协整与误差修正模型
Spurious Regression
多变量分析中,平稳性非常重要,忽略序列平稳性判断,容易出现伪回归现象
Granger、Newbold 的非平稳序列的伪回归随机模型实验(两个独立随机游走模型)表明
- 非平稳场合,参数显著性检验犯弃真错误的概率远大于 α,伪回归显著成立
- 即 P(|t|⩾
Cointegration 协整关系
- {x_1}, {x_2}, \cdots, {x_k}:自变量序列
- y_t:响应变量序列
- {\epsilon_t}:平稳回归残差序列
协整检验
假设条件
- H_0: \epsilon_t ~ I(k), k \geqslant 1:多元非平稳序列之间不存在协整关系
- H_1: \epsilon_t ~ I(0):多元非平稳序列之间存在协整关系
建立响应序列与输入序列之间的回归模型
- 对回归残差序列进行 EG 平稳性检验
Error Correction Model
ECM:误差修正模型,解释序列短期波动关系
- Granger 证明协整模型、误差修正模型具有 1-1 对应关系
- 协整模型度量序列之间长期均衡关系
- 实务中,响应序列与解释序列很少处于均衡点上,实际观测的是序列间短期或非均衡关系
Granger 表述定理
- 如果变量 X、Y 是协整的,则他们之间的短期非均衡关系总能用一个误差修正模型表述 $$
$$\Delta Y_t = lagged(\Delta Y, \Delta X) - \lambda ECM_{t-1} + \epsilon_t
对关系 y_t = \beta x_t + \epsilon_t
响应序列当期波动 \Delta y_t 主要受到三方面短期波动影响
- \Delta x_t:输出序列当前波动
- ECM_{t-1}:上一期误差
- \epsilon_t:纯随机波动
误差修正模型
- \beta_1 < 0:表示负反馈机制
- ECM_{t-1} > 0:正向误差,则会导致下一期值负向变化
- ECM_{t-1} < 0:负向误差,则会导致下一期值正向变化
Granger 因果关系
因果关系:原因导致结果
- 时间角度:原因发生在前,结果发生在后
- 影响效果:X 事件发生在前,且对 Y 事件发展结果有意义
Granger 检验可检验统计学意义上的 Granger 因果关系
- 统计意义上的因果关系和现实意义上因果关系不同
- 现实意义上变量因果关系强调逻辑自洽
Granger 因果关系
序列 X 是序列 Y 的 Granger 原因,当且仅当最优线性预测函数使得下式成立 $$
\theta^2(y_{t+1}|I_t) \leq \theta^2(y_{t+1}|I_t-X_t)
$$
$It = { x_t, x{t-1}, \cdots, yt, y{t-1}, \cdots }:t$ 时刻所有有用信息集合
- $Xt = { x_t, x{t-1}, \cdots }$:t时刻所有序列信息集合
- \theta^2(y_{t+1}|I_t):使用所有可获得历史信息 (包括 {x} 序列历史信息)得到的一期预测值方差
- \theta^2(y_{t+1}|I_t-X_t):从所有信息中刻意扣除 {x} 序列历史信息得到的一期预测值方差
- Granger 因果关系分类
- (x, y):相互独立
- (x \leftarrow y):x 是 y 的 Granger 原因
- (x \rightarrow y):y 是 x 的 Granger 原因
- (x \leftrightarrow y):互为因果
Granger 因果检验
建立回归方程
- z_t:其他解释变量集合
- \epsilon_t \sim I(0)
假设
- H_0: \alpha_1 = \alpha_2 = \cdots = \alpha_m = 0
- H_1: \alpha_i 不全为0
检验统计量:F统计量
Granger 因果检验说明
Granger 因果检验思想:对响应变量预测精度有显著提高的自变量,就视为响应变量的因
- 因果性可以推出预测精度提高,但预测精度提高不能等价推出因果性
- 即使检验结果显著拒绝原假设,也不能说明两个序列之间有真正因果关系
Granger 因果检验是处理复杂变量关系时的工具
- 借助因果检验信息,可以帮助思考模型结果
- 不一定准确,但是提供信息比完全没有信息好
Granger 因果结果说明
- 检验结果严重依赖解释变量的延迟阶数,不同延迟阶数可能会得到不同的检验结果
- 检验结果会受到样本随机性影响,样本容量越小随机性越大,所以最好在样本容量比较大时进行检验