平稳性检验与协整检验操作步骤

学术研究中的平稳性检验摘要：平稳性检验是时间序列数据分析中非常重要的一步，它可以帮助我们确定时间序列数据是否具有稳定性，从而避免由于非平稳数据导致的统计误判。

本文将对平稳性检验的方法、原理和应用进行详细介绍。

一、引言在时间序列数据分析中，平稳性是一个非常重要的概念。

如果一个时间序列数据是平稳的，那么我们就可以对其进行一系列的统计分析和预测。

反之，如果一个时间序列数据是非平稳的，那么我们就需要采取一些措施来消除其非平稳性，否则会导致统计误判和预测误差。

因此，平稳性检验是时间序列数据分析中非常重要的一步。

二、平稳性检验的方法1.单位根检验（Augmented Dickey-Fuller Test）单位根检验是一种常用的平稳性检验方法，它可以通过建立时间序列数据的回归模型来检验其是否具有单位根。

如果回归模型的系数不显著，则说明该时间序列数据是平稳的；反之，如果回归模型的系数显著，则说明该时间序列数据是非平稳的。

常用的单位根检验方法有ADF检验和PP检验等。

2.协整检验（Cointegration Test）协整检验是一种用于检验两个或多个非平稳时间序列数据之间是否存在长期均衡关系的统计方法。

如果两个或多个时间序列数据之间存在协整关系，那么它们之间就可以建立回归模型进行分析和预测。

常用的协整检验方法有Kao检验和Johansen检验等。

三、平稳性检验的原理平稳性检验的原理是利用时间序列数据的特性进行分析。

在统计学中，平稳时间序列是指其均值、方差和自相关系数都是常数，也就是说，该时间序列数据具有稳定性。

如果一个时间序列数据是非平稳的，那么它的统计特性就会发生变化，从而影响统计分析和预测的准确性。

因此，在进行时间序列数据分析之前，必须对数据进行平稳性检验，以确保数据的稳定性和可靠性。

四、平稳性检验的应用1.经济领域中的应用在经济学中，平稳性检验被广泛应用于各种经济指标的时间序列数据分析中。

例如，通货膨胀率、失业率、国内生产总值等指标都是常用的经济指标，它们的变化趋势往往受到多种因素的影响。

格兰杰、协整、平稳性关键词：格兰杰协整检验平稳关系如何涉及内容：如何进行格兰杰、协整、单位根和平稳的关系等等如何用格兰杰检验、协整对数据进行分析正文：——————————————————————————————协整概念：非平稳的时间序列，由x、y变量构成的线性组合也可能是平稳的，这是称变量x、y是协整的。

为什么要做协整检验？经典模型是建立在平稳数据之上，当数据为非平稳序列，模型很可能出现伪（虚假）回归。

协整的意义就是检验它们的回归方程所描述的因果关系是否是伪回归，即检验变量之间是否存在稳定的关系。

所以，非平稳序列的因果关系检验就是协整检验。

协整检验是用以检验非平稳时间序列是否存在长期稳定协整关系。

——————————————————————————————格兰杰因果关系检验：在经济学上确定一个变量的变化是否是另一个变量变化的原因，一般用格兰杰因果关系(Granger Test of Causality)检验。

Granger检验首先必须证明随机变量是平稳序列,因为其中用到F统计检验，而F统计量要求序列平稳，所以平稳性是Granger的前提（也就是说：序列平稳=》直接做granger检验）。

注：1.格兰杰（Granger）因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。

2.格兰杰因果检验对滞后阶数非常敏感，因此检验之前首先确定最优滞后阶数。

通常依据AIC和SIC准则。

——————————————————————————————关于格兰杰、协整等的操作步骤：1、序列的平稳性检验：单位根检验。

如果不检验序列的平稳性直接OLS容易导致伪回归。

平稳性检验有3个作用：1）检验平稳性，若平稳，做格兰杰检验，非平稳，作协整检验。

2）协整检验中要用到每个序列的单整阶数。

3）判断时间序列的数据生成过程。

2、若检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验（平稳是granger的前提）。

什么是协整关系如何检验两个时间序列之间的协整关系协整关系是指两个或多个时间序列之间的长期关系，当两个时间序列之间存在协整关系时，它们之间的差值序列是稳定的。

协整关系的发现对于金融、经济学和其他领域的研究具有重要意义。

本文将讨论协整关系的概念，并介绍如何进行协整关系的检验。

一、协整关系的概念协整关系是通过对两个或多个时间序列的统计分析而得出的。

它涉及到平稳性和长期关系两个概念。

1. 平稳性：平稳性是指序列的均值和方差不随时间的推移而发生显著变化。

在时间序列分析中，平稳性是一个重要的前提条件。

2. 长期关系：长期关系是指时间序列之间存在一个稳定的关系，即它们相对稳定地变动，而不是在短期内出现随机波动。

当两个时间序列同时是平稳的，并且它们之间存在长期关系时，就可以认为它们之间存在协整关系。

二、协整关系的检验方法为了检验两个时间序列之间是否存在协整关系，常用的方法有单位根检验和Engle-Granger检验。

1. 单位根检验：单位根检验用于判断一个时间序列是否为平稳序列。

常用的单位根检验方法有ADF检验和KPSS检验。

如果两个时间序列都是单位根非平稳序列，则它们之间可能不存在协整关系，需要进行后续检验；如果两个时间序列都是单位根平稳序列，则它们之间可能存在协整关系。

2. Engle-Granger检验：Engle-Granger检验用于判断两个时间序列之间是否存在协整关系。

该方法首先对两个时间序列进行回归分析，得到残差序列。

然后对残差序列进行单位根检验，如果残差序列是平稳的，则可以认为两个时间序列之间存在协整关系。

三、应用举例为了更好地理解协整关系，我们举一个实际的例子。

假设有两个股票价格的时间序列，分别是股票A和股票B。

我们想要检验股票A和股票B之间是否存在协整关系。

首先，我们对两个时间序列进行单位根检验。

假设经过ADF检验和KPSS检验后，股票A和股票B的价格序列均为平稳序列。

接下来，我们进行Engle-Granger检验，通过对股票A和股票B的价格序列进行回归分析得到残差序列。

时序预测中的时间序列平稳性检验方法详解时序预测是指根据已有的时间序列数据，通过建立数学模型来预测未来的趋势和变化规律。

而在进行时序预测时，首先需要对时间序列数据进行平稳性检验，以确保模型的准确性和可靠性。

本文将就时序预测中的时间序列平稳性检验方法进行详细的介绍。

一、简介时间序列是指按时间先后顺序排列而成的一组数据。

在实际应用中，时间序列数据往往受到各种因素的影响，如季节性、趋势性和周期性等。

而平稳性是指时间序列数据在一定时期内的均值和方差保持不变，即不存在明显的趋势和周期性。

二、平稳性检验方法1. 统计图检验法统计图检验法是通过绘制时间序列数据的统计图来观察其均值和方差是否随时间发生显著变化。

常用的统计图包括简单折线图、散点图和自相关图等。

通过观察这些统计图，可以初步判断时间序列数据是否具有平稳性。

2. 单位根检验法单位根检验法是通过检验时间序列数据中是否存在单位根来判断其平稳性。

常用的单位根检验方法包括ADF检验（Augmented Dickey-Fuller Test）和PP检验（Phillips-Perron Test）。

这些检验方法可以进一步验证时间序列数据的平稳性，对于非平稳时间序列数据的处理具有重要意义。

3. 傅立叶变换法傅立叶变换法是通过将时间序列数据转换到频域来观察其频谱分布。

通过分析频谱图，可以判断时间序列数据是否存在明显的周期性和趋势性，从而验证其平稳性。

4. 平稳性转化法平稳性转化法是通过对时间序列数据进行差分、对数变换或者其他数学变换来消除其非平稳性。

通过对原始数据进行适当的变换，可以使其满足平稳性的要求，从而方便后续的建模和预测。

5. 检验法比较综合利用多种平稳性检验方法可以更加全面地评估时间序列数据的平稳性。

不同的检验方法具有不同的优缺点，结合多种方法进行比较可以更加准确地判断时间序列数据的平稳性。

三、实例分析为了更好地理解时间序列平稳性检验方法的应用，我们以某股票价格的时间序列数据为例进行分析。

时间序列数据平稳性检验实验指导(总6页)-CAL-FENGHAI.-(YICAI)-Company One1-CAL-本页仅作为文档封面，使用请直接删除实验一时间序列数据平稳性检验实验指导一、实验目的：理解经济时间序列存在的不平稳性，掌握对时间序列平稳性检验的步骤和各种方法，认识利用不平稳的序列进行建模所造成的影响。

二、基本概念：如果一个随机过程的均值和方差在时间过程上都是常数，并且在任何两时期的协方差值仅依赖于该两个时期间的间隔，而不依赖于计算这个协方差的实际时间，就称它是宽平稳的。

时序图ADF检验PP检验三、实验内容及要求：1、实验内容：用来分析1964年到1999年中国纱产量的时间序列，主要内容：（1）、通过时序图看时间序列的平稳性，这个方法很直观，但比较粗糙；（2）、通过计算序列的自相关和偏自相关系数，根据平稳时间序列的性质观察其平稳性；（3）、进行纯随机性检验；（4）、平稳性的ADF检验；（5）、平稳性的pp检验。

2、实验要求：（1）理解不平稳的含义和影响；（2）熟悉对序列平稳化处理的各种方法；（2）对相应过程会熟练软件操作，对软件分析结果进行分析。

四、实验指导（1）、绘制时间序列图时序图可以大致看出序列的平稳性，平稳序列的时序图应该显示出序列始终围绕一个常数值波动，且波动的范围不大。

如果观察序列的时序图显示出该序列有明显的趋势或周期，那它通常不是平稳序列，现以1964-1999年中国纱年产量序列（单位：万吨）来说明。

在EVIEWS中建立工作文件，在“Workfile structure type”栏中选择“Dated-regular frequency”，在右边的“Date specification”中输入起始年1964，终止年1999，点击ok则建立了工作文件。

找到中国纱年产量序列的excel文件并导入命名该序列为sha，见图1-2。

图1-1 建立工作文件图1-2创建新序列SHA，如图1-2。

平稳性检验与协整检验操作步骤在对时间序列Y、X1进行回归分析时需要考虑Y与X1之间是否存在某种切实的关系，所以需要进行协整检验。

1.1利用eviews创建时间序列Y、X1 ：打开eviews软件点击file-new-workfile，见对话框又三块空白处workfile structure type处又三项选择，分别是非时间序列unstructured/undate，时间序列dated-regular frequency，和不明英语balance panel。

选择时间序列dated-regular frequency。

在date specification中选择年度，半年度或者季度等，和起始时间。

右下角为工作间取名字和页数。

点击ok。

在所创建的workfile中点击object-new object，选择series，以及填写名字如Y，点击OK。

将数据填写入内。

1.2对序列Y进行平稳性检验：此时应对序列数据取对数，取对数的好处在于可将间距很大的数据转换为间距较小的数据。

具体做法是在workfile y的窗口中点击Genr，输入logy=log(y),则生成y的对数序列logy。

再对logy序列进行平稳性检验。

点击view-United root test，test type选择ADF检验，滞后阶数中lag length选择SIC检验，点击ok得结果如下：Null Hypothesis: LOGY has a unit rootExogenous: ConstantLag Length: 0 (Automatic based on SIC, MAXLAG=1)t-Statistic Prob.* Augmented Dickey-Fuller test statistic-2.75094601716637 0.0995139988900359Test critical values: 1% level -4.297072756022265% level -3.2126963902622510% level -2.74767611540013当检验值Augmented Dickey-Fuller test statistic的绝对值大于临界值绝对值时，序列为平稳序列。

时间序列的平稳、非平稳、协整、格兰杰因果关系步骤：先做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平稳，则服从i阶单整（注意趋势、截距不同情况选择，根据P值和原假设判定）。

若所有检验序列均服从同阶单整，可构造VAR模型，做协整检验（注意滞后期的选择），判断模型内部变量间是否存在协整关系，即是否存在长期均衡关系。

如果有，则可以构造VEC模型或者进行Granger因果检验，检验变量之间“谁引起谁变化”，即因果关系。

1.单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。

常用的ADF检验包括三个模型方程。

在李子奈的《高级计量经济学》上有该方法的全部步骤，即从含趋势项、截距项的方程开始，若接受原假设，则对模型中的趋势项参数进行t 检验，若接受则进行对只含截距项的方程进行检验，若接受，则对一阶滞后项的系数参数进行t检验，若接受，则进行差分后再ADF检验；若拒绝，则序列为平稳序列。

2.当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。

3.当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG两步法和JJ检验：(1)EG两步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性；(2)JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL模式）。

4.当变量之间存在协整关系时，可以建立ECM进一步考察短期关系，Eviews这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别。

5.格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。

stata时间序列协整检验步骤时间序列协整检验是金融、经济学中常用的一种分析方法，主要用于发现变量之间的长期稳定关系。

利用此方法，可以判断两个变量是否具有共同的漂移趋势，即长期依赖关系。

在stata中，进行时间序列协整检验的步骤如下：步骤1：导入数据首先，需要导入需要进行协整检验的数据，可以使用以下命令：import delimited “data.csv”, cleardata.csv是存储数据的文件路径。

导入数据之后，可以使用以下命令查看数据的基本信息：describe命令将会显示数据的变量名、取值范围等基本信息。

步骤2：检查变量时间序列的平稳性协整模型的实现需要对时序数据进行平稳性检验，即对时序数据进行差分，使其平稳。

为了判断变量是否平稳，可以使用单位根检验，使用adf命令或pperron命令，例如：adf y, lags(10)该命令将对变量y进行单个单位根检验，lags参数用于设置单位根检验的滞后阶数。

步骤3：模型拟合和估计在进行平稳性检验之后，需要进行模型拟合和估计，使用vec命令，例如：vec y x, lags(2)其中，y和x是需要进行协整检验的变量，2是向前滞后的数量。

等式估计完成后可以使用以下命令查看估计结果：estat vif该命令用于检查协整关系是否存在多重共线性的问题。

步骤4：协整检验在估计完协整关系之后，需要进行协整检验。

使用以下命令可以进行协整检验：vecrank该命令将输出协整列的数量，如果协整列的数量大于0，则说明变量之间具有协整关系。

步骤5：决定容错率协整检验之后，需要决定容错率，即误差修正项的数量。

可以使用以下命令进行决定：vecrank, coint该命令将输出最小AIC、最小SC和最小HQ容忍度。

根据这些值，可以决定容错率的数量。

步骤6：进行残差检验最后，为了检验协整关系是否适用于数据，需要进行误差项的残差检验，可以使用以下命令：vecdiag该命令将输出描述残差的统计信息。

多变量协整检验多变量协整检验是一种检验多个时间序列变量之间是否存在长期均衡关系的方法。

在金融、经济学等领域中，多变量协整检验被广泛应用于研究市场交易机制、制定决策等问题。

本文将对多变量协整检验的步骤进行介绍。

步骤一：确定检验目标多变量协整检验的第一步是确定检验目标。

通常，一个多变量协整检验需要至少包括两个时间序列变量。

在我们进行检验之前，需要明确我们要检验的变量是什么，并确定这些变量之间是否存在长期均衡关系。

在确定检验目标后，我们将数据准备好并进入下一步。

步骤二：检验各变量的平稳性多变量协整检验的第二步是检验各变量的平稳性。

在检验长期均衡关系之前，需要先检验各变量是否平稳，平稳性是多变量协整的前提。

我们可以通过单位根检验或ADF检验来确定各变量是否平稳。

如果各变量不平稳，则需要对它们进行差分或对数化处理，直到各变量具备平稳性为止。

步骤三：建立协整模型多变量协整检验的第三步是建立协整模型。

协整模型可以用来描述两个或多个时间序列变量之间的长期均衡关系。

可以用广义矩量法或极大似然法来估计协整模型的各参数，进而确定变量之间的均衡关系。

步骤四：检验协整模型多变量协整检验的第四步是检验协整模型。

通过检验协整模型是否可靠，我们可以确定变量之间的长期均衡关系是否存在。

通常，我们可以用Durbin-Watson统计量、ADF检验、Johansen检验和Engle-Granger检验等方法来检验协整模型的可靠性。

步骤五：分析实证结果多变量协整检验的最后一步是分析实证结果。

通过对协整检验的实证结果进行分析，我们可以得出关于变量之间长期均衡关系的结论，并用这些结论来制定决策。

同时，我们还需要注意多变量协整检验的局限性，以及在使用该方法时需要注意的一些问题。

综上所述，多变量协整检验是一种重要的检验时序变量之间长期均衡关系的方法。

在使用该方法时，需要遵循以上步骤，注意各项检验的前提条件与要求，以确保能够得到可靠的实证结果。

时序预测中的时间序列平稳性检验方法详解时间序列分析是指对一定时间间隔内的数据进行观察、分析和建模的一种统计分析方法。

其中，时序预测是时间序列分析的一个重要应用方向，通过对历史数据的分析和模型构建，来预测未来一段时间内的数据走势。

而时间序列的平稳性是时序预测中的重要前提条件，下面将详细讨论时间序列平稳性的检验方法。

一、平稳性概念及其重要性所谓平稳性，是指时间序列在不同时间点上的统计特性不发生显著的变化。

具体来说，时间序列的均值、方差和自相关性不随时间变化而发生显著变化。

平稳性对于时序预测至关重要，因为只有在时间序列平稳的情况下，我们才能够基于历史数据进行有效的预测。

二、时间序列平稳性的检验方法1. 直观法直观法是一种最简单直接的方法，即通过观察时间序列图来初步判断序列是否平稳。

如果时间序列的均值和方差在不同时间段内基本保持不变，那么可以初步认定序列具有平稳性。

然而，直观法并不够严谨，往往需要结合其他方法进行验证。

2. 统计检验法统计检验法是通过一些统计指标来检验时间序列的平稳性。

常用的方法包括ADF检验、单位根检验、KPSS检验等。

ADF检验是一种通过单位根检验来判断时间序列是否平稳的方法，其基本原理是对原始时间序列进行单位根检验，若序列平稳则对应的p值应当小于显著性水平。

而KPSS检验则是一种基于单位根检验的方法，其原理是对原始序列进行单位根检验，若序列显著偏离平稳则对应的p值应当大于显著性水平。

通过这些统计检验方法，我们可以更加客观准确地判断时间序列的平稳性。

3. 时间序列差分法时间序列差分法是一种通过对时间序列进行差分运算来消除非平稳性的方法。

具体来说，我们可以对原始时间序列进行一阶差分或二阶差分运算，然后对差分后的序列进行平稳性检验。

若差分后的序列满足平稳性条件，则可以认定原始序列具有平稳性。

4. 线性回归法线性回归法是一种利用线性回归模型来检验时间序列平稳性的方法。

具体来说，我们可以建立一个线性回归模型，将时间序列的观测值作为因变量，时间作为自变量，然后对回归系数进行显著性检验。

面板数据分析方法步骤全解yonglee , May 5 16:16 , 文档资料»数据挖掘, 评论(0) , 引用(0) , 阅读(35079) , 本站原创面板数据分析方法步骤全解(2009-11-07 11:50:38)转载标签：面板数据步骤一：分析数据的平稳性（单位根检验）按照正规程序，面板数据模型在回归前需检验数据的平稳性。

李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。

这种情况称为称为虚假回归或伪回归（spurious regression）。

他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。

因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。

因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。

而检验数据平稳性最常用的办法就是单位根检验。

首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。

单位根检验方法的文献综述：在非平稳的面板数据渐进过程中,Levin andLin(1993) 很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。

后来经过Levin et al. (2002)的改进,提出了检验面板单位根的LLC 法。

Levin et al. (2002) 指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25～250 之间,截面数介于10～250 之间) 的面板单位根检验。

Im et al. (1997) 还提出了检验面板单位根的IPS 法,但Breitung(2000) 发现IPS 法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung 法。

协整检验的实施步骤1. 引言协整检验是时间序列分析中常用的方法之一，用于检测两个或多个非平稳时间序列之间的长期关系。

本文将介绍协整检验的实施步骤，帮助读者对该方法有一个全面的了解。

2. 协整检验的基本概念在进行协整检验之前，首先需要了解协整的基本概念。

协整是指两个或多个时间序列之间存在长期稳定的关系，即它们的线性组合是平稳的。

而非协整的时间序列之间则没有这种长期关系。

3. 协整检验的实施步骤3.1 数据准备进行协整检验前，需要准备两个或多个时间序列的数据。

这些时间序列通常需要满足平稳性的要求，在实际应用中，常常使用对数差分后的数据进行分析。

3.2 计算线性组合在协整检验中，需要计算时间序列的线性组合，即对时间序列进行加权求和。

这些权重可以通过最小二乘法来估计。

3.3 构建伪显著性检验协整检验的核心是构建伪显著性检验，用于判断时间序列是否存在协整关系。

常用的伪显著性检验方法有ADF检验和PP检验。

3.4 进行检验在构建好伪显著性检验后，可以进行协整检验。

这一步骤通常需要计算相应的检验统计量，并将其与临界值比较，以判断时间序列是否存在协整关系。

3.5 结果解释最后，根据协整检验的结果，可以解释时间序列之间的关系。

如果检验结果表明存在协整关系，说明这些时间序列之间存在长期稳定的关系；如果检验结果表明不存在协整关系，说明这些时间序列之间没有长期关系。

4. 实例应用以下是一个实例应用的协整检验步骤：1.收集两支股票的收盘价数据并进行平稳性检验；2.对股票收盘价数据进行对数差分；3.估计股票收盘价数据的线性组合权重；4.构建ADF检验和PP检验的伪显著性检验；5.进行协整检验，计算检验统计量；6.将检验统计量与临界值进行比较；7.根据检验结果解释股票之间的关系。

5. 总结本文介绍了协整检验的实施步骤，包括数据准备、线性组合计算、伪显著性检验的构建、检验的实施以及结果的解释。

通过掌握这些步骤，读者能够更好地理解和应用协整检验方法。

实验三金融数据的平稳性检验实验指导一、实验目的：理解经济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伪回归问题，掌握为解决伪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。

理解变量之间的因果关系的计量意义，掌握格兰杰因果检验方法。

二、基本概念：如果一个随机过程的均值和方差在时间过程上都是常数，并且在任何两时期的协方差值仅依赖于该两时期间的距离或滞后，而不依赖于计算这个协方差的实际时间，就称它为平稳的。

强调平稳性是因为将一个随机游走变量（即非平稳数据）对另一个随机游走变量进行回归可能导致荒谬的结果，传统的显著性检验将告知我们变量之间的关系是不存在的。

这种情况就称为“伪回归”（Spurious Regression）。

有时虽然两个变量都是随机游走的，但它们的某个线形组合却可能是平稳的，在这种情况下，我们称这两个变量是协整的。

因果检验用于确定一个变量的变化是否为另一个变量变化的原因。

三、实验内容及要求：用Eviews来分析上海证券市场A股成份指数（简记SHA）和深圳证券市场A股成份指数（简记SZA）之间的关系。

内容包括：1.对数据进行平稳性检验2.协整检验3.因果检验4.误差纠正机制ECM要求：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，具体的协整检验过程，掌握格兰杰因果检验方法，以及误差纠正模型方法。

四、实验指导：1、对数据进行平稳性检验：首先导入数据，将上海证券市场A股成份指数记为SHA，深圳证券市场A股成份指数记为SZA（若已有wf1文件则直接打开该文件）。

在workfile中按住ctrl选择要检验的二变量，右击，选择open—as group。

则此时可在弹出的窗口中对选中的变量进行检验。

检验方法有：①画折线图：“View”―“graph”—“line”，如图3—1所示。

协整检验的操作方法协整检验是一种用于检验两个或多个时间序列是否存在长期均衡关系的统计方法。

在时间序列分析中，我们通常假设时间序列之间是独立的，但是在现实生活中，很多时间序列之间存在着长期的相关性和相互影响，这就需要通过协整检验来确定它们之间的关系。

协整检验的操作方法如下：第一步：确定时间序列首先，我们需要确定参与协整检验的时间序列。

一般情况下，我们选择两个或多个可能存在长期均衡关系的时间序列。

第二步：进行单位根检验使用单位根检验来判断时间序列是否为非平稳序列。

常用的单位根检验方法包括ADF检验（Augmented Dickey-Fuller test）和PP检验（Phillips-Perron test）。

如果时间序列存在单位根，即为非平稳序列，我们需要进行差分，直到得到平稳序列。

第三步：构建误差修正模型（ECM）协整检验是通过构建误差修正模型来判断时间序列之间是否存在长期均衡关系。

误差修正模型是一个包含差分项（D）和滞后误差修正项（ECM）的模型。

具体构建方法如下：1. 定义模型误差修正模型一般为以下形式：Yt = α+ β1Xt + γ1D(L) + γ2ECMt-1 + εt其中，Yt表示因变量的一阶差分，Xt表示自变量的一阶差分，D(L)表示差分延迟项，ECMt-1表示滞后误差修正项，εt表示误差项。

2. 估计模型参数对误差修正模型进行参数估计。

一般使用最小二乘法进行估计。

3. 进行协整检验对估计得到的误差修正模型进行协整检验。

常用的协整检验方法有ADF检验、Johansen检验等。

如果协整检验结果显著，即拒绝原假设，说明这些时间序列之间存在长期均衡关系。

第四步：识别均衡关系如果协整检验结果为显著，说明时间序列之间存在长期均衡关系，接下来我们需要通过识别均衡关系来进行分析。

具体方法包括：1. 通过回归分析确定均衡关系方程，得到均衡关系的系数。

2. 进行残差分析，检验均衡关系的合理性。

3. 进行统计检验，验证均衡关系是否显著。