chuàng)新，可以有效的處理復(fù)雜的面板誤差結(jié)構(gòu)，如同步相關(guān)，異方差，序列相關(guān)等， 在樣本量不夠大時尤為有用。實證檢驗步驟：先做單位根檢驗，看變量序列是否平穩(wěn)序列，若平穩(wěn)，可構(gòu) 造回歸模型等經(jīng)典計量經(jīng)濟學(xué)模型；若非平穩(wěn)，進行差分，當(dāng)進行到第i次差分時序列平穩(wěn)，則服從i階單整（注意趨勢、截距不同情況選擇，根據(jù) P值和原假設(shè)判定）若所有檢驗序列均服從同階單整

17、，可構(gòu)造 VAR模型，做協(xié)整檢驗（注意滯 后期的選擇），判斷模型內(nèi)部變量間是否存在協(xié)整關(guān)系，即是否存在長期均衡關(guān) 系。協(xié)整檢驗的原假設(shè)就是，變量回歸后的殘差是平穩(wěn)序列。 如若殘差是平穩(wěn)序 列，說明存在協(xié)整關(guān)系，如果殘差序列有單位根，則協(xié)整關(guān)系不存在。如果有協(xié) 整關(guān)系，則可以構(gòu)造 VEC模型或者進行Gran ger因果檢驗，檢驗變量之間“誰 引起誰變化”，即因果關(guān)系。（1）建立混合數(shù)據(jù)庫（Pool）對象。首先建立工作文件。在打開工作文件窗口的基礎(chǔ)上，點擊 EViwes主功能菜 單上的Objects鍵，選New Object功能，從而打開New Object（新對象）選擇窗。 在Type of O

18、bject選擇區(qū)選擇Pool （合并數(shù)據(jù)庫），并在Name of Object選擇區(qū)為 混合數(shù)據(jù)庫起名Pool01 （初始顯示為Un titled ）。（2）定義序列名并輸入數(shù)據(jù)。在新建的混合數(shù)據(jù)庫（Pool）窗口的工具欄中點擊Sheet鍵（第2種路徑是， 點擊 View 鍵，選 Spreadsheet （stacked data）能），從而打開 Series List （列寫序 列名）窗口，定義時間序列變量丫?和X.點擊OK鍵，從而打開混合數(shù)據(jù)庫（Pool） 窗口，（點擊Edit+-鍵，使EViwes處于可編輯狀態(tài)）輸入數(shù)據(jù)。補充：點擊Orde葉-鍵，還可以變換為以時間為序的陣列式排列。工作

19、文件也可以以合并數(shù)據(jù)（Pool data）和非合并數(shù)據(jù)的形式用復(fù)制和粘貼 的方法建立。（3）估計模型點擊Estimation鍵，隨后彈出Pooled Estimation混合估計）對話窗。用EViwes 可以估計固定效應(yīng)模型（包括個體固定效應(yīng)模型、時刻固定效應(yīng)模型和時刻個體 固定效應(yīng)模型3種）、隨機效應(yīng)模型、帶有 AR（1）參數(shù)的模型、截面不同回歸系 數(shù)也不同的面板數(shù)據(jù)模型。用 EViwes可以選擇普通最小二乘法、加權(quán)最小二乘 法（以截面模型的方差為權(quán)）、似不相關(guān)回歸法估計模型參數(shù)。補充：在這一塊內(nèi)容里面，eviews6.0和eviews5.1的界面還是存在明顯差 異的，前者的界面是左右排列，

20、后者的界面是上下排列，而且里面的選項形式也 不太一樣。5.1軟件里面通過選擇截距項來確定模型的類型，而 6.0的里面是通 過選擇estimation method來選擇模型的類型固定效應(yīng)模型在面板數(shù)據(jù)散點圖中，如果對于不同的截面或不同的時間序列， 模型的截距 是不同的，則可以采用在模型中加虛擬變量的方法估計回歸參數(shù)， 稱此種模型為 固定效應(yīng)模型（fixed effects regression mode）。固定效應(yīng)模型分為 3種類型，即個體固定效應(yīng)模型(entity fixed effects regression mode)、時刻固定效應(yīng)模型(time fixed effects regre

21、ssion model ) 和時刻個體 固定效應(yīng)模型 (time and en tity fixed effects regressi on mod®。個體固定效應(yīng)模型。個體固定效應(yīng)模型就是對于不同的個體有不同截距的模型。如果對于不同的 時間序列(個體)截距是不同的，但是對于不同的橫截面，模型的截距沒有顯著 性變化，那么就應(yīng)該建立個體固定效應(yīng)模型。時刻固定效應(yīng)模型。時刻固定效應(yīng)模型就是對于不同的截面(時刻點)有不同截距的模型。如果 確知對于不同的截面，模型的截距顯著不同，但是對于不同的時間序列(個體) 截距是相同的，那么應(yīng)該建立時刻固定效應(yīng)模型。隨機效應(yīng)模型在固定效應(yīng)模型中采用虛擬變

22、量的原因是解釋被解釋變量的信息不夠完整。 也可以通過對誤差項的分解來描述這種信息的缺失。yit = a+ bl xit + eit其中誤差項在時間上和截面上都是相關(guān)的，用3個分量表示如 下：eit = ui + vt + wit其中uiN(0, su2)表示截面隨機誤差分量；vtN(O, sv2)表示時間隨機誤差分 量；witN(0, sw2)表示混和隨機誤差分量。同時還假定 ui，vt，wit之間互不相 關(guān)，各自分別不存在截面自相關(guān)、時間自相關(guān)和混和自相關(guān)。上述模型稱為隨機 效應(yīng)模型。隨機效應(yīng)模型和固定效應(yīng)模型比較，相當(dāng)于把固定效應(yīng)模型中的截距項看成 兩個隨機變量。一個是截面隨機誤差項(ui

23、)，一個是時間隨機誤差項(vt)。如 果這兩個隨機誤差項都服從正態(tài)分布，對模型估計時就能夠節(jié)省自由度，因為此條件下只需要估計兩個隨機誤差項的均值和方差。假定固定效應(yīng)模型中的截距項包括了截面隨機誤差項和時間隨機誤差項的 平均效應(yīng)，而且對均值的離差分別是ui和vt，固定效應(yīng)模型就變成了隨機效應(yīng)模型。補充：如果僅以樣本自身效應(yīng)為條件進行研究，宜選擇固定效應(yīng)模型；如果欲以樣本對總體效應(yīng)進行推論，則應(yīng)采用隨機效應(yīng)模型。2. 應(yīng)用VAR模型時的15個注意點(筆記)向量自回歸(VAR,Vector Auto regression)常用于預(yù)測相互聯(lián)系的時間序列系統(tǒng)以及分析隨機擾動對變量系統(tǒng)的動態(tài)影響。VAR方

24、法通過把系統(tǒng)中每一個內(nèi)生變量，作為系統(tǒng)中所有內(nèi)生變量的滯后值的函數(shù)來構(gòu)造模型，從而回避了結(jié) 構(gòu)化模型的要求。En gle和Gran ger（ 1987a）指出兩個或多個非平穩(wěn)時間序列的 線性組合可能是平穩(wěn)的。假如這樣一種平穩(wěn)的或的線性組合存在，這些非平穩(wěn)（有 單位根）時間序列之間被認(rèn)為是具有協(xié)整關(guān)系的。 這種平穩(wěn)的線性組合被稱為協(xié) 整方程且可被解釋為變量之間的長期均衡關(guān)系。VAR模型對于相互聯(lián)系的時間序列變量系統(tǒng)是有效的預(yù)測模型，同時，向 量自回歸模型也被頻繁地用于分析不同類型的隨機誤差項對系統(tǒng)變量的動態(tài)影 響。如果變量之間不僅存在滯后影響，而不存在同期影響關(guān)系，則適合建立VAR 模型，因為V

25、AR模型實際上是把當(dāng)期關(guān)系隱含到了隨機擾動項之中。注意點：1、單位根檢驗是序列的平穩(wěn)性檢驗， 如果不檢驗序列的平穩(wěn)性直接 OLS容 易導(dǎo)致偽回歸。2、當(dāng)檢驗的數(shù)據(jù)是平穩(wěn)的（即不存在單位根），要想進一步考察變量的因果 聯(lián)系，可以采用格蘭杰因果檢驗，但要做格蘭杰檢驗的前提是數(shù)據(jù)必須是平穩(wěn)的， 否則不能做。3、當(dāng)檢驗的數(shù)據(jù)是非平穩(wěn)（即存在單位根），并且各個序列是同階單整（協(xié) 整檢驗的前提），想進一步確定變量之間是否存在協(xié)整關(guān)系， 可以進行協(xié)整檢驗， 協(xié)整檢驗主要有EG兩步法和JJ檢驗。A、 EG兩步法是基于回歸殘差的檢驗，可以通過建立OLS模型檢驗其殘差 平穩(wěn)性。B、 JJ檢驗是基于回歸系數(shù)的檢驗，

26、前提是建立VAR模型（即模型符合ADL 模式）。5、格蘭杰檢驗只能用于平穩(wěn)序列！這是格蘭杰檢驗的前提，而其因果關(guān)系 并非我們通常理解的因與果的關(guān)系，而是說x的前期變化能有效地解釋y的變化， 所以稱其為“格蘭杰原因”。6非平穩(wěn)序列很可能出現(xiàn)偽回歸，協(xié)整的意義就是檢驗它們的回歸方程所 描述的因果關(guān)系是否是偽回歸，即檢驗變量之間是否存在穩(wěn)定的關(guān)系。 所以，非 平穩(wěn)序列的因果關(guān)系檢驗就是協(xié)整檢驗。7、平穩(wěn)性檢驗有3個作用：1）檢驗平穩(wěn)性，若平穩(wěn)，做格蘭杰檢驗，非平 穩(wěn)，作協(xié)正檢驗。2）協(xié)整檢驗中要用到每個序列的單整階數(shù)。3）判斷時間學(xué)列 的數(shù)據(jù)生成過程。ADF檢驗：1 view-unit rootte

27、st,出現(xiàn)對話框，默認(rèn)的選項為變量的原階序列 檢驗平穩(wěn)性，確認(rèn)后，若ADF檢驗的P值小于0.5，拒絕原假設(shè)，說明序列是平 穩(wěn)的，若P值大于0.5,接受原假設(shè)，說明序列是非平穩(wěn)的；2重復(fù)剛才的步驟， view-unit root test,出現(xiàn)對話框，選擇Istdifferenee,即對變量的一階差分序列做平 穩(wěn)性檢驗，和第一步中的檢驗標(biāo)準(zhǔn)相同，若 P值小于0.5，說明是一階平穩(wěn)，若 P值大于0.5,則繼續(xù)進行二階差分序列的平穩(wěn)性檢驗。先做單位根檢驗，看變量序列是否平穩(wěn)序列，若平穩(wěn)，可構(gòu)造回歸模型等經(jīng) 典計量經(jīng)濟學(xué)模型；若非平穩(wěn)，進行差分，當(dāng)進行到第i次差分時序列平穩(wěn)，則服從i階單整（注意趨勢、

28、截距不同情況選擇，根據(jù)P值和原假設(shè)判定）。若所有檢驗序列均服從同階單整，可構(gòu)造 VAR模型，做協(xié)整檢驗（注意滯后期的選 擇），判斷模型內(nèi)部變量間是否存在協(xié)整關(guān)系，即是否存在長期均衡關(guān)系。如果 有，則可以構(gòu)造VEC模型或者進行Granger因果檢驗，檢驗變量之間“誰引起 誰變化”，即因果關(guān)系。第一，格蘭杰因果檢驗是檢驗統(tǒng)計上的時間先后順序，并不表示而這真正存在因果關(guān)系，是否呈因果關(guān)系需要根據(jù)理論、經(jīng)驗和模型來判定。第二，格蘭杰因果檢驗的變量應(yīng)是平穩(wěn)的，如果單位根檢驗發(fā)現(xiàn)兩個變量是 不穩(wěn)定的，那么，不能直接進行格蘭杰因果檢驗，所以，很多人對不平穩(wěn)的變量 進行格蘭杰因果檢驗，這是錯誤的。第三，協(xié)整結(jié)

29、果僅表示變量間存在長期均衡關(guān)系，那么，到底是先做格蘭杰還是先做協(xié)整呢？因為變量不平穩(wěn)才需要協(xié)整，所以，首先因?qū)ψ兞窟M行差分， 平穩(wěn)后，可以用差分項進行格蘭杰因果檢驗，來判定變量變化的先后時序，之后， 進行協(xié)整，看變量是否存在長期均衡。第四，長期均衡并不意味著分析的結(jié)束，還應(yīng)考慮短期波動，要做誤差修正 檢驗。8. 單位根檢驗是檢驗數(shù)據(jù)的平穩(wěn)性，或是說單整階數(shù)。9. 協(xié)整是說兩個或多個變量之間具有長期的穩(wěn)定關(guān)系。但變量間協(xié)整的必要 條件是它們之間是同階單整，也就是說在進行協(xié)整檢驗之前必須進行單位根檢驗。C. S Chu是Hal. White的弟子，南加州和臺大的教授，研究方向是時間序列。從他那里學(xué)

30、來不少計量上的理念。 整理出來供大家參考。以下的第一人稱均 指 Chu。1、 計量建模時一般考慮線性模型， why ?我的答案很簡單：why not ?反正 模型的形式是未 知的。既然未知，為何不選最簡單的線性模型？2、很多教科書一討論參數(shù)估計，就搬出幾大標(biāo)準(zhǔn)：無偏性、有效性和一致 性。這幾個性質(zhì)的地位是不一樣的。一致性是最重要的，而有效性在它面前微 不足道。至于有偏無偏，即 使有偏，也可能是一致的；所以無偏性也不重要。在某些特定的條件下，無偏性只是為了 保證一致性成立的必要條件而已。3、當(dāng)在計量經(jīng)濟學(xué)中遇到困難時，往往要回到經(jīng)濟學(xué)中尋找答案。4、不能根據(jù)R平方判斷模型的優(yōu)劣。R平方隨著解釋變

31、量個數(shù)的增加而增 加，因為In formation is never negative如果高的 R平方只是源于更多的解釋變 量，那么顯然高的R平方不代表更好的模型。而且，高的 R平方還意味著模型 樣本外預(yù)測的能力較低。5、在時間序列分析中，R平方超過0.9不是什么大不了的事情，不必為此 沾沾自喜；而在橫截面分析中，超過0.3的R平方就被看作超級了不起的事情。6橫截面數(shù)據(jù)一般包含特定的結(jié)構(gòu)，因此處理起來要小心。7、ARMA模型是計量經(jīng)濟學(xué)家的良心。如果你建的模型的預(yù)測能力不如 ARMA，那么模型就是失敗的。你要敢于拿 ARMA去挑戰(zhàn)自己。8、時間序列的回歸中，一定要保證內(nèi)部邏輯的一致性。拿1(0)對1(1)做回歸 或拿1(1)對I (0)做回歸都是不能接受的。當(dāng)你看到有人直接拿 GDP對利率作回 歸，那他的模型必錯無疑。9、當(dāng)你看到模型的t值很大時，先不要高興，因為這很可能是謬誤回歸的 產(chǎn)物。如果此時Durbin-Waston值很小(小于0.5),那么謬誤回歸的可能性就進 一步變大