實(shí)驗(yàn)十一 向量自回歸模型(VAR模型)

實(shí)驗(yàn)十一協(xié)整與向量自回歸模型1協(xié)整0、問(wèn)題的提出經(jīng)典回歸模型（classicalregressionmodel）是建立在穩(wěn)定數(shù)據(jù)變量基礎(chǔ)上的，對(duì)于非穩(wěn)定變量，不能使用經(jīng)典回歸模型，否則會(huì)出現(xiàn)虛假回歸等諸多問(wèn)題。由于許多經(jīng)濟(jì)變量是非穩(wěn)定的，這就給經(jīng)典的回歸分析方法帶來(lái)了很大限制。但是，如果變量之間有著長(zhǎng)期的穩(wěn)定關(guān)系，即它們之間是協(xié)整的（cointegration)，則是可以使用經(jīng)典回歸模型方法建立回歸模型的。例如，中國(guó)居民人均消費(fèi)水平與人均GDP變量的例子中：因果關(guān)系回歸模型要比ARMA模型有更好的預(yù)測(cè)功能，

其原因在于，從經(jīng)濟(jì)理論上說(shuō)，人均GDP決定著居民人均消費(fèi)水平，而且它們之間有著長(zhǎng)期的穩(wěn)定關(guān)系，即它們之間是協(xié)整的（cointegration）。

經(jīng)濟(jì)理論指出，某些經(jīng)濟(jì)變量間確實(shí)存在著長(zhǎng)期均衡關(guān)系，這種均衡關(guān)系意味著經(jīng)濟(jì)系統(tǒng)不存在破壞均衡的內(nèi)在機(jī)制，如果變量在某時(shí)期受到干擾后偏離其長(zhǎng)期均衡點(diǎn)，則均衡機(jī)制將會(huì)在下一期進(jìn)行調(diào)整以使其重新回到均衡狀態(tài)。假設(shè)X與Y間的長(zhǎng)期“均衡關(guān)系”由式描述

1、長(zhǎng)期均衡式中:t是隨機(jī)擾動(dòng)項(xiàng)。

該均衡關(guān)系意味著:給定X的一個(gè)值，Y相應(yīng)的均衡值也隨之確定為0+1X。

在t-1期末，存在下述三種情形之一：

（1）Y等于它的均衡值：Yt-1=0+1Xt

；（2）Y小于它的均衡值：Yt-1<0+1Xt

；（3）Y大于它的均衡值：Yt-1>

0+1Xt

；在時(shí)期t，假設(shè)X有一個(gè)變化量Xt，如果變量X與Y在時(shí)期t與t-1末期仍滿足它們間的長(zhǎng)期均衡關(guān)系，則Y的相應(yīng)變化量由式給出:式中，vt=t-t-1。

實(shí)際情況往往并非如此

如果t-1期末，發(fā)生了上述第二種情況，即Y的值小于其均衡值，則Y的變化往往會(huì)比第一種情形下Y的變化Yt大一些；反之，如果Y的值大于其均衡值，則Y的變化往往會(huì)小于第一種情形下的Yt

。

可見，如果Yt=0+1Xt+t正確地提示了X與Y間的長(zhǎng)期穩(wěn)定的“均衡關(guān)系”，則意味著Y對(duì)其均衡點(diǎn)的偏離從本質(zhì)上說(shuō)是“臨時(shí)性”的。因此，一個(gè)重要的假設(shè)就是:隨機(jī)擾動(dòng)項(xiàng)t必須是平穩(wěn)序列。顯然，如果t有隨機(jī)性趨勢(shì)（上升或下降），則會(huì)導(dǎo)致Y對(duì)其均衡點(diǎn)的任何偏離都會(huì)被長(zhǎng)期累積下來(lái)而不能被消除。

式Y(jié)t=0+1Xt+t中的隨機(jī)擾動(dòng)項(xiàng)也被稱為非均衡誤差（disequilibriumerror），它是變量X與Y的一個(gè)線性組合：

(*)

因此，如果Yt=0+1Xt+t式所示的X與Y間的長(zhǎng)期均衡關(guān)系正確的話，（*）式表述的非均衡誤差應(yīng)是一平穩(wěn)時(shí)間序列，并且具有零期望值，即是具有0均值的I(0)序列。

從這里已看到，非穩(wěn)定的時(shí)間序列，它們的線性組合也可能成為平穩(wěn)的。

例如：假設(shè)Yt=0+1Xt+t式中的X與Y是I(1)序列，如果該式所表述的它們間的長(zhǎng)期均衡關(guān)系成立的話，則意味著由非均衡誤差（*）式給出的線性組合是I(0)序列。這時(shí)我們稱變量X與Y是協(xié)整的（cointegrated）。

如果序列{X1t,X2t,…,Xkt}都是d階單整，存在向量=(1,2,…,k)，使得

Zt=XT~I(d-b)

其中，b>0，X=(X1t,X2t,…,Xkt)T，則認(rèn)為序列{X1t,X2t,…,Xkt}是(d,b)階協(xié)整，記為Xt~CI(d,b)，為協(xié)整向量（cointegratedvector）。⒉協(xié)整

在中國(guó)居民人均消費(fèi)與人均GDP的例中，該兩序列都是2階單整序列，而且可以證明它們有一個(gè)線性組合構(gòu)成的新序列為0階單整序列，于是認(rèn)為該兩序列是(2,2)階協(xié)整。

由此可見:如果兩個(gè)變量都是單整變量，只有當(dāng)它們的單整階數(shù)相同時(shí)，才可能協(xié)整；如果它們的單整階數(shù)不相同，就不可能協(xié)整。（d,d）階協(xié)整是一類非常重要的協(xié)整關(guān)系，它的經(jīng)濟(jì)意義在于：兩個(gè)變量，雖然它們具有各自的長(zhǎng)期波動(dòng)規(guī)律，但是如果它們是（d,d）階協(xié)整的，則它們之間存在著一個(gè)長(zhǎng)期穩(wěn)定的比例關(guān)系。

例如：假設(shè)中國(guó)CPC和GDPPC，它們各自都是2階單整，并且將會(huì)看到，它們是(2,2)階協(xié)整，說(shuō)明它們之間存在著一個(gè)長(zhǎng)期穩(wěn)定的比例關(guān)系，從計(jì)量經(jīng)濟(jì)學(xué)模型的意義上講，建立如下居民人均消費(fèi)函數(shù)模型

從協(xié)整的定義可以看出:變量選擇是合理的，隨機(jī)誤差項(xiàng)一定是“白噪聲”（即均值為0，方差不變的穩(wěn)定隨機(jī)序列），模型參數(shù)有合理的經(jīng)濟(jì)解釋。這也解釋了盡管這兩時(shí)間序列是非穩(wěn)定的，但卻可以用經(jīng)典的回歸分析方法建立回歸模型的原因。

從這里，我們已經(jīng)初步認(rèn)識(shí)到：檢驗(yàn)變量之間的協(xié)整關(guān)系，在建立計(jì)量經(jīng)濟(jì)學(xué)模型中是非常重要的。而且，從變量之間是否具有協(xié)整關(guān)系出發(fā)選擇模型的變量，其數(shù)據(jù)基礎(chǔ)是牢固的，其統(tǒng)計(jì)性質(zhì)是優(yōu)良的。11假如有序列Xt和Yt，一般有如下性質(zhì)存在：(1)如果Xt~I(0)，即Xt是平穩(wěn)序列，則a+bXt也是I(0)；(2)如果Xt~I(1)，這表示Xt只需經(jīng)過(guò)一次差分就可變成平穩(wěn)序列。那么a+bXt也是I(1)；(3)如果Xt和Yt都是I(0)，則aXt+bYt是I(0)；12（4）如果Xt~I(0)，Yt~I(1)，則aXt+bYt是I(1)，即I(1)具有占優(yōu)勢(shì)的性質(zhì)。（5）如果Xt和Yt都是I(1)，則aXt+bYt一般情況下是I(1)，但不保證一定是I(1)。如果該線性組合是I(0)，Xt和Yt就是協(xié)整的，a、b就是協(xié)整參數(shù)。13二、協(xié)整檢驗(yàn)的具體方法（一）EG檢驗(yàn)假如Xt和Yt都是I(1)，如何檢驗(yàn)它們之間是否存在協(xié)整關(guān)系，我們可以遵循以下思路：首先用OLS對(duì)協(xié)整回歸方程進(jìn)行估計(jì)。然后，檢驗(yàn)殘差是否是平穩(wěn)的。因?yàn)槿绻鸛t和Yt沒(méi)有協(xié)整關(guān)系，那么它們的任一線性組合都是非平穩(wěn)的，殘差也將是非平穩(wěn)的。14檢驗(yàn)是否平穩(wěn)可以采用前文提到的單位根檢驗(yàn)，但需要注意的是，此時(shí)的臨界值不能再用(A)DF檢驗(yàn)的臨界值，而是要用恩格爾和格蘭杰（EngleandGranger）提供的臨界值，故這種協(xié)整檢驗(yàn)又稱為（擴(kuò)展的）恩格爾格蘭杰檢驗(yàn)(簡(jiǎn)記(A)EG檢驗(yàn)）。15誤差修正模型Engle和Granger于1987年提出了誤差修正模型的完整定義并加以推廣。假設(shè)Yt和Xt之間的長(zhǎng)期關(guān)系式為：（11.13）式中，K和為估計(jì)常量。例如，Y可以是商品的需求量，X則是價(jià)格。就是Y對(duì)X的長(zhǎng)期彈性。16對(duì)式（11.13）兩邊取對(duì)數(shù)可得：所以當(dāng)y不處在均衡值的時(shí)候，等式兩邊就會(huì)有一個(gè)差額存在，即（11.15）

來(lái)衡量?jī)蓚€(gè)變量之間的偏離程度。當(dāng)X、Y處于均衡的時(shí)候，這時(shí)誤差值為零。（11.14）我們用小寫字母表示對(duì)數(shù)，其中=ln(K)。但是這種均衡情況在經(jīng)濟(jì)體系中是很少存在的。17由于X和Y通常處于非均衡狀態(tài)，可以建立一個(gè)包含X和Y滯后項(xiàng)的短期或非均衡關(guān)系，假設(shè)采取如下形式：

（11.16）（11.16）式是基礎(chǔ)的形式，只包括一階滯后項(xiàng)，說(shuō)明對(duì)于變量X的變化，變量Y需要一段時(shí)間進(jìn)行調(diào)整。18在對(duì)（11.16）進(jìn)行估計(jì)的時(shí)候，其中的變量可能是不平穩(wěn)的，不能運(yùn)用OLS估計(jì)，否則將出現(xiàn)偽回歸現(xiàn)象。對(duì)此，重新進(jìn)行轉(zhuǎn)化。兩邊分別減去yt-1：得

（11.17）19并進(jìn)一步進(jìn)行變化：，即：

（11.18）在這里。我們對(duì)上式進(jìn)行重新整理，得到：20在這里。我們對(duì)上式進(jìn)行重新整理，得到：

（11.19）其中定義新變量β1=（b1+b2）/，并進(jìn)一步進(jìn)行變換得到：

（11.20）其中定義第二個(gè)新變量β0=b0/。21根據(jù)式（11.20），Y的當(dāng)前變化決定于X的變換以及前期的非均衡程度，也就是說(shuō)前期的誤差項(xiàng)對(duì)當(dāng)期的Y值進(jìn)行調(diào)整。所以（11.20）就是一階誤差修正模型，也是最簡(jiǎn)單的形式。表示系統(tǒng)對(duì)均衡狀態(tài)的偏離程度，可以稱之為“均衡誤差”。在模型（11.20）中，描述了對(duì)均衡關(guān)系偏離的一種長(zhǎng)期調(diào)解。這樣在誤差修正模型中，長(zhǎng)期調(diào)節(jié)和短期調(diào)節(jié)的過(guò)程同樣被考慮進(jìn)去。因而，誤差修正模型的優(yōu)點(diǎn)在于它提供了解釋長(zhǎng)期關(guān)系和短期調(diào)節(jié)的途徑。22

當(dāng)且的時(shí)候，后者意味著比均衡值高出太多。由于，那么，因此。換句話說(shuō)，如果高于均衡值水平，那么在下一個(gè)時(shí)間段，會(huì)開始下降，誤差值就會(huì)被慢慢修正，這就是所說(shuō)的誤差修正模型。當(dāng)，則是完全相反的情況，整個(gè)機(jī)制是相同的。

23向量自回歸模型24VAR模型的起源

巨大的模型均未預(yù)測(cè)到20世紀(jì)70年代早期由于石油危機(jī)而引發(fā)的世界經(jīng)濟(jì)的衰退和隨之而來(lái)的滯脹，也未能就治理滯脹開出有效的“藥方”。由此導(dǎo)致了對(duì)結(jié)構(gòu)模型的批判，其中最具影響的便是著名的“盧卡斯批判（theLucascritique）”。盧卡斯指出：使用計(jì)量經(jīng)濟(jì)模型（結(jié)構(gòu)模型）預(yù)測(cè)未來(lái)經(jīng)濟(jì)政策的變化所產(chǎn)生的效用是不可信的。他認(rèn)為，如果一個(gè)模型的某些參數(shù)所反映的是私人行為對(duì)以前的經(jīng)濟(jì)政策的反應(yīng)函數(shù)的適應(yīng)性，如果政策反應(yīng)函數(shù)被改變，則私人行為對(duì)新的反應(yīng)函數(shù)將再適應(yīng)，其結(jié)果是，所估計(jì)的參數(shù)將不再描述這種適應(yīng)。盧卡斯批判所隱含的是，如果政策反應(yīng)函數(shù)出現(xiàn)變化，這種變化也將改變模型的參數(shù)，于是，聯(lián)立方程的簡(jiǎn)約形式也將隨之發(fā)生變化。25此外，在聯(lián)立方程模型設(shè)定過(guò)程中，必須人為的假定一些外生變量，并且假定外生變量事先給定，不受模型中內(nèi)生變量的影響；為達(dá)到識(shí)別的目的，常常假定某些前定變量?jī)H僅出現(xiàn)在某些方程中，這些假定也招致了希姆斯（C.A.Sims）的嚴(yán)厲批判。希姆斯認(rèn)為，為使結(jié)構(gòu)模型可識(shí)別而施加了許多約束，這種約束是不可信的。他認(rèn)為，如果在一組變量之間有真實(shí)的聯(lián)立性，那么就應(yīng)該對(duì)這些變量平等的加以對(duì)待，而不應(yīng)事先區(qū)分內(nèi)生變量和外生變量。本著這一精神，希姆斯提出了VAR（VectorAutoregressive）模型。在VAR模型中，沒(méi)有內(nèi)生變量和外生變量之分，而是所有的變量都被看作內(nèi)生變量，初始對(duì)模型系數(shù)不施加任何約束，即每個(gè)方程都有相同的解釋變量——所有被解釋變量若干期的滯后值。

26VAR模型的形式和特點(diǎn)在一個(gè)含有n個(gè)方程（被解釋變量）的VAR模型中，每個(gè)被解釋變量都對(duì)自身以及其它被解釋變量的若干期滯后值回歸，若令滯后階數(shù)為k，則VAR模型的一般形式可用下式表示：其中，表示由第t期觀測(cè)值構(gòu)成的n維列向量，為n*n系數(shù)矩陣，是由隨機(jī)誤差項(xiàng)構(gòu)成的n維列向量，其中隨機(jī)誤差項(xiàng)（i=1,2,…n）為白噪音過(guò)程，且滿足(i,j=1,2,…,n,且ij)。

27為便于直觀理解，我們假定n=2,k=2,則VAR模型可寫成：即被解釋變量分別對(duì)自身以及對(duì)方的2階滯后值回歸28VAR模型的識(shí)別、估計(jì)、檢驗(yàn)和預(yù)測(cè)

（一）VAR模型的識(shí)別

前面提到，建立VAR模型的一個(gè)難點(diǎn)就是確定滯后項(xiàng)數(shù)。通常，金融理論知識(shí)給出滯后項(xiàng)數(shù)的一個(gè)大致范圍，例如貨幣政策的時(shí)滯一般為6-12個(gè)月，因此若應(yīng)用VAR模型對(duì)貨幣政策效應(yīng)進(jìn)行分析時(shí)，如果是月度數(shù)據(jù)我們就可以確定滯后階數(shù)應(yīng)小于12。如果要具體得確定滯后項(xiàng)數(shù)，就需要用到其它的一些方法，下面我們將介紹其中的幾種方法：29信息準(zhǔn)則法Akaike信息準(zhǔn)則：AIC=

Schwartz信息準(zhǔn)則：

SC=

其中，代表由估計(jì)殘差的方差和協(xié)方差組成的矩陣的行列式，T代表樣本容量，表示的是所有方程中回歸項(xiàng)的個(gè)數(shù)（包括常數(shù)項(xiàng)）。例如，對(duì)于一個(gè)含有a個(gè)方程，滯后項(xiàng)數(shù)為b的VAR模型，。30（二）VAR模型的估計(jì)

前面我們提到，如果VAR模型中變量是平穩(wěn)的，并且方程右邊包含相同的解釋變量，隨機(jī)誤差項(xiàng)滿足基本假定，則我們可以分別應(yīng)用普通最小二乘法對(duì)單個(gè)方程予以估計(jì)，所得到的估計(jì)值是一致的、漸進(jìn)有效的。當(dāng)上述條件不滿足時(shí)，我們需要用到估計(jì)聯(lián)立方程模型的其它方法。由于所用到的數(shù)學(xué)知識(shí)已經(jīng)超出了本書的范圍，并且在Eviews軟件中可以方便的實(shí)現(xiàn)對(duì)VAR模型的估計(jì)（我們會(huì)在例子中予以介紹），在此我們不再多做介紹。31(三)VAR模型的檢驗(yàn)

前面已經(jīng)提到，VAR模型是缺乏理論依據(jù)的。在VAR模型中，很難逐一解釋各個(gè)變量系數(shù)的意義，特別是在很多情況下，解釋變量系數(shù)會(huì)隨滯后期數(shù)的變化而改變符號(hào)，同時(shí)模型內(nèi)部不同方程之間也存在聯(lián)系，因此很難判斷當(dāng)某個(gè)變量發(fā)生變化時(shí)，其他變量的未來(lái)值會(huì)有什么樣的變化。為彌補(bǔ)上述VAR模型的缺陷，發(fā)揮VAR模型的作用，應(yīng)用中一般做如下的檢驗(yàn)：321、對(duì)某變量全部滯后項(xiàng)系數(shù)的聯(lián)合檢驗(yàn)在VAR模型中，單個(gè)變量系數(shù)的意義是很難確認(rèn)的，但有時(shí)我們會(huì)對(duì)如下的問(wèn)題感興趣：即對(duì)于模型內(nèi)的某一方程，某變量的全部滯后值是否對(duì)被解釋變量有顯著的解釋作用。我們可以發(fā)現(xiàn)，如果VAR模型僅包含兩個(gè)方程，這實(shí)際上就是因果檢驗(yàn)：如果該變量的所有滯后值對(duì)被解釋變量有顯著的解釋作用，則就說(shuō)該變量是被解釋變量的“格蘭杰原因”，反之則不是。33因果檢驗(yàn)因果關(guān)系檢驗(yàn)主要有兩種：格蘭杰（Granger）因果檢驗(yàn)和希姆斯（Sims）檢驗(yàn)一、格蘭杰因果檢驗(yàn)該理論的基本思想是：變量x和y，如果x的變化引起了y的變化，x的變化應(yīng)當(dāng)發(fā)生在y的變化之前。即如果說(shuō)“x是引起y變化的原因”，則必須滿足兩個(gè)條件：34第一，x應(yīng)該有助于預(yù)測(cè)y，即在y關(guān)于y的過(guò)去值的回歸中，添加x的過(guò)去值作為獨(dú)立變量應(yīng)當(dāng)顯著的增加回歸的解釋能力。第二，y不應(yīng)當(dāng)有助于預(yù)測(cè)x，其原因是如果x有助于預(yù)測(cè)y，y也有助于預(yù)測(cè)x，則很可能存在一個(gè)或幾個(gè)其他的變量，它們既是引起x變化的原因，也是引起y變化的原因。35

要檢驗(yàn)這兩個(gè)條件是否成立，我們需要檢驗(yàn)一個(gè)變量對(duì)預(yù)測(cè)另一個(gè)變量沒(méi)有幫助的原假設(shè)。首先，檢驗(yàn)“x不是引起y變化的原因”的原假設(shè)，對(duì)下列兩個(gè)回歸模型進(jìn)行估計(jì)：無(wú)假設(shè)條件回歸：有假設(shè)條件回歸：

（11.21）（11.22）36然后用各回歸的殘差平方和計(jì)算F統(tǒng)計(jì)值，檢驗(yàn)系數(shù)β1，β2，…，βm是否同時(shí)顯著的不為0。如果是這樣，我們就拒絕“x不是引起y變化的原因”的原假設(shè)。37其中F統(tǒng)計(jì)值的構(gòu)成為：

（11.23）其中和分別為有限制條件回歸和無(wú)限制條件回歸的殘差平方和；N是觀察個(gè)數(shù)；K是無(wú)限制條件回歸參數(shù)個(gè)數(shù)；q是參數(shù)限制個(gè)數(shù)。該統(tǒng)計(jì)量服從F(q,N-K)分布。38顯然，如果F統(tǒng)計(jì)值大于臨界值，我們就拒絕原假設(shè)，得到x是引起y變化的原因。反之，接受原假設(shè)。接下來(lái)，檢驗(yàn)“y不是引起x變化的原因”的原假設(shè)，做同樣的回歸估計(jì)，但是交換