Stata基础：协整分析和误差修正模型
学术
2024-11-23 11:30
四川
协整（cointegrated）描述的是两个及以上时间序列变量之间的关系。若一个时间序列变量的阶差分是平稳的，则称该变量为阶单整；如果同阶单整的一组时间序列的一个线性组合为低阶单整的序列，则称这组时间序列之间存在协整关系，记作协整向量:(ai)=(a1 a2 ... ak)’Ÿ对于两个变量来说，若它们的线性组合的单整阶数小于它们自身，则它们的阶数必然相同；Ÿ对于多个变量来说，若它们的线性组合的单整阶数小于它们自身，但它们的阶数并不一定完全相等，则称它们具有多重协整（multicointegration）关系。建立误差修正模型，需要首先对变量进行协整分析，以发现变量之间的协整关系，即长期均衡关系，并以这种关系构成误差修正项。然后建立短期模型，将误差修正项看做一个解释变量，连同其他反映短期波动的解释变量一起，建立短期模型，即误差修正模型。由此我们可以利用误差修正方程进行短期的预测。我们考虑具有如下(1,1)阶分布滞后形式：其中，。我们将分布滞后形式称为一阶误差修正模型。实际上，变形后的式子可以写成: 在实际分析中，变量常常以对数的形式出现，其主要的原因在于变量对数的差分近似地等于该变量的变化率，而经济变量的变化率常常是平稳序列，因此适合包含在经典回归方程中。reg varname1 varname2 //varname1和varname2为两个变量的名称（1）拒绝原假设(原假设:至少存在一个单位根)，从5%的临界值来看，他的残差e是平稳的。意味在95%的水平下，我们可以去拒绝原假设。（2）因此，gdpr和consr是存在长期均衡关系的，估计出的协整关系gdpr=0.02+0.93*consr即为{gdpr，consr}之间的长期均衡关系(其中0.02，0.93为长期参数)。命令:reg dvarname1 dvarname1_lar dvarname2 ecm（1）拟合优度检验:调整R2为0.7933，说明解释变量能反映被解释变量79.33%的变化。因为这里仅仅研究了gdpr和consr之间的关系，还有很多其他因素并未引入。（2）F检验:P值为0.0000，说明回归方程整体显著。（3）T检验:解释变量dgdpr lar和dconsr的p值分别为0.039和0.000，显著（4）ecm和常数项p值为0.053和0.769，不显著。由于常数项和ecm的t检验不显著，将他们去除，重新输入回归命令：Dgdprt=-0.2778*dgdpr_lar+0.9236*(gdprt-1-0.02-0.93*consr t-1)（1）异方差:异方差一般存在于截面数据，举的例子是时间序列数据,（3）多重共线性:一般是在回归前做相关系数矩阵。此实验报告长期均衡回归方程只有1个解释变量。误差修正模型中的，dgdpr_lar和ecm可以看他们的相关系数，输入命令:结论:相关系数0.5740，小于0.8，可以认为不存在多重共线性。 ![]()
