2020版金融计量学：时间序列分析视角(第三版)教学课件第12章第2节.ppt

1、2020版金融计量学：时间序列分析视角(第三版)教学课件第12章第2节 从长期来看，即所谓的均衡状态或者静止状态，这样的关系精确地存在，所以在长期，我们有：然而，从短期来看，例如对于每个确定的时刻t，都存在偏离协整关系 的成分。这种偏离代表了这些长期关系在短期内的一定程度的非均衡状态，所以偏离成分一般被称为误差。0ttZB Y tBY 因此，促使 增加或者减少，从而使得 朝着它的长期均值移动(长期均值为0，为什么?)。这种增加或者减小的变化，实际上是一种调整，所以称为误差修正。因为这里我们研究的对象是VAR模型，所以VECM的名字由此而来。11ttAZABYtYtB Y 根据定义，矩阵A衡量了

2、 中每个变量是如何调整，从而回复到长期的均衡关系的水平上。所以，矩阵A经常被称为调整系数。另外，在实践中，经常对协整向量B进行标准化。tY12.4.2 VECM12.4.2 VECM模型的演示模型的演示1 1）两个变量的）两个变量的VARVAR（1 1）模型的）模型的VECMVECM1,1112,1221120.41.50.21.50.61.50.20.512.5ttttttttttyyyyyZyy 在 这 个 例 子 中，使的 系 数 为。这 样，就 可 以 定 义为 平 稳 的 协 整 变 量。因此，促使 增加或者减少，从而使得 朝着它的长期均值移动(长期均值为0，为什么?)。这种增加或者

3、减小的变化，实际上是一种调整，所以称为误差修正。11ttAZABYtYtB Y 12.4.2 VECM12.4.2 VECM模型的演示模型的演示1 1）两个变量的）两个变量的VARVAR（1 1）模型的）模型的VECMVECM1,1112,1221120.41.50.21.50.61.50.20.512.5ttttttttttyyyyyZyy 在 这 个 例 子 中，使的 系 数 为。这 样，就 可 以 定 义为 平 稳 的 协 整 变 量。这样，本例中的VAR模型对应的VECM形式就可以写成：（12.48）或者写成：（12.49）1,1112,12211,12,120.612.50.20.6

4、2.50.2ttttttttttyyyyyy11,12,1121,12,120.6(2.5)0.2(2.5)ttttttttyyyyyy 2 2）3 3个变量的个变量的VARVAR（1 1）模型与）模型与VECMVECM VAR模型的ADF形式，即：或者写成：（12.50）1tttYY 11112131,1122122232,1233132333,13tttttttttyyyyyy 从最简单的协整情况开始，如果在这三个变量存在一个协整关系，即 ，那么平稳的线性组合可以写成：（12.51）根据定义，就是一个一维的随机变量，协整向量 (标准化了的形式)。()1rrank 123212 23 331

5、ttttttttyZBybbyyb ybyytZ231Bbb 调整系数矩阵A就是一个 的向量，从而对应的VECM形式可以写成：(12.52)31111221233311,112122,1233,131tttttttttttttyayaZyaayabbyay 12.5 12.5 确定性趋势与协整分析确定性趋势与协整分析 在VAR模型中是否包含常数项，可以影响到协整检验的分析。所以，在大部分情况下，我们需要明确选择是否在VECM模型中加入常数项。为了将核心的问题讲清楚，我们使用VAR(1)模型来讨论向量协整分析中的确定性趋势设立问题。第一种情况，是最简单的情形，即假设Yt的组成变量都不含有确定性趋

6、势，协整向量中也不含有确定性趋势变量（即常数项），即：(12.56)11tttttYYABY,AB其中，和与前面的定义相同。第二种情况，假设Yt的组成变量都不含有确定性趋势，而协整向量中含有确定性趋势，即：(12.57)或者写成：(12.58)01tttttZB YcYAZ1010()tttttYABYcYAc 第三种情况，假设 的组成变量含有线性趋势变量（线性趋势变量就是指以时间t形式表现的），而协整等式中含有截距项，即：(12.59)其中：指的是在协整关系之外的确定性趋势项，表示系数矩阵。100()tttYA BYcAtYA0 第四种情况，假设 和协整关系式中都含有线性趋势项，即：(12.

7、60)tY1010()tttYA BYcctA 第五种情况，假设 含有二次型趋势项，协整关系等式含有线性趋势项，即：(12.61)其中：因为 为时间趋势项，所以 就表示二次型趋势项。tY10101()()tttYABYcctAt A01()At图图12-8 EViews5.112-8 EViews5.1中中VECMVECM模型选项模型选项12.6 Johansen12.6 Johansen协整分析方法协整分析方法12.6.1 Johansen12.6.1 Johansen协整分析方法介绍协整分析方法介绍 虽然Engle-Granger分析法简单易用，但是这种方法只能识别出多个变量的一种协整关系

8、。而如果存在多于一个协整关系的情形，Engle-Granger协整分析方法就不再适用了。因此，在多个变量的协整分析中，更常用的方法是Johansen协整分析法。Johansen协整分析过程中，第一步也是最重要的一步，就是检验协整关系的个数。在检验协整关系个数的同时，又会获得协整向量的估计结果(矩阵B)。这样，就得到矩阵 的元素，从而进一步得到VECM系统(12.43)的估计结果。tZ 12.6.2 12.6.2 协整向量个数的检验协整向量个数的检验 Johansen方法在检验协整关系的个数时，运用了一个重要的矩阵代数的知识，即每一个 维的方阵都有 个特征根。Johansen方法就是检验这些特征

9、根有多少个是大于0的正值。nnn Johansen的方法，实际上是一个循环过程，从检验第一个总体假设 开始，再检验 的情形，一直到一个平稳的系统对应的 。这个循环可以使用下列假设来描述：（9.63）()0rrank()1r rank()r rankn 0000110,1:0 :0:1 :1:1AAkA nHrHrHrHrHrkHrkM 矩阵 的特征根是 ，Johansen提出以下两个统计量，都可以用来检验向量协整关系的个数，这两个统计量分别定义为：Trace 统计量：(12.63)Maximal Eigenvalue 统计量：（12.64)(1,2,)iinL1ln(1),0,1,1ktrac

10、eii rTrn Lmax1ln(1),0,1,1rTrn L表表12-9 12-9 向量协整关系个向量协整关系个数的数的JohansenJohansen检验结果检验结果12.7 VECM12.7 VECM的估计与统计推断的估计与统计推断 在上面介绍的Johansen方法中，特征根 估计出之后，矩阵B的列就是对应的特征根向量，这样，对应的r个元素就可以被估计出来了。从理论上说，矩阵B的估计涉及到超级一致性问题，因为它是在估计一个由非平稳序列组成的平稳序列。ittZBY 12.8 Johansen12.8 Johansen协整分析方法的应用协整分析方法的应用表表12-10 Johansen12-10 Johansen协整检验结果协整检验结果图图12-7 EViews12-7 EViews中中VECMVECM假设检验对话窗口假设检验对话窗口