误差修正模型：
如果用两个变量，人均消费y 和人均收入x （从格林的数据获得）来研究误差修正模型。 令z=（y x ）’，则模型为：
t t k
i i t t z p z A z επ+?++=?-=-∑11
10
其中，'αβπ=
如果令1=k ，即滞后项为1，则模型为
t t t t z p z A z επ+?++=?--1110
实际上为两个方程的估计：
t t t t t y t x p y p x b y b a y 1112111112111ε+?+?+++=?---- t t t t t x t x p y p x b y b a x 2122121122121ε+?+?+++=?----
用ols 命令做出的结果： gen t=_n tsset t
time variable: t, 1 to 204 gen ly=L.y
(1 missing value generated) gen lx=L.x
(1 missing value generated) reg D.y ly lx D.ly D.lx
Source | SS df MS Number of obs = 202 -------------+------------------------------ F( 4, 197) = 21.07 Model | 37251.2525 4 9312.81313 Prob > F = 0.0000 Residual | 87073.3154 197 441.996525 R-squared = 0.2996 -------------+------------------------------ Adj R-squared = 0.2854 Total | 124324.568 201 618.530189 Root MSE = 21.024
------------------------------------------------------------------------------
D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+----------------------------------------------------------------
ly | .0417242 .0187553 2.22 0.027 .0047371 .0787112 lx | -.0318574 .0171217 -1.86 0.064 -.0656228 .001908 ly |
D1. | .1093189 .082368 1.33 0.186 -.0531173 .2717552 lx |
D1. | .0792758 .0566966 1.40 0.164 -.0325344 .1910861 _cons | 2.533504 3.757158 0.67 0.501 -4.875909 9.942916 这是t t t t t y t x p y p x b y b a y 1112111112111ε+?+?+++=?----的回归结果，其中y a =2.5335，
b 11=0.04172，b 12= -0.03186，p 11=0.10932，p 12=0.07928
同理可得t t t t t x t x p y p x b y b a x 2122121122121ε+?+?+++=?----的回归结果，见下 reg D.x ly lx D.ly D.lx
Source | SS df MS Number of obs = 202 -------------+------------------------------ F( 4, 197) = 11.18 Model | 36530.2795 4 9132.56988 Prob > F = 0.0000 Residual | 160879.676 197 816.648101 R-squared = 0.1850 -------------+------------------------------ Adj R-squared = 0.1685 Total | 197409.955 201 982.139082 Root MSE = 28.577
------------------------------------------------------------------------------
D.x | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+----------------------------------------------------------------
ly | .037608 .0254937 1.48 0.142 -.0126676 .0878836 lx | -.0307729 .0232732 -1.32 0.188 -.0766694 .0151237 ly |
D1. | .4149475 .111961 3.71 0.000 .1941517 .6357434 lx |
D1. | -.1812014 .0770664 -2.35 0.020 -.3331825 -.0292203 _cons | 11.20186 5.10702 2.19 0.029 1.130419 21.27331
如果用vec 命令
vec y x, pi
Vector error-correction model
Sample: 3 - 204 No. of obs = 202
AIC = 18.29975 Log likelihood = -1839.275 HQIC = 18.35939 Det(Sigma_ml) = 277863.4 SBIC = 18.44715
Equation Parms RMSE R-sq chi2 P>chi2
----------------------------------------------------------------
D_y 4 20.9706 0.6671 396.7818 0.0000
D_x 4 28.5233 0.5328 225.8313 0.0000
----------------------------------------------------------------
------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
_ce1 |
L1. | .0418615 .0069215 6.05 0.000 .0282956 .0554273
y |
LD. | .1091985 .0807314 1.35 0.176 -.0490323 .2674292
x |
LD. | .0793652 .055411 1.43 0.152 -.0292384 .1879687
_cons | -3.602279 3.759537 -0.96 0.338 -10.97084 3.766278
-------------+----------------------------------------------------------------
D_x |
_ce1 |
L1. | .0256414 .0094143 2.72 0.006 .0071897 .044093
y |
LD. | .4254495 .1098075 3.87 0.000 .2102308 .6406683
x |
LD. | -.1889879 .0753677 -2.51 0.012 -.3367058 -.04127
_cons | 5.880993 5.113562 1.15 0.250 -4.141405 15.90339
------------------------------------------------------------------------------
这里_ce1 L1显示的是速度调整参数α的估计值，上述结果没有π的估计，而是在下面的表格中。
Cointegrating equations 协整公式
Equation Parms chi2 P>chi2
-------------------------------------------
_ce1 1 853.9078 0.0000
-------------------------------------------
Identification: beta is exactly identified
Johansen normalization restriction imposed
------------------------------------------------------------------------------
beta | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_ce1 |
y | 1 . . . . .
x | -.764085 .0261479 -29.22 0.000 -.8153339 -.7128362 _cons | 146.9988 . . . . .
------------------------------------------------------------------------------
上表中beta显示的β的估计值。
Impact parameters
Equation Parms chi2 P>chi2
-------------------------------------------
D_y 1 36.57896 0.0000
D_x 1 7.418336 0.0065
-------------------------------------------
------------------------------------------------------------------------------
Pi | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
y |
L1. | .0418615 .0069215 6.05 0.000 .0282956 .0554273
x |
L1. | -.0319857 .0052886 -6.05 0.000 -.0423512 -.0216203
-------------+----------------------------------------------------------------
D_x |
y |
L1. | .0256414 .0094143 2.72 0.006 .0071897 .044093
x |
L1. | -.0195922 .0071933 -2.72 0.006 -.0336908 -.0054935
命令pi 显示π的估计值，上表中显示，在第一个方程中协整向量π中，y的L1（滞后一期）的估计值为0.0418615，x的L1（滞后一期）的估计值为-0.0319857，这与ols估计的b11=0.04172，b12= -0.03186很类似；在第二个方程中协整向量π的估计与ols估计的有些差别，可能暗示第二个方程对均衡误差没有反应。
检验协整向量的秩，
vecrank y x Johanson协整检验
Johansen tests for cointegration
Trend: constant Number of obs = 202 Sample: 3 - 204 Lags = 2
-------------------------------------------------------------------------------
5%
maximum trace critical
rank parms LL eigenvalue statistic value
0 6 -1856.3997 . 34.5784 15.41
1 9 -1839.2746 0.15596 0.3282* 3.76
2 10 -1839.1105 0.00162
-------------------------------------------------------------------------------
trace statistic 表明拒绝rank（π）=0的假设，但是不能拒绝rank（π）=1的假设，所以人均消费和人均收入的模型中，协整向量的秩为1。也表明人均消费和人均收入符合误差修正模型。
（不在第一个上就说明至少有一个协整关系）
vec y x, al
al显示α的估计值，即速度调整参数的估计
Adjustment parameters
Equation Parms chi2 P>chi2
-------------------------------------------
D_y 1 36.57896 0.0000
D_x 1 7.418336 0.0065
-------------------------------------------
------------------------------------------------------------------------------
alpha | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
_ce1 |
L1. | .0418615 .0069215 6.05 0.000 .0282956 .0554273
-------------+----------------------------------------------------------------
D_x |
_ce1 |
L1. | .0256414 .0094143 2.72 0.006 .0071897 .044093
而β矩阵的估计为：
------------------------------------------------------------------------------
beta | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_ce1 |
y | 1 . . . . .
x | -.764085 .0261479 -29.22 0.000 -.8153339 -.7128362 _cons | 146.9988 . . . . .
------------------------------------------------------------------------------
即146.9988+y-0.764085 x=0
而αβ’即为π，即α’=（0.0418615 0.0256414），β’=（1 -0.764085），
π的第一行即为第一个方程中的π的估计值（0.0418615 -0.0319857）
其中，0.0418615*（-0.764085）= -0.0319857
π的第二行即为第二个方程中的π的估计值（0.0256414 -0.0195922）
------------------------------------------------------------------------------
Pi | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
y |
L1. | .0418615 .0069215 6.05 0.000 .0282956 .0554273
x |
L1. | -.0319857 .0052886 -6.05 0.000 -.0423512 -.0216203
-------------+----------------------------------------------------------------
D_x |
y |
L1. | .0256414 .0094143 2.72 0.006 .0071897 .044093
x |
L1. | -.0195922 .0071933 -2.72 0.006 -.0336908 -.0054935
此时虽然β矩阵的估计中有截距项，但在π的显示结果中没有截距项，此时截距项被放在误差修正模型中了。
如果用t(rc)命令，则截距项出现在π中，而误差修正模型中没有截距项。
vec y x, t(rc) pi al
Vector error-correction model
Sample: 3 - 204 No. of obs = 202
AIC = 18.30856 Log likelihood = -1841.164 HQIC = 18.36157 Det(Sigma_ml) = 283111.1 SBIC = 18.43958
Equation Parms RMSE R-sq chi2 P>chi2
----------------------------------------------------------------
D_y 3 20.9329 0.6666 395.9259 0.0000
D_x 3 28.5972 0.5280 221.5231 0.0000
----------------------------------------------------------------
------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
_ce1 |
L1. | .041464 .0045894 9.03 0.000 .0324688 .0504591
y |
LD. | .1128688 .0801805 1.41 0.159 -.044282 .2700196
x |
LD. | .0765203 .054746 1.40 0.162 -.0307799 .1838205
-------------+----------------------------------------------------------------
D_x |
_ce1 |
L1. | .0386104 .0062698 6.16 0.000 .0263218 .050899
y |
LD. | .4012721 .1095377 3.66 0.000 .1865822 .6159621
x |
LD. | -.1705861 .0747907 -2.28 0.023 -.3171732 -.0239991
------------------------------------------------------------------------------
Cointegrating equations
Equation Parms chi2 P>chi2
-------------------------------------------
_ce1 1 924.1123 0.0000
-------------------------------------------
Identification: beta is exactly identified
Johansen normalization restriction imposed
------------------------------------------------------------------------------
beta | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_ce1 |
y | 1 . . . . .
x | -.773902 .025458 -30.40 0.000 -.8237986 -.7240053 _cons | 105.6838 81.37255 1.30 0.194 -53.8035 265.171 ------------------------------------------------------------------------------
Adjustment parameters
Equation Parms chi2 P>chi2
-------------------------------------------
D_y 1 81.62498 0.0000
D_x 1 37.92271 0.0000
------------------------------------------------------------------------------
alpha | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
_ce1 |
L1. | .041464 .0045894 9.03 0.000 .0324688 .0504591 -------------+----------------------------------------------------------------
D_x |
_ce1 |
L1. | .0386104 .0062698 6.16 0.000 .0263218 .050899 ------------------------------------------------------------------------------
Impact parameters
Equation Parms chi2 P>chi2
-------------------------------------------
D_y 1 81.62498 0.0000
D_x 1 37.92271 0.0000
-------------------------------------------
------------------------------------------------------------------------------
Pi | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
y |
L1. | .041464 .0045894 9.03 0.000 .0324688 .0504591
x |
L1. | -.032089 .0035518 -9.03 0.000 -.0390504 -.0251277
_cons | 4.382067 .4850288 9.03 0.000 3.431428 5.332706
-------------+----------------------------------------------------------------
D_x |
y |
L1. | .0386104 .0062698 6.16 0.000 .0263218 .050899
x |
L1. | -.0298806 .0048522 -6.16 0.000 -.0393908 -.0203705
_cons | 4.080489 .6626169 6.16 0.000 2.781784 5.379194 ------------------------------------------------------------------------------
此时在π的矩阵估计中，有截距项，但是在误差修正模型中没有截距项。
如果用t(rt)命令，在协整向量β中有趋势项的估计（即对时间t的系数的估计），而在整个误差修正模型中没有趋势项，但是有截距项的估计。在π的估计中，只有趋势项，没有截距项，因为截距项的估计已经包含在误差修正模型中了。
vec y x, t(rt) pi al
Vector error-correction model
Sample: 3 - 204 No. of obs = 202
AIC = 18.2926 Log likelihood = -1837.553 HQIC = 18.35887
Det(Sigma_ml) = 273167.6 SBIC = 18.45638
Equation Parms RMSE R-sq chi2 P>chi2
----------------------------------------------------------------
D_y 4 20.8735 0.6702 400.296 0.0000
D_x 4 28.0435 0.5484 239.2424 0.0000
----------------------------------------------------------------
------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
_ce1 |
L1. | .0769485 .01239 6.21 0.000 .0526645 .1012325
y |
LD. | .0861433 .0819685 1.05 0.293 -.0745121 .2467986
x |
LD. | .0989288 .0554018 1.79 0.074 -.0096569 .2075144
_cons | -2.443936 3.5442 -0.69 0.490 -9.390441 4.502569
-------------+----------------------------------------------------------------
D_x |
_ce1 |
L1. | .0632409 .016646 3.80 0.000 .0306153 .0958664
y |
LD. | .3552693 .1101247 3.23 0.001 .1394288 .5711098
x |
LD. | -.1724981 .0744324 -2.32 0.020 -.3183828 -.0266133
_cons | 2.973666 4.761634 0.62 0.532 -6.358965 12.3063
------------------------------------------------------------------------------
Cointegrating equations
Equation Parms chi2 P>chi2
-------------------------------------------
_ce1 1 143.3685 0.0000
-------------------------------------------
Identification: beta is exactly identified
Johansen normalization restriction imposed
------------------------------------------------------------------------------
beta | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_ce1 |
y | 1 . . . . .
x | -1.093286 .0913076 -11.97 0.000 -1.272246 -.9143263 _trend | 6.923713 2.414737 2.87 0.004 2.190915 11.65651
_cons | 265.9482 . . . . . ------------------------------------------------------------------------------
Adjustment parameters
Equation Parms chi2 P>chi2
-------------------------------------------
D_y 1 38.57054 0.0000
D_x 1 14.43364 0.0001
-------------------------------------------
------------------------------------------------------------------------------
alpha | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
_ce1 |
L1. | .0769485 .01239 6.21 0.000 .0526645 .1012325 -------------+----------------------------------------------------------------
D_x |
_ce1 |
L1. | .0632409 .016646 3.80 0.000 .0306153 .0958664 ------------------------------------------------------------------------------
Impact parameters
Equation Parms chi2 P>chi2
-------------------------------------------
D_y 1 38.57054 0.0000
D_x 1 14.43364 0.0001
-------------------------------------------
------------------------------------------------------------------------------
Pi | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
y |
L1. | .0769485 .01239 6.21 0.000 .0526645 .1012325
x |
L1. | -.0841267 .0135458 -6.21 0.000 -.110676 -.0575773 _trend | .5327692 .085785 6.21 0.000 .3646337 .7009046 -------------+----------------------------------------------------------------
D_x |
y |
L1. | .0632409 .016646 3.80 0.000 .0306153 .0958664
x |
L1. | -.0691403 .0181988 -3.80 0.000 -.1048094 -.0334713 _trend | .4378615 .1152521 3.80 0.000 .2119715 .6637515 ------------------------------------------------------------------------------
如果用t(t)命令，在协整向量β中有趋势项和截距项的估计，在误差修正模型中也有趋势项和截距项的估计，但在π的估计中没有趋势项和截距项的估计
vec y x, t(t) pi al
Vector error-correction model
Sample: 3 - 204 No. of obs = 202
AIC = 18.28006 Log likelihood = -1835.286 HQIC = 18.35295
Det(Sigma_ml) = 267103.3 SBIC = 18.46021
Equation Parms RMSE R-sq chi2 P>chi2
----------------------------------------------------------------
D_y 5 21.0672 0.6657 392.335 0.0000
D_x 5 27.7099 0.5613 252.0789 0.0000
----------------------------------------------------------------
------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
_ce1 |
L1. | .0571242 .0245116 2.33 0.020 .0090823 .105166
y |
LD. | .1223172 .0814153 1.50 0.133 -.0372539 .2818883
x |
LD. | .087465 .0574244 1.52 0.128 -.0250847 .2000147 _trend | .0903107 .0414989 2.18 0.030 .0089743 .1716471
_cons | -.4646132 3.478827 -0.13 0.894 -7.282989 6.353763
-------------+----------------------------------------------------------------
D_x |
_ce1 |
L1. | .1193333 .0322403 3.70 0.000 .0561435 .182523
y |
LD. | .3340591 .107086 3.12 0.002 .1241744 .5439439
x |
LD. | -.1378621 .0755306 -1.83 0.068 -.2858994 .0101751 _trend | -.0432312 .0545838 -0.79 0.428 -.1502134 .063751
_cons | 1.633519 4.575721 0.36 0.721 -7.33473 10.60177
------------------------------------------------------------------------------
Cointegrating equations
Equation Parms chi2 P>chi2
-------------------------------------------
_ce1 1 249.0347 0.0000
-------------------------------------------
Identification: beta is exactly identified
Johansen normalization restriction imposed
------------------------------------------------------------------------------
beta | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
_ce1 |
y | 1 . . . . .
x | -1.226905 .0777465 -15.78 0.000 -1.379285 -1.074525 _trend | 9.62045 . . . . .
_cons | 341.1097 . . . . . ------------------------------------------------------------------------------
Adjustment parameters
Equation Parms chi2 P>chi2
-------------------------------------------
D_y 1 5.431199 0.0198
D_x 1 13.70017 0.0002
-------------------------------------------
------------------------------------------------------------------------------
alpha | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
_ce1 |
L1. | .0571242 .0245116 2.33 0.020 .0090823 .105166 -------------+----------------------------------------------------------------
D_x |
_ce1 |
L1. | .1193333 .0322403 3.70 0.000 .0561435 .182523 ------------------------------------------------------------------------------
Impact parameters
Equation Parms chi2 P>chi2
-------------------------------------------
D_y 1 5.431199 0.0198
D_x 1 13.70017 0.0002
-------------------------------------------
------------------------------------------------------------------------------
Pi | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
D_y |
y |
L1. | .0571242 .0245116 2.33 0.020 .0090823 .105166
x |
L1. | -.0700859 .0300734 -2.33 0.020 -.1290287 -.0111431 -------------+----------------------------------------------------------------
D_x |
y |
L1. | .1193333 .0322403 3.70 0.000 .0561435 .182523
x |
L1. | -.1464106 .0395557 -3.70 0.000 -.2239384 -.0688827 ------------------------------------------------------------------------------
.
DFULLER
一、误差修正模型的构造 对于yt的(1，1阶自回归分布滞后模型： 在模型两端同时减yt-1，在模型右端，得： 其中，，，。 记（5-5） 则（5-6） 称模型（5-6）为“误差修正模型”，简称ECM。 二、误差修正模型的含义 如果yt ~ I(1，x t ~ I(1，则模型（5-6）左端，右端，所以只有当yt和x t协整、即yt和x t之间存在长期均衡关系时，式（5-5）中的ecm~I(0，模型（5-6）两端的平稳性才会相同。 当yt和x t协整时，设协整回归方程为：
它反映了yt与x t的长期均衡关系，所以称式（5-5）中的ecm t-1是前一期的“非均衡误差”，称误差修正模型（5-6） 中的是误差修正项，是 修正系数，由于通常 ，这样；当ecm t-1 >0时（即出现正误差），误差修正项< 0，而ecm t-1 < 0时（即出现负误差）， > 0，两者的方向恰好相反，所以，误差修正是一个反向 调整过程（负反馈机制）。 误差修正模型有以下几个明确的含义： 1．均衡的偏差调整机制 2．协整与长期均衡的关系 3．经济变量的长期与短期变化模型 长期趋势模型： 短期波动模型： 三、误差修正模型的估计 建立ECM的具体步骤为： 1．检验被解释变量y与解释变量x（可以是多个变量）之间的协整性； 2．如果y与x存在协整关系，估计协整回归方程，计算残差序列e t：
3．将e t-1作为一个解释变量，估计误差修正模型： 说明： （1）第1步协整检验中，如果残差是确定趋势过程，可以在第2步的协整回归方程中加入趋势变量； （2）第2步可以估计动态自回归分布滞后模型： 此时，长期参数为： 协整回归方程和残差也相应取成： ， （3）第2步估计出ECM之后，可以检验模型的残差是否存在长期趋势和自相关性。如果存在长期趋势，则在ECM中加入趋势变量。如果存在自相关性，则在ECM的右端加入 误差修正项的滞后期一般也要作相应 调整。 如取成以下形式：
第二节 误差修正模型（Error Correction Model ，ECM ） 一、误差修正模型的构造 对于y t 的(1，1)阶自回归分布滞后模型： t t t t t y x x y εβββα++++=--12110 在模型两端同时减y t-1，在模型右端10-±t x β，得： t t t t t t t t t t t t t x y x x y x y x x y εααγβεββββαββεββββα+--+?=+---+--+?=+-+++?+=?------)(]) 1()1()[1()1()(1101012120120121100 其中，12-=βγ，)1/()(200ββαα-+=，)1/(211ββα-=。 记 11011-----=t t t x y ecm αα （5-5） 则 t t t t ecm x y εγβ++?=?-10 （5-6） 称模型（5-6）为“误差修正模型”，简称ECM 。 二、误差修正模型的含义 如果y t ~ I(1)，x t ~ I(1)，则模型（5-6）左端)0(~I y t ?，右端)0(~I x t ?，所以只有当y t 和x t 协整、即y t 和x t 之间存在长期均衡关系时，式（5-5）中的ecm~I(0)，模型（5-6）两端的平稳性才会相同。 当y t 和x t 协整时，设协整回归方程为： t t t x y εαα++=10 它反映了y t 与x t 的长期均衡关系，所以称式（5-5）中的ecm t -1
是前一期的“非均衡误差”，称误差修正模型（5-6）中的1-t ecm γ是误差修正项，12-=βγ是修正系数，由于通常1||2<β，这样 0<γ； 当ecm t -1 >0时（即出现正误差），误差修正项1-t ecm γ< 0，而ecm t -1 < 0时（即出现负误差），1-t ecm γ> 0，两者的方向恰 好相反，所以，误差修正是一个反向调整过程（负反馈机制）。 误差修正模型有以下几个明确的含义： 1．均衡的偏差调整机制 2．协整与长期均衡的关系 3．经济变量的长期与短期变化模型 长期趋势模型： t t t x y εαα++=10 短期波动模型： t t t t ecm x y εγβ++?=?-10 三、误差修正模型的估计 建立ECM 的具体步骤为： 1．检验被解释变量y 与解释变量x （可以是多个变量）之间的协整性； 2．如果y 与x 存在协整关系，估计协整回归方程，计算残差序列e t ： t t t x y εβα++=0 t t t x y e 0??βα--= 3．将e t-1作为一个解释变量，估计误差修正模型： t t t t v e x y ++?=?-10γβ 说明： （1）第1步协整检验中，如果残差是确定趋势过程，可以在第2步的协整回归方程中加入趋势变量； （2）第2步可以估计动态自回归分布滞后模型： t i t i i t i t y x y εβαα∑∑+++=-- 此时，长期参数为： ∑∑-=)1(i i βαθ 协整回归方程和残差也相应取成：
协整检验及误差修正模型实验指导 一、实验目的 理解经济时间序列之间的理论关系，并学会用统计方法验证他们之间的关系。学会验证时间序列存在的不平稳性，掌握ADF检验平稳性的方法。认识不平稳的序列容易导致虚假回归问题，掌握为解决虚假回归问题引出的协整检验，协整的概念和具体的协整检验过程。协整描述了变量之间的长期关系，为了进一步研究变量之间的短期均衡是否存在，掌握误差纠正模型方法。 二、实验内容及要求 1、实验内容 用Eviews来分析1982年到2002年中国居民实际消费支出的对数序列和中国居民实际可支配收入的对数序列{}之间的关系。内容包括： （1）对两个对数序列分别进行ADF平稳性检验； （2）进行二者之间的协整关系检验； （3）若存在协整关系，建立误差修正模型ECM。 2、实验要求 （1）在认真理解本章内容的基础上，通过实验掌握ADF检验平稳性的方法； （2）掌握具体的协整检验过程，以及误差修正模型的建立方法； （3）能对宏观经济变量间的长期均衡关系进行分析。 三、实验指导 1、对两个数据序列分别进行平稳性检验： （1）做时序图看二者的平稳性 在workfile中按住ctrl选择要检验的二变量，击右键，选择open—as group，此时他们可以作为一个数据组被打开。点击“View”―“graph”—“line”，得到两个序列的时序图。 给出两个序列的时序图。 从上图可以看出两个序列都呈上升趋势，显然不平稳，但二者有大致相同的增长和变化趋势，说明二者可能存在协整关系。但若要证实二者有协整关系，必须先看二者的单整阶数，如果都是一阶单整，则可能存在协整关系，若单整地阶数不相同，则需采取差分的方式，
实验八 协整检验及误差修正模型实验指导 一、实验目的 理解经济时间序列之间的理论关系，并学会用统计方法验证他们之间的关系。学会验证时间序列存在的不平稳性，掌握ADF 检验平稳性的方法。认识不平稳的序列容易导致虚假回归问题，掌握为解决虚假回归问题引出的协整检验，协整的概念和具体的协整检验过程。协整描述了变量之间的长期关系，为了进一步研究变量之间的短期均衡是否存在，掌握误差纠正模型方法。 二、基本概念 设随机向量t X 中所含分量均为d 阶单整，记为t X I(d ):。如果存在一个非零向量β，使得随机向量()~t t Y X I d b =-β，0b >，则称随机向量t X 具有d ,b 阶协整关系，记为t X CI(d ,b ):，向量β被称为协整向量。特别地，t y 和t x 为随机变量，并且t y ，~(1)t x I ，当01()~I(0)t t t y x εββ=-+，即t y 和t x 的线性组合与I(0)变量有相同的统计性质，则称t y 和t x 是协整的，()01,ββ称为协整系数。更一般地，如果一些I(1)变量的线性组合是I(0)，那么我们就称这些变量是协整的。 三、实验内容及要求 1、实验内容 用Eviews5.1来分析1978年到2002年中国农村居民对数生活费支出序列{ln }t y 和对数人均纯收入{ln t x }序列之间的关系。内容包括： （1）对两个对数序列分别进行ADF 平稳性检验； （2）进行二者之间的协整关系检验； （3）若存在协整关系，建立误差纠正模型ECM 。 2、实验要求 （1）在认真理解本章内容的基础上，通过实验掌握ADF 检验平稳性的方法； （2）掌握具体的协整检验过程，以及误差纠正模型的建立方法； （3）能对宏观经济变量间的长期均衡关系进行分析。 四、实验指导 1、对两个数据序列分别进行平稳性检验： （1）做时序图看二者的平稳性 首先按前面介绍的方法导入数据，在workfile 中按住ctrl 选择要检验的二变量，击右键，选择open —as group ，此时他们可以作为一个数据组被打开。 点击“View ”―“graph ”—“line ”，对两个序列做时序图见图8-1，两个序列都呈上升趋势，显然不平稳，但二者有大致相同的增长和变化趋势，说明二者可能存在协整关系。但若要证实二者有协整关系，必须先看二者的单整阶数，如果都是一阶单整，则可能存在协整关系，若单整地阶数不相同，则需采取差分的方式，将他们变成一阶单整序列。 图8-1 ln t x 和ln t y 时序图
例：（file: break2）东北、华北、华东、华中21省市1993和1998年耕地面积（land ,百万公顷）和农业产值（Y , 百亿元）数据见图（已取对数）。用圆圈表示的观测点为1993年数据，用三角表示的观测点为1998年数据。大体看各省市1998年耕地面积比1993年耕地面积略有减少，产值却都有增加。以1993和1998年数据为两个子样本，以42个数据为总样本，求得残差平方和见下表 -10 12 3 -2 -1 1 2 3 LOG(LAND) LOG(Y93)LOG(Y98) -10 1 2 3 -2 -1 1 2 3 LOG(LAND) LOG(Y93)LOG(Y98) 样本容量 残差平方和 相应自由度 回归系数 1 T = 42 SSE T = 14.26 T - k = 40 2 n 1= 21 SSE 1 = 4.37 n 1 - k = 19 α1 3 n 2= 21 SSE 2 = 3.76 n 2 - k = 19 β1 注：三次回归的模型形式Lnout t = β0 +β1 Lnland t + u t 。 因为， F = ) 2/()(/)]([2121k T SSE SSE k SSE SSE SSE T -++-= 38 /)76.337.4(2 /)]76.337.4(26.14[++-= 14.33 > F (1, 40) = 7.31
所以两个年度21省市的农业生产发生了很大变化。
案例1：开滦煤矿利润影响因素的实证分析（1903-1940，动态分布滞后模型，file:LH1） （发表在《学术论坛》，2003.1, p. 88-90） 1000 2000300040005000600005 10 15 20 25 30 35 40 销煤量 x1 图 1 开滦煤矿销煤量变化曲线（x 1, 1903-1940） 2 4681012141605 10 15 20 25 30 35 40 吨煤售价 X2 图2 开滦煤矿吨煤售价变化曲线（x 2, 1903-1940）
协整与误差修正模型 在处理时间序列数据时，我们还得考虑序列的平稳性。如果一个时间序列的均值或自协方差函数随时间而改变，那么该序列就是非平稳的。对于非平稳的数据，采用传统的估计方法，可能会导致错误的推断，即伪回归。若非平稳序列经过一阶差分变为平稳序列，那么该序列就为一阶单整序列。对一组非平稳但具有同阶的序列而言，若它们的线性组合为平稳序列，则称该组合序列具有协整关系。对具有协整关系的序列，我们算出误差修正项，并将误差修正项的滞后一期看做一个解释变量，连同其他反映短期波动关系的变量一起。建立误差修正模型。 建立误差修正模型的步骤如下：首先，对单个序列进行单根检验，进行单根检验有两种：ADF （Augument Dickey-Fuller ）和DF(Dickey-Fuller)检验法。若序列都是同阶单整，我们就可以对其进行协整分析。在此我们只介绍单个方程的检验方法。对于多向量的检验参见Johensen 协整检验。我们可以先求出误差项，再建立误差修正模型，也可以先求出向量误差修正模型，然后算出误差修正项。补充一点的是，误差修正模型反映的是变量短期的相互关系，而误差修正项反映出变量长期的关系。下面我们给出案例分析。 案例分析 在此，我们考虑从1978年到2002年城镇居民的人均可支配收入income 与人均消费水平consume 的关系，数据来自于《中国统计年鉴》，如表8.1所示。根据相对收入假设理论，在一定时期，人们的当期的消费水平不仅与当期的可支配收入、而且受前期的消费水平的影响，具有一定的消费惯性，这就是消费的棘轮效应。从这个理论出发，我们可以建立如下（8.1）式的模型。同时根据生命周期假设理论，消费者的消费不仅与当期收入有关，同时也受过去各项的收入以及对将来预期收入的限制和影响。从我们下面的数据分析中，我们可以把相对收入假设理论与生命周期假设理论联系起来，推出如下的结果：当期的消费水平不仅与当期的可支配收入有关，而且还与前期的可支配收入、前两期的消费水平有关。在此先对人均可支配收入和人均消费水平取对数，同时给出如下的模型 t t t lincome lconsume lconsume 2110?+?+?=- t=1,2,…,n （8.1） 如果当期的人均消费水平与当期的人均可支配收入及前期的人均消费水平均为一阶单整序列，而它们的线性组合为平稳序列，那么我们可以求出误差修正序列，并建立误差修正模型，如下： t ecm lconsume lincome lconsume t t t t 4131210βββββ++?+?+=?-- t=1,2,…,n (8.2) t ecm = 12110--?-?-?-t t t lincome lconsume lconsume t=1,2,…,n (8.3) 从（8.2）式我们可以推出如下的方程： t lincome lincome lconsume lconsume lconsume t t t t t 4030123222131131)()()1(ββββββββββ+?-+?--+?--++=---（8.4） 在（8.2）中lconsume ?、 lincome ?分别为变量对数滞后一期的值，)1(-ecm 为误差修正项，如（8.3）式所示。（8.2）式为含有常数项和趋势项的形式，我们省略了只含趋
误差修正模型： 如果用两个变量，人均消费y 和人均收入x （从格林的数据获得）来研究误差修正模型。 令z=（y x ）’，则模型为： t t k i i t t z p z A z επ+?++=?-=-∑11 10 其中，'αβπ= 如果令1=k ，即滞后项为1，则模型为 t t t t z p z A z επ+?++=?--1110 实际上为两个方程的估计： t t t t t y t x p y p x b y b a y 1112111112111ε+?+?+++=?---- t t t t t x t x p y p x b y b a x 2122121122121ε+?+?+++=?---- 用ols 命令做出的结果： gen t=_n tsset t time variable: t, 1 to 204 gen ly=L.y (1 missing value generated) gen lx=L.x (1 missing value generated) reg D.y ly lx D.ly D.lx Source | SS df MS Number of obs = 202 -------------+------------------------------ F( 4, 197) = 21.07 Model | 37251.2525 4 9312.81313 Prob > F = 0.0000 Residual | 87073.3154 197 441.996525 R-squared = 0.2996 -------------+------------------------------ Adj R-squared = 0.2854 Total | 124324.568 201 618.530189 Root MSE = 21.024 ------------------------------------------------------------------------------ D.y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- ly | .0417242 .0187553 2.22 0.027 .0047371 .0787112 lx | -.0318574 .0171217 -1.86 0.064 -.0656228 .001908 ly | D1. | .1093189 .082368 1.33 0.186 -.0531173 .2717552 lx | D1. | .0792758 .0566966 1.40 0.164 -.0325344 .1910861 _cons | 2.533504 3.757158 0.67 0.501 -4.875909 9.942916 这是t t t t t y t x p y p x b y b a y 1112111112111ε+?+?+++=?----的回归结果，其中y a =2.5335，
大型作业报告 课程名称计量经济学 课程代码142102601 题目误差修正模型 专业经济学 班级2010271 成员陈晓燕
上海电力学院经济与管理学院
计量经济学大型作业评分表 备注： 课程设计报告的质量70%，分4个等级： 1、按要求格式书写，计算正确，方案合理，内容完整，绘图规范整洁，符合任务书的要求35－40 2、按要求格式书写，计算较正确，有少量错误，方案较合理，内容完整，绘图较规范整洁，基本符合任务书的要求26－34 3、基本按要求格式书写，计算较正确，有部分错误，方案较合理，内容基本完整，绘图不规范整洁，基本符合任务书的要求15－25 4、基本按要求格式书写，计算错误较多，方案不合理，内容不完整，绘图不规范整洁，不符合任务书的要求0－14 工作态度30%，分4个等级： 1、很好，积极参与，答疑及出勤情况很好16－20 2、良好，比较能积极参与，答疑情况良好但有少量缺勤记录，或答疑情况
一般但出勤情况良好11－15 3、一般，积极性不是很高，基本没有答疑记录，出勤情况较差6－10 4、欠佳，不认真投入，且缺勤很多，也没有任何答疑记录0－5 实验报告 一、实验目的与要求 1、掌握时间序列的ADF平稳性检验； 2、掌握双变量的Engel-Granger检验； 3、掌握双变量的误差修正模型； 4、熟练使用Eviews软件建立误差修正模型。 二、实验内容 依据1978-2010年我国人均消费和人均GDP的数据，完成以下内容。 1、对实验数据进行单位根检验； 2、利用E-G两步法对实验数据进行协整检验； 3、根据实验数据的关系，建立误差修正模型，估计并进行解释。 三、实验步骤 （1）收集数据
第二节误差修正模型（Error Correction Model，ECM） 一、误差修正模型的构造 对于yt的(1，1阶自回归分布滞后模型： 在模型两端同时减yt-1，在模型右端，得： 其中，，，。 记（5-5） 则（5-6） 称模型（5-6）为“误差修正模型”，简称ECM。 二、误差修正模型的含义 如果yt ~ I(1，xt ~ I(1，则模型（5-6）左端 ，右端，所以只有当yt和xt协整、即yt 和xt之间存在长期均衡关系时，式（5-5）中的 ecm~I(0，模型（5-6）两端的平稳性才会相同。 当yt和xt协整时，设协整回归方程为：
它反映了yt与xt的长期均衡关系，所以称式（5-5）中的ecmt-1是前一期的“非均衡误差”，称误差修正模型（5-6）中的是误差修正项，是修正系数，由于通常 ，这样；当ecmt-1 >0时（即出现正误差），误差 修正项< 0，而ecmt-1 < 0时（即出现负误差）， > 0，两者的方向恰好相反，所以，误差修正是一个反向 调整过程（负反馈机制）。 误差修正模型有以下几个明确的含义： 1．均衡的偏差调整机制 2．协整与长期均衡的关系 3．经济变量的长期与短期变化模型 长期趋势模型： 短期波动模型： 三、误差修正模型的估计 建立ECM的具体步骤为： 1．检验被解释变量y与解释变量x（可以是多个变量）之间的协整性； 2．如果y与x存在协整关系，估计协整回归方程，计算残差序列e t：
3．将e t-1作为一个解释变量，估计误差修正模型： 说明： （1）第1步协整检验中，如果残差是确定趋势过程，可以在第2步的协整回归方程中加入趋势变量； （2）第2步可以估计动态自回归分布滞后模型： 此时，长期参数为： 协整回归方程和残差也相应取成： ， （3）第2步估计出ECM之后，可以检验模型的残差是否存在长期趋势和自相关性。如果存在长期趋势，则在ECM中加入趋势变量。如果存在自相关性，则在ECM的右端加入的滞后项来消除自相关性，误差修正项的滞后期一般也要作相应调整。如取成以下形式： 由于模型中的各项都是平稳变量，所以可以用t检验判断各项的显著性，逐个剔除其中不显著的变量，当然误差修正项要尽可能保留。
实验八协整检验及误差修正模型实验指导 一、实验目的 理解经济时间序列之间的理论关系，并学会用统计方法验证他们之间的关系。学会验证时间序列存在的不平稳性，掌握ADF检验平稳性的方法。认识不平稳的序列容易导致虚假回归问题，掌握为解决虚假回归问题引出的协整检验，协整的概念和具体的协整检验过程。协整描述了变量之间的长期关系，为了进一步研究变量之间的短期均衡是否存在，掌握误差纠正模型方法。 二、基本概念 设随机向量中所含分量均为阶单整，记为。如果存在一个非零向量，使得随机向量，，则称随机向量具有阶协整关系，记为 ，向量被称为协整向量。特别地，和为随机变量，并且，，当，即和的线性组合与变量有相同的统计性质，则称和是协整的，称为协整系数。更一般地，如果一些变量的线性组 合是，那么我们就称这些变量是协整的。 三、实验内容及要求 1、实验内容 用Eviews5.1来分析1978年到2002年中国农村居民对数生活费支出序列和对数人均纯收入{}序列之间的关系。内容包括： （1）对两个对数序列分别进行ADF平稳性检验； （2）进行二者之间的协整关系检验； （3）若存在协整关系，建立误差纠正模型ECM。 2、实验要求 （1）在认真理解本章内容的基础上，通过实验掌握ADF检验平稳性的方法； （2）掌握具体的协整检验过程，以及误差纠正模型的建立方法； （3）能对宏观经济变量间的长期均衡关系进行分析。 四、实验指导 1、对两个数据序列分别进行平稳性检验： （1）做时序图看二者的平稳性
首先按前面介绍的方法导入数据，在workfile中按住ctrl选择要检验的二变量，击右键，选择open—as group，此时他们可以作为一个数据组被打开。 点击“View”―“graph”—“line”，对两个序列做时序图见图8-1，两个序列都呈上升趋势，显然不平稳，但二者有大致相同的增长和变化趋势，说明二者可能存在协整关系。但若要证实二者有协整关系，必须先看二者的单整阶数，如果都是一阶单整，则可能存在协整关系，若单整地阶数不相同，则需采取差分的方式，将他们变成一阶单整序列。 图8-1 和时序图 （2）用ADF检验分别对序列和进行单整检验 双击每个序列，对其进行ADF单位根检验，有两种方法。方法一：“view”—“unit root test”；方法二：点击菜单中的“quick”―“series statistic”―“unit root test”。序列和都有 明显的上升趋势，采用带常数项和趋势项的模型进行检验，见图8-2，对对数序列的原水平进行带趋势项和常数项的ADF检验，采用SC准则自动选择滞后阶数，检验结果见图8-3和8-4，在0.05的显著性水平下，都接受存在一个单位根的原假设，说明这两个序列都不平稳。
实验报告（二）——误差修正模型(ECM)的建立与分析 一、单位根检验： 1、绘制cons与GDP的时间序列图： 从时间序列图中可以看出，cons与GDP随时间增加都呈上升趋势，表现出非平稳性。 2、对cons进行单位根检验： 先选择对原序列（level）进行单位根检验，根据cons与GDP的时间序列图的走势，选择trend and intercept的检验方法，在maximum lags中填写ADF 检验方法的滞后期为0，从上表中可以看出，P值为0.9888，大于0.05的显著性水平，说明原序列是非平稳的。
选择cons的一阶差分（1st）和trend and intercept,从上表中可以看出，经过一阶差分后，P值（=0.5099）仍然没有通过0.05的置信水平检验，说明是不平稳的，需要继续改进。 再试用ADF检验，在滞后期（maximum lags）中填入8，选择一阶差分和trend and intercept，得出上表，可以看出P值=0.0801，大于0.05，没有通过0.05的置信水平检验，说明是不平稳的，需要继续改进。
再试用ADF检验，在滞后期（maximum lags）中填入6，选择二阶差分和trend and intercept，得出上表，可以看出P值=0.0137，小于0.05，通过0.05的置信水平检验，说明是平稳的。 3、对GDP进行单位根检验：
先选择对原序列（level）进行单位根检验，根据cons与GDP的时间序列图的走势，选择trend and intercept的检验方法，在maximum lags中填写ADF 检验方法的滞后期为0，从上表中可以看出，P值为1.0000，大于0.05的显著性水平，说明原序列是非平稳的。 选择GDP的一阶差分（1st）和trend and intercept,从上表中可以看出，经过一阶差分后，P值（=0.5574）仍然没有通过0.05的置信水平检验，说明是不平稳的，需要继续改进。
Error Correction Model 用EVIEWS怎么做 一、利用EG两步法做协整检验。在两个变量情况下（设为Y、X），包括两序列单整检验、两变量最小二乘法回归并得到残差序列并命名为e、对e作单位根检验。 二、在证明Y、X两序列间存在协整后，才可以建立ECM。其中，误差修正项ecm的值就是之前的回归模型的残差序列e。 三、直接输入以下命令： ls y c y(-1) x x(-1) 得到的估计结果在实际预测时比较方便，不过需要计算得到ecm项的系数。 四、也可以直接输入以下命令： ls y c x e(-1) 其中，e(-1)项的系数就是ecm项的系数。这个模型的优点是直观，但是不便于预测。 五、两种估计是等价的。 六、建议参考阅读易丹辉：《数据分析与EViews应用》，中国统计出版社2002年版。（也许有新版也不一定） 对于误差修正模型，需要先建立一个模型，然后进行回归分析，分析它的短期均衡关系。 操作：举个例子说，比如试图建立y对y(-1)和x的误差修正模型。 STEP1 建立长期关系 ls y c y(-1) x STEP2 对残差进行单位根检验来检验协整关系 ecm=resid uroot(10,h) ecm STEP3 建立误差修正模型 ls d(y) c d(y(-1)) d(x) ecm(-1)
教程：
案例1 上面的分析可以证明序列lconsume、lincome及lconsme(-1)之间存在协整关系，故可以建立ecm（误差修正模型）。先分别对序列lconsume、lincome及lconsme(-1)进行一阶差分,然后对误差修正模型进行估计。在主窗口命令行中输入： ls d(lconsume) c d(lincome) d(lconsume(-1)) ecm(-1) 此时的常数项系数不明显，我们去掉常数项后再进行回归，结果如下图8.6所示 图8.6 从上式可以看出上式中的T检验值均显著，误差修正项的系数为-0.252,这说明长期均衡对短期波动的影响不大。 下面我们短期会给出另一种估计方式。我们可以直接进行估计，命令为：
协整检验及误差修正模 型 HUA system office room 【HUA16H-TTMS2A-HUAS8Q8-HUAH1688】
协整检验及误差修正模型 设随机向量t X 中所含分量均为d 阶单整，记为t X I(d )。如果存在一个非零向量β，使得随机向量()~t t Y X I d b =-β，0b >，则称随机向量t X 具有d ,b 阶协整关系，记为t X CI(d ,b )，向量β被称为协整向量。特别地，t y 和t x 为随机变量，并且t y ， ~(1)t x I ，当01()~I(0)t t t y x εββ=-+，即t y 和t x 的线性组合与I(0)变量有相同的统计性质，则称t y 和t x 是协整的，()01,ββ称为协整系数。更一般地，如果一些I(1)变量的线性组合是I(0)，那么我们就称这些变量是协整的。 用Eviews5.1来分析1978年到2002年中国农村居民对数生活费支出序列{ln }t y 和对数人均纯收入{ln t x }序列之间的关系。 1、对两个数据序列分别进行平稳性检验： （1）做时序图看二者的平稳性 首先按前面介绍的方法导入数据，在workfile 中按住ctrl 选择要检验的二变量，击右键，选择open —as group ，此时他们可以作为一个数据组被打开。 点击“View ”―“graph ”—“line ”，对两个序列做时序图见图8-1，两个序列都呈上升趋势，显然不平稳，但二者有大致相同的增长和变化趋势，说明二者可能存在协整关系。但若要证实二者有协整关系，必须先看二者的单整阶数，如果都是一阶单整，则可能存在协整关系，若单整地阶数不相同，则需采取差分的方式，将他们变成一阶单整序列。 图8-1 ln t x 和ln t y 时序图
协整与误差修正模型 武汉大学经济学系数量经济学教研室《实践教改项目组》编制 在处理时间序列数据时，我们还得考虑序列的平稳性。如果一个时间序列的均值或自协方差函数随时间而改变，那么该序列就是非平稳的。对于非平稳的数据，采用传统的估计方法，可能会导致错误的推断，即伪回归。若非平稳序列经过一阶差分变为平稳序列，那么该序列就为一阶单整序列。对一组非平稳但具有同阶的序列而言，若它们的线性组合为平稳序列，则称该组合序列具有协整关系。对具有协整关系的序列，我们算出误差修正项，并将误差修正项的滞后一期看做一个解释变量，连同其他反映短期波动关系的变量一起。建立误差修正模型。 建立误差修正模型的步骤如下：首先，对单个序列进行单根检验，进行单根检验有两种：ADF （Augument Dickey-Fuller ）和DF(Dickey-Fuller)检验法。若序列都是同阶单整，我们就可以对其进行协整分析。在此我们只介绍单个方程的检验方法。对于多向量的检验参见Johensen 协整检验。我们可以先求出误差项，再建立误差修正模型，也可以先求出向量误差修正模型，然后算出误差修正项。补充一点的是，误差修正模型反映的是变量短期的相互关系，而误差修正项反映出变量长期的关系。下面我们给出案例分析。 案例分析 在此，我们考虑从1978年到2002年城镇居民的人均可支配收入income 与人均消费水平consume 的关系，数据来自于《中国统计年鉴》，如表8.1所示。根据相对收入假设理论，在一定时期，人们的当期的消费水平不仅与当期的可支配收入、而且受前期的消费水平的影响，具有一定的消费惯性，这就是消费的棘轮效应。从这个理论出发，我们可以建立如下（8.1）式的模型。同时根据生命周期假设理论，消费者的消费不仅与当期收入有关，同时也受过去各项的收入以及对将来预期收入的限制和影响。从我们下面的数据分析中，我们可以把相对收入假设理论与生命周期假设理论联系起来，推出如下的结果：当期的消费水平不仅与当期的可支配收入有关，而且还与前期的可支配收入、前两期的消费水平有关。在此先对人均可支配收入和人均消费水平取对数，同时给出如下的模型 t t t l i n c o m e l c o n s u m e l c o n s u m e 2110?+?+?=- t=1,2,…,n （8.1） 如果当期的人均消费水平与当期的人均可支配收入及前期的人均消费水平均为一阶单 整序列，而它们的线性组合为平稳序列，那么我们可以求出误差修正序列，并建立误差修正模型，如下： t ecm lconsume lincome lconsume t t t t 4131210βββββ++?+?+=?-- t=1,2,…,n (8.2) t ecm = 12110--?-?-?-t t t lincome lconsume lconsume t=1,2,…,n (8.3) 从（8.2）式我们可以推出如下的方程： t lincome lincome lconsume lconsume lconsume t t t t t 4030123222131131)()()1(ββββββββββ+?-+?--+?--++=---（8.4） 在（8.2）中lc o n s u m e ?、 lincome ?分别为变量对数滞后一期的值，)1(-ecm 为误差修正项，如（8.3）式所示。（8.2）式为含有常数项和趋势项的形式，我们省略了只含趋势项
协整检验及误差修正模型 设随机向量t X 中所含分量均为d 阶单整，记为t X I(d ):。如果存在一个非零向量β，使得随机向量()~t t Y X I d b =-β，0b >，则称随机向量t X 具有d ,b 阶协整关系，记为t X CI(d ,b ):，向量β被称为协整向量。特别地，t y 和t x 为随机变量，并 且t y ，~(1)t x I ，当01()~I(0)t t t y x εββ=-+，即t y 和t x 的线性组合与I(0)变量有相同的统计性质，则称t y 和t x 是协整的，()01,ββ称为协整系数。 更一般地，如果一些I(1)变量的线性组合是I(0)，那么我们就称这些变量是协整的。 用Eviews5.1来分析1978年到2002年中国农村居民对数生活费支出序列{ln }t y 和对数人均纯收入{ln t x }序列之间的关系。 1、对两个数据序列分别进行平稳性检验： （1）做时序图看二者的平稳性 首先按前面介绍的方法导入数据，在workfile 中按住ctrl 选择要检验的二变量，击右键，选择open —as group ，此时他们可以作为一个数据组被打开。 点击“View ”―“graph ”—“line ”，对两个序列做时序图见图8-1，两个序列都呈上升趋势，显然不平稳，但二者有大致相同的增长和变化趋势，说明二者可能存在协整关系。但若要证实二者有协整关系，必须先看二者的单整阶数，如果都是一阶单整，则可能存在协整关系，若单整地阶数不相同，则需采取差分的方式，将他们变成一阶单整序列。 图8-1 ln t x 和ln t y 时序图 （2）用ADF 检验分别对序列ln t x 和ln t y 进行单整检验 双击每个序列，对其进行ADF 单位根检验，有两种方法。方法一：“view ”—“unit root test ”；方法二：点击菜单中的“quick ”―“series statistic ”―
人民币实际有效汇率对我国经济影响的实证研究 巴曙松，王群2009-09-29 摘要：本文试从理论上给出实际汇率变动对产业结构调整的三种传导途径，并从有效汇率的角度出发，通过协整模型、Granger因果检验和脉冲响应方法对实际有效汇率对我国产业、就业结构的影响进行实证分析。结果表明，人民币实际有效汇率的升值提升了我国第三产业的比重并增加了该产业就业人数，在一定程度上促进了农村劳动力的转移，同时相应地对第二产业的就业造成了负面影响。总体上来看，人民币有效汇率的上升将有助于长期改善我国的产业结构，但短期会造成一定的就业压力。 关键词：实际汇率，产业结构，就业结构，传导途径 2008年以来，伴随着次级抵押贷款危机下全球金融市场的动荡，我国经济不仅面临着恶劣的国际环境、国内经济增长的周期性回落，同时还面临着以产业重组、产业升级和放松管制为重点的产业结构调整。随着近年来我国对外贸易依存度的不断上升，产业结构调整的动力则不可忽略地受到对外贸易部门发展的影响。实际汇率作为一种非贸易品和贸易品相对价格，则是影响外贸企业的重要因素之一，从而影响了不同产业之间的资源配置，进而对产业结构的调整产生影响。因此，在开放型经济条件下，实际汇率成为考察国内产业结构和就业结构调整的重要影响因素之一。而对该影响作用的分析和研究，不仅有助于加深对产业结构调整的宏观把握，而且将对汇率政策的制定起到一定的指导作用。另外，在2005年7月21日我国实行了汇率制度改革以后，如何通过人民币有效汇率这一衡量人民币整体水平的汇率指标来把握汇率政策，也引起了学者的普遍关注和研究，本文正是依据人民币实际有效汇率的数据，分析人民币的升值对我国产业结构和就业结构带来的影响。 一、研究背景
一、误差修正模型的构造 对于y t 的(1，1)阶自回归分布滞后模型： t t t t t y x x y εβββα++++=--12110 在模型两端同时减y t-1，在模型右端10-±t x β，得： t t t t t t t t t t t t t x y x x y x y x x y εααγβεββββαββεββββα+--+?=+---+--+?=+-+++?+=?------)(]) 1()1()[1()1()(1101012120120121100 其中，12-=βγ，)1/()(200ββαα-+=，)1/(211ββα-=。 记 11011-----=t t t x y ecm αα （5-5） 则 t t t t ecm x y εγβ++?=?-10 （5-6） 称模型（5-6）为“误差修正模型”，简称ECM 。 二、误差修正模型的含义 如果y t ~ I(1)，x t ~ I(1)，则模型（5-6）左端)0(~I y t ?，右端)0(~I x t ?，所以只有当y t 和x t 协整、即y t 和x t 之间存在长期均衡关系时，式（5-5）中的ecm~I(0)，模型（5-6）两端的平稳性才会相同。 当y t 和x t 协整时，设协整回归方程为： t t t x y εαα++=10 它反映了y t 与x t 的长期均衡关系，所以称式（5-5）中的ecm t -1是前一期的“非均衡误差”，称误差修正模型（5-6）中的1-t ecm γ是误差修正项，12-=βγ是修正系数，由于通常1||2<β，这样
0<γ；当ecm t -1 >0时（即出现正误差），误差修正项1-t ecm γ< 0， 而ecm t -1 < 0时（即出现负误差），1-t ecm γ> 0，两者的方向恰 好相反，所以，误差修正是一个反向调整过程（负反馈机制）。 误差修正模型有以下几个明确的含义： 1．均衡的偏差调整机制 2．协整与长期均衡的关系 3．经济变量的长期与短期变化模型 长期趋势模型： t t t x y εαα++=10 短期波动模型： t t t t ecm x y εγβ++?=?-10 三、误差修正模型的估计 建立ECM 的具体步骤为： 1．检验被解释变量y 与解释变量x （可以是多个变量）之间的协整性； 2．如果y 与x 存在协整关系，估计协整回归方程，计算残差序列e t ： t t t x y εβα++=0 t t t x y e 0??βα--= 3．将e t-1作为一个解释变量，估计误差修正模型： t t t t v e x y ++?=?-10γβ 说明： （1）第1步协整检验中，如果残差是确定趋势过程，可以在第2步的协整回归方程中加入趋势变量； （2）第2步可以估计动态自回归分布滞后模型： t i t i i t i t y x y εβαα∑∑+++=-- 此时，长期参数为： ∑∑-=)1(i i βαθ 协整回归方程和残差也相应取成： t t x y θ=， t t t x y e θ?-= （3）第2步估计出ECM 之后，可以检验模型的残差是
课程论文 （2016 / 2017学年第 1 学期） 课程名称应用时间序列分析 指导单位经济学院 指导教师易莹莹 学生姓名班级学号 学院(系) 经济学院专业经济统计学
实验四协整检验及误差修正模型实验指导 一、实验目的： 理解经济时间序列之间的理论关系，并学会用统计方法验证他们之间的关系。学会验证时间序列存在的不平稳性，掌握ADF 检验平稳性的方法。认识不平稳的序列容易导致虚假回归问题，掌握为解决虚假回归问题引出的协整检验，协整的概念和具体的协整检验过程。协整描述了变量之间的长期关系，为了进一步研究变量之间的短期均衡是否存在，掌握误差纠正模型方法。 二、基本概念： 设随机向量t X 中所含分量均为d 阶单整，记为t X I(d ) 。 如果存在一个非零向量β，使得随机向量()~t t Y X I d b =-β，0b >，则称随机向量t X 具有d ,b 阶协整关系，记为 t X CI(d,b ) ， 向量β被称为协整向量。特别地，t y 和t x 为随机变量，并且t y ，~(1)t x I ，当01()~I(0)t t t y x εββ=-+，即t y 和t x 的线性组合与I(0)变量有相同的统计性质，则称 t y 和t x 是协整的，()01,ββ称为协整系数。 更一般地，如果一些I(1)变量的线性组合是I(0)，那么我们就称这些变量是协整的。 三、实验任务： 1、实验内容 用Eviews 来分析1992年到1998年中国城镇居民生活费支出序列和人均可支配收入序列之间的关系。内容包括： （1）对两个对数序列分别进行ADF 平稳性检验； （2）进行二者之间的协整关系检验； （3）若存在协整关系，建立误差纠正模型ECM 。 2、实验要求 （1）在认真理解本章内容的基础上，通过实验掌握ADF 检验平稳性的方法； （2）掌握具体的协整检验过程，以及误差纠正模型的建立方法； （3）能对宏观经济变量间的长期均衡关系进行分析。 四、实验要求： 实验过程描述（包括变量定义、分析过程、分析结果及其解释、实验过程遇到的问题及体会）。 实验题：1992年到1998年中国城镇居民生活费支出序列和人均可支配收入序列之间的关系。