面板數(shù)據(jù)分析

1、. .步驟一：分析數(shù)據(jù)的平穩(wěn)性單位根檢驗按照正規(guī)程序，面板數(shù)據(jù)模型在回歸前需檢驗數(shù)據(jù)的平穩(wěn)性。李子奈曾指出，一些非平穩(wěn)的經(jīng)濟時間序列往往表現(xiàn)出共同的變化趨勢，而這些序列間本身不一定有直接的關(guān)聯(lián)，此時，對這些數(shù)據(jù)進展回歸，盡管有較高的R平方，但其結(jié)果是沒有任何實際意義的。這種情況稱為稱為虛假回歸或偽回歸spurious regression。他認(rèn)為平穩(wěn)的真正含義是：一個時間序列剔除了不變的均值可視為截距和時間趨勢以后，剩余的序列為零均值，同方差，即白噪聲。因此單位根檢驗時有三種檢驗?zāi)Ｊ剑杭扔汹厔萦钟薪鼐唷⒅挥薪鼐?、以上都無。因此為了防止偽回歸，確保估計結(jié)果的有效性，我們必須對各面板序列的平穩(wěn)性進

2、展檢驗。而檢驗數(shù)據(jù)平穩(wěn)性最常用的方法就是單位根檢驗。首先，我們可以先對面板序列繪制時序圖，以粗略觀測時序圖中由各個觀測值描出代表變量的折線是否含有趨勢項和或截距項，從而為進一步的單位根檢驗的檢驗?zāi)Ｊ阶鰷?zhǔn)備。單位根檢驗方法的文獻綜述：在非平穩(wěn)的面板數(shù)據(jù)漸進過程中,Levin andLin(1993) 很早就發(fā)現(xiàn)這些估計量的極限分布是高斯分布,這些結(jié)果也被應(yīng)用在有異方差的面板數(shù)據(jù)中,并建立了對面板單位根進展檢驗的早期版本。后來經(jīng)過Levin et al. (2002)的改進,提出了檢驗面板單位根的LLC 法。Levin et al. (2002) 指出,該方法允許不同截距和時間趨勢,異方差和高階序

3、列相關(guān),適合于中等維度(時間序列介于25250 之間,截面數(shù)介于10250 之間) 的面板單位根檢驗。Im et al. (1997) 還提出了檢驗面板單位根的IPS 法,但Breitung(2000) 發(fā)現(xiàn)IPS 法對限定性趨勢的設(shè)定極為敏感,并提出了面板單位根檢驗的Breitung 法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板單位根檢驗方法。由上述綜述可知，可以使用LLC、IPS、Breintung、ADF-Fisher 和PP-Fisher5種方法進展面板單位根檢驗。其中LLC-T 、BR-T、IPS-W 、ADF-FCS、PP-FCS

4、 、H-Z 分別指Levin, Lin & Chu t* 統(tǒng)計量、Breitung t 統(tǒng)計量、lm Pesaran & Shin W 統(tǒng)計量、ADF- Fisher Chi-square統(tǒng)計量、PP-Fisher Chi-square統(tǒng)計量、Hadri Z統(tǒng)計量，并且Levin, Lin & Chu t* 統(tǒng)計量、Breitung t統(tǒng)計量的原假設(shè)為存在普通的單位根過程，lm Pesaran & Shin W 統(tǒng)計量、ADF- Fisher Chi-square統(tǒng)計量、PP-Fisher Chi-square統(tǒng)計量的原假設(shè)為存在有效的單位根過程， Hadri

5、Z統(tǒng)計量的檢驗原假設(shè)為不存在普通的單位根過程。有時，為了方便，只采用兩種面板數(shù)據(jù)單位根檢驗方法，即一樣根單位根檢驗LLCLevin-Lin-Chu檢驗和不同根單位根檢驗Fisher-ADF檢驗注：對普通序列非面板序列的單位根檢驗方法那么常用ADF檢驗，如果在兩種檢驗中均拒絕存在單位根的原假設(shè)那么我們說此序列是平穩(wěn)的，反之那么不平穩(wěn)。如果我們以Ttrend代表序列含趨勢項，以Iintercept代表序列含截距項，T&I代表兩項都含，Nnone代表兩項都不含，那么我們可以基于前面時序圖得出的結(jié)論，在單位根檢驗中選擇相應(yīng)檢驗?zāi)Ｊ?。但基于時序圖得出的結(jié)論畢竟是粗略的，嚴(yán)格來說，那些檢驗構(gòu)造均需

6、一一檢驗。具體操作可以參照李子奈的說法：ADF檢驗是通過三個模型來完成，首先從含有截距和趨勢項的模型開場，再檢驗只含截距項的模型，最后檢驗二者都不含的模型。并且認(rèn)為，只有三個模型的檢驗結(jié)果都不能拒絕原假設(shè)時，我們才認(rèn)為時間序列是非平穩(wěn)的，而只要其中有一個模型的檢驗結(jié)果拒絕了零假設(shè)，就可認(rèn)為時間序列是平穩(wěn)的。此外，單位根檢驗一般是先從水平level序列開場檢驗起，如果存在單位根，那么對該序列進展一階差分后繼續(xù)檢驗，假設(shè)仍存在單位根，那么進展二階甚至高階差分后檢驗，直至序列平穩(wěn)為止。我們記I(0)為零階單整，I(1)為一階單整，依次類推，I(N)為N階單整。步驟二：協(xié)整檢驗或模型修正情況一：如果基

7、于單位根檢驗的結(jié)果發(fā)現(xiàn)變量之間是同階單整的，那么我們可以進展協(xié)整檢驗。協(xié)整檢驗是考察變量間長期均衡關(guān)系的方法。所謂的協(xié)整是指假設(shè)兩個或多個非平穩(wěn)的變量序列，其某個線性組合后的序列呈平穩(wěn)性。此時我們稱這些變量序列間有協(xié)整關(guān)系存在。因此協(xié)整的要求或前提是同階單整。但也有如下的寬限說法：如果變量個數(shù)多于兩個，即解釋變量個數(shù)多于一個，被解釋變量的單整階數(shù)不能高于任何一個解釋變量的單整階數(shù)。另當(dāng)解釋變量的單整階數(shù)高于被解釋變量的單整階數(shù)時，那么必須至少有兩個解釋變量的單整階數(shù)高于被解釋變量的單整階數(shù)。如果只含有兩個解釋變量，那么兩個變量的單整階數(shù)應(yīng)該一樣。也就是說，單整階數(shù)不同的兩個或以上的非平穩(wěn)序列如

8、果一起進展協(xié)整檢驗，必然有某些低階單整的，即波動相對高階序列的波動甚微弱有可能波動幅度也不同的序列，對協(xié)整結(jié)果的影響不大，因此包不包含的重要性不大。而相對處于最高階序列，由于其波動較大，對回歸殘差的平穩(wěn)性帶來極大的影響，所以如果協(xié)整是包含有某些高階單整序列的話但如果所有變量都是階數(shù)一樣的高階，此時也被稱作同階單整，這樣的話另當(dāng)別論，一定不能將其納入?yún)f(xié)整檢驗。協(xié)整檢驗方法的文獻綜述：(1)Kao(1999)、Kao and Chiang(2000)利用推廣的DF和ADF檢驗提出了檢驗面板協(xié)整的方法,這種方法零假設(shè)是沒有協(xié)整關(guān)系,并且利用靜態(tài)面板回歸的殘差來構(gòu)建統(tǒng)計量。(2)Pedron(1999

9、)在零假設(shè)是在動態(tài)多元面板回歸中沒有協(xié)整關(guān)系的條件下給出了七種基于殘差的面板協(xié)整檢驗方法。和Kao的方法不同的是,Pedroni的檢驗方法允許異質(zhì)面板的存在。(3)Larsson et al(2001)開展了基于Johansen(1995)向量自回歸的似然檢驗的面板協(xié)整檢驗方法，這種檢驗的方法是檢驗變量存在共同的協(xié)整的秩。我們主要采用的是Pedroni、Kao、Johansen的方法。通過了協(xié)整檢驗，說明變量之間存在著長期穩(wěn)定的均衡關(guān)系，其方程回歸殘差是平穩(wěn)的。因此可以在此根底上直接對原方程進展回歸，此時的回歸結(jié)果是較準(zhǔn)確的。這時，我們或許還想進一步對面板數(shù)據(jù)做格蘭杰因果檢驗因果檢驗的前提是變

10、量協(xié)整。但如果變量之間不是協(xié)整即非同階單整的話，是不能進展格蘭杰因果檢驗的，不過此時可以先對數(shù)據(jù)進展處理。引用X曉峒的原話，“如果y和x不同階，不能做格蘭杰因果檢驗，但可通過差分序列或其他處理得到同階單整序列，并且要看它們此時有無經(jīng)濟意義。下面簡要介紹一下因果檢驗的含義：這里的因果關(guān)系是從統(tǒng)計角度而言的，即是通過概率或者分布函數(shù)的角度表達(dá)出來的：在所有其它事件的發(fā)生情況固定不變的條件下，如果一個事件X的發(fā)生與不發(fā)生對于另一個事件Y的發(fā)生的概率如果通過事件定義了隨機變量那么也可以說分布函數(shù)有影響，并且這兩個事件在時間上又有先后順序A前B后，那么我們便可以說X是Y的原因?？紤]最簡單的形式，Gran

11、ger檢驗是運用F-統(tǒng)計量來檢驗X的滯后值是否顯著影響Y在統(tǒng)計的意義下，且已經(jīng)綜合考慮了Y的滯后值；如果影響不顯著，那么稱X不是Y的“Granger原因Granger cause；如果影響顯著，那么稱X是Y的“Granger原因。同樣，這也可以用于檢驗Y是X的“原因，檢驗Y的滯后值是否影響X已經(jīng)考慮了X的滯后對X自身的影響。Eviews好似沒有在POOL窗口中提供Granger causality test，而只有unit root test和cointegration test。說明Eviews是無法對面板數(shù)據(jù)序列做格蘭杰檢驗的，格蘭杰檢驗只能針對序列組做。也就是說格蘭杰因果檢驗在Eview

12、s中是針對普通的序列對(pairwise)而言的。你如果想對面板數(shù)據(jù)中的某些合成序列做因果檢驗的話，不妨先導(dǎo)出相關(guān)序列到一個組中(POOL窗口中的Proc/Make Group)，再來試試。情況二：如果如果基于單位根檢驗的結(jié)果發(fā)現(xiàn)變量之間是非同階單整的，即面板數(shù)據(jù)中有些序列平穩(wěn)而有些序列不平穩(wěn)，此時不能進展協(xié)整檢驗與直接對原序列進展回歸。但此時也不要著急，我們可以在保持變量經(jīng)濟意義的前提下，對我們前面提出的模型進展修正，以消除數(shù)據(jù)不平穩(wěn)對回歸造成的不利影響。如差分某些序列，將基于時間頻度的絕對數(shù)據(jù)變成時間頻度下的變動數(shù)據(jù)或增長率數(shù)據(jù)。此時的研究轉(zhuǎn)向新的模型，但要保證模型具有經(jīng)濟意義。因此一般不

13、要對原序列進展二階差分，因為對變動數(shù)據(jù)或增長率數(shù)據(jù)再進展差分，我們不好對其冠以經(jīng)濟解釋。難道你稱其為變動率的變動率？步驟三：面板模型的選擇與回歸面板數(shù)據(jù)模型的選擇通常有三種形式：一種是混合估計模型Pooled Regression Model。如果從時間上看，不同個體之間不存在顯著性差異；從截面上看，不同截面之間也不存在顯著性差異，那么就可以直接把面板數(shù)據(jù)混合在一起用普通最小二乘法OLS估計參數(shù)。一種是固定效應(yīng)模型Fixed Effects Regression Model。如果對于不同的截面或不同的時間序列，模型的截距不同，那么可以采用在模型中添加虛擬變量的方法估計回歸參數(shù)。一種是隨機效應(yīng)模

14、型Random Effects Regression Model。如果固定效應(yīng)模型中的截距項包括了截面隨機誤差項和時間隨機誤差項的平均效應(yīng)，并且這兩個隨機誤差項都服從正態(tài)分布，那么固定效應(yīng)模型就變成了隨機效應(yīng)模型。在面板數(shù)據(jù)模型形式的選擇方法上，我們經(jīng)常采用F檢驗決定選用混合模型還是固定效應(yīng)模型，然后用Hausman檢驗確定應(yīng)該建立隨機效應(yīng)模型還是固定效應(yīng)模型。檢驗完畢后，我們也就知道該選用哪種模型了，然后我們就開場回歸：在回歸的時候，權(quán)數(shù)可以選擇按截面加權(quán)cross-section weights的方式，對于橫截面?zhèn)€數(shù)大于時序個數(shù)的情況更應(yīng)如此，表示允許不同的截面存在異方差現(xiàn)象。估計方法采用

15、PCSEPanel Corrected Standard Errors，面板校正標(biāo)準(zhǔn)誤方法。Beck和Katz(1995)引入的PCSE估計方法是面板數(shù)據(jù)模型估計方法的一個創(chuàng)新，可以有效的處理復(fù)雜的面板誤差構(gòu)造，如同步相關(guān)，異方差，序列相關(guān)等，在樣本量不夠大時尤為有用。單位根檢驗、協(xié)整檢驗和格蘭杰因果關(guān)系檢驗三者之間的關(guān)系實證檢驗步驟：先做單位根檢驗，看變量序列是否平穩(wěn)序列，假設(shè)平穩(wěn)，可構(gòu)造回歸模型等經(jīng)典計量經(jīng)濟學(xué)模型；假設(shè)非平穩(wěn)，進展差分，當(dāng)進展到第i次差分時序列平穩(wěn)，那么服從i階單整注意趨勢、截距不同情況選擇，根據(jù)P值和原假設(shè)判定。假設(shè)所有檢驗序列均服從同階單整，可構(gòu)造VAR模型，做協(xié)整檢

16、驗注意滯后期的選擇，判斷模型內(nèi)部變量間是否存在協(xié)整關(guān)系，即是否存在長期均衡關(guān)系。協(xié)整檢驗的原假設(shè)就是，變量回歸后的殘差是平穩(wěn)序列。如假設(shè)殘差是平穩(wěn)序列，說明存在協(xié)整關(guān)系，如果殘差序列有單位根，那么協(xié)整關(guān)系不存在。如果有協(xié)整關(guān)系，那么可以構(gòu)造VEC模型或者進展Granger因果檢驗，檢驗變量之間“誰引起誰變化，即因果關(guān)系。一、討論一1、單位根檢驗是序列的平穩(wěn)性檢驗，如果不檢驗序列的平穩(wěn)性直接OLS容易導(dǎo)致偽回歸。2、當(dāng)檢驗的數(shù)據(jù)是平穩(wěn)的即不存在單位根，要想進一步考察變量的因果聯(lián)系，可以采用格蘭杰因果檢驗，但要做格蘭杰檢驗的前提是數(shù)據(jù)必須是平穩(wěn)的，否那么不能做。3、當(dāng)檢驗的數(shù)據(jù)是非平穩(wěn)即存在單位根

17、，并且各個序列是同階單整協(xié)整檢驗的前提，想進一步確定變量之間是否存在協(xié)整關(guān)系，可以進展協(xié)整檢驗，協(xié)整檢驗主要有EG兩步法和JJ檢驗A、EG兩步法是基于回歸殘差的檢驗，可以通過建立OLS模型檢驗其殘差平穩(wěn)性B、JJ檢驗是基于回歸系數(shù)的檢驗，前提是建立VAR模型即模型符合ADL模式4、當(dāng)變量之間存在協(xié)整關(guān)系時，可以建立ECM進一步考察短期關(guān)系，Eviews這里還提供了一個WaldGranger檢驗，但此時的格蘭杰已經(jīng)不是因果關(guān)系檢驗，而是變量外生性檢驗，請注意識別二、討論二1、格蘭杰檢驗只能用于平穩(wěn)序列！這是格蘭杰檢驗的前提，而其因果關(guān)系并非我們通常理解的因與果的關(guān)系，而是說x的前期變化能有效地解

18、釋y的變化，所以稱其為“格蘭杰原因。2、非平穩(wěn)序列很可能出現(xiàn)偽回歸，協(xié)整的意義就是檢驗它們的回歸方程所描述的因果關(guān)系是否是偽回歸，即檢驗變量之間是否存在穩(wěn)定的關(guān)系。所以，非平穩(wěn)序列的因果關(guān)系檢驗就是協(xié)整檢驗。3、平穩(wěn)性檢驗有3個作用：1檢驗平穩(wěn)性，假設(shè)平穩(wěn)，做格蘭杰檢驗，非平穩(wěn)，作協(xié)正檢驗。2協(xié)整檢驗中要用到每個序列的單整階數(shù)。3判斷時間學(xué)列的數(shù)據(jù)生成過程。三、討論三其實很多人存在誤解。有如下幾點，需要澄清：第一，格蘭杰因果檢驗是檢驗統(tǒng)計上的時間先后順序，并不表示而這真正存在因果關(guān)系，是否呈因果關(guān)系需要根據(jù)理論、經(jīng)歷和模型來判定。第二，格蘭杰因果檢驗的變量應(yīng)是平穩(wěn)的，如果單位根檢驗發(fā)現(xiàn)兩個變量

19、是不穩(wěn)定的，那么，不能直接進展格蘭杰因果檢驗，所以，很多人對不平穩(wěn)的變量進展格蘭杰因果檢驗，這是錯誤的。第三，協(xié)整結(jié)果僅表示變量間存在長期均衡關(guān)系，那么，到底是先做格蘭杰還是先做協(xié)整呢？因為變量不平穩(wěn)才需要協(xié)整，所以，首先因?qū)ψ兞窟M展差分，平穩(wěn)后，可以用差分項進展格蘭杰因果檢驗，來判定變量變化的先后時序，之后，進展協(xié)整，看變量是否存在長期均衡。第四，長期均衡并不意味著分析的完畢，還應(yīng)考慮短期波動，要做誤差修正檢驗。首先建立工作文件。在翻開工作文件窗口的根底上，點擊EViwes主功能菜單上的Objects鍵，選New Object功能，從而翻開New Object新對象選擇窗。在Type of

20、Object選擇區(qū)選擇Pool合并數(shù)據(jù)庫，并在Name of Object選擇區(qū)為混合數(shù)據(jù)庫起名Pool01初始顯示為Untitled。2定義序列名并輸入數(shù)據(jù)。在新建的混合數(shù)據(jù)庫Pool窗口的工具欄中點擊Sheet鍵第2種路徑是，點擊View鍵，選Spreadsheet (stacked data)功能，從而翻開Series List列寫序列名窗口，定義時間序列變量Y"和X.點擊OK鍵，從而翻開混合數(shù)據(jù)庫Pool窗口，點擊Edit+-鍵，使EViwes處于可編輯狀態(tài)輸入數(shù)據(jù)。補充：點擊Order+-鍵，還可以變換為以時間為序的陣列式排列。工作文件也可以以合并數(shù)據(jù)Pool data和非

21、合并數(shù)據(jù)的形式用復(fù)制和粘貼的方法建立。3估計模型點擊Estimation鍵，隨后彈出Pooled Estimation混合估計對話窗。用EViwes可以估計固定效應(yīng)模型包括個體固定效應(yīng)模型、時刻固定效應(yīng)模型和時刻個體固定效應(yīng)模型3種、隨機效應(yīng)模型、帶有AR(1)參數(shù)的模型、截面不同回歸系數(shù)也不同的面板數(shù)據(jù)模型。用EViwes可以選擇普通最小二乘法、加權(quán)最小二乘法以截面模型的方差為權(quán)、似不相關(guān)回歸法估計模型參數(shù)。補充：在這一塊內(nèi)容里面，eviews6.0和eviews5.1的界面還是存在明顯差異的，前者的界面是左右排列，后者的界面是上下排列，而且里面的選項形式也不太一樣。5.1軟件里面通過選擇截

22、距項來確定模型的類型，而6.0的里面是通過選擇estimation method來選擇模型的類型固定效應(yīng)模型在面板數(shù)據(jù)散點圖中，如果對于不同的截面或不同的時間序列，模型的截距是不同的，那么可以采用在模型中加虛擬變量的方法估計回歸參數(shù)，稱此種模型為固定效應(yīng)模型fixed effects regression model。固定效應(yīng)模型分為3種類型，即個體固定效應(yīng)模型entity fixed effects regression model、時刻固定效應(yīng)模型time fixed effects regression model和時刻個體固定效應(yīng)模型time and entity fixed effe

23、cts regression model。個體固定效應(yīng)模型。個體固定效應(yīng)模型就是對于不同的個體有不同截距的模型。如果對于不同的時間序列個體截距是不同的，但是對于不同的橫截面，模型的截距沒有顯著性變化，那么就應(yīng)該建立個體固定效應(yīng)模型。時刻固定效應(yīng)模型。時刻固定效應(yīng)模型就是對于不同的截面時刻點有不同截距的模型。如果確知對于不同的截面，模型的截距顯著不同，但是對于不同的時間序列個體截距是一樣的，那么應(yīng)該建立時刻固定效應(yīng)模型。時刻個體固定效應(yīng)模型。時刻個體固定效應(yīng)模型就是對于不同的截面時刻點、不同的時間序列個體都有不同截距的模型。如果確知對于不同的截面、不同的時間序列個體模型的截距都顯著地不一樣，那么

24、應(yīng)該建立時刻個體效應(yīng)模型。隨機效應(yīng)模型在固定效應(yīng)模型中采用虛擬變量的原因是解釋被解釋變量的信息不夠完整。也可以通過對誤差項的分解來描述這種信息的缺失。yit = a+ b1 xit + eit 其中誤差項在時間上和截面上都是相關(guān)的，用3個分量表示如下： eit = ui + vt + wit 其中uiN(0, su2)表示截面隨機誤差分量；vtN(0, sv2)表示時間隨機誤差分量；witN(0, sw2)表示混和隨機誤差分量。同時還假定ui，vt，wit之間互不相關(guān)，各自分別不存在截面自相關(guān)、時間自相關(guān)和混和自相關(guān)。上述模型稱為隨機效應(yīng)模型。隨機效應(yīng)模型和固定效應(yīng)模型比較，相當(dāng)于把固定效應(yīng)模

25、型中的截距項看成兩個隨機變量。一個是截面隨機誤差項ui，一個是時間隨機誤差項vt。如果這兩個隨機誤差項都服從正態(tài)分布，對模型估計時就能夠節(jié)省自由度，因為此條件下只需要估計兩個隨機誤差項的均值和方差。假定固定效應(yīng)模型中的截距項包括了截面隨機誤差項和時間隨機誤差項的平均效應(yīng)，而且對均值的離差分別是ui和vt，固定效應(yīng)模型就變成了隨機效應(yīng)模型。補充：如果僅以樣本自身效應(yīng)為條件進展研究，宜選擇固定效應(yīng)模型；如果欲以樣本對總體效應(yīng)進展推論，那么應(yīng)采用隨機效應(yīng)模型。應(yīng)用VAR模型時的15個注意點(筆記) 向量自回歸VAR,Vector Auto regression常用于預(yù)測相互聯(lián)系的時間序列系統(tǒng)以及分析

26、隨機擾動對變量系統(tǒng)的動態(tài)影響。VAR方法通過把系統(tǒng)中每一個內(nèi)生變量,作為系統(tǒng)中所有內(nèi)生變量的滯后值的函數(shù)來構(gòu)造模型，從而回避了構(gòu)造化模型的要求。Engle和Granger1987a指出兩個或多個非平穩(wěn)時間序列的線性組合可能是平穩(wěn)的。假設(shè)這樣一種平穩(wěn)的或的線性組合存在，這些非平穩(wěn)有單位根時間序列之間被認(rèn)為是具有協(xié)整關(guān)系的。這種平穩(wěn)的線性組合被稱為協(xié)整方程且可被解釋為變量之間的長期均衡關(guān)系。 VAR模型對于相互聯(lián)系的時間序列變量系統(tǒng)是有效的預(yù)測模型，同時，向量自回歸模型也被頻繁地用于分析不同類型的隨機誤差項對系統(tǒng)變量的動態(tài)影響。如果變量之間不僅存在滯后影響，而不存在同期影響關(guān)系，那么適合建立VAR

27、模型，因為VAR模型實際上是把當(dāng)期關(guān)系隱含到了隨機擾動項之中。注意點：1、單位根檢驗是序列的平穩(wěn)性檢驗，如果不檢驗序列的平穩(wěn)性直接OLS容易導(dǎo)致偽回歸。2、當(dāng)檢驗的數(shù)據(jù)是平穩(wěn)的即不存在單位根，要想進一步考察變量的因果聯(lián)系，可以采用格蘭杰因果檢驗，但要做格蘭杰檢驗的前提是數(shù)據(jù)必須是平穩(wěn)的，否那么不能做。3、當(dāng)檢驗的數(shù)據(jù)是非平穩(wěn)即存在單位根，并且各個序列是同階單整協(xié)整檢驗的前提，想進一步確定變量之間是否存在協(xié)整關(guān)系，可以進展協(xié)整檢驗，協(xié)整檢驗主要有EG兩步法和JJ檢驗A、EG兩步法是基于回歸殘差的檢驗，可以通過建立OLS模型檢驗其殘差平穩(wěn)性B、JJ檢驗是基于回歸系數(shù)的檢驗，前提是建立VAR模型即模型符合ADL模式4、當(dāng)變量之間存在協(xié)整關(guān)系時，可以建立ECM進一步考察短期關(guān)系，Eviews這里還提供了一個WaldGranger檢驗，但此時的格蘭杰已經(jīng)不是因果關(guān)系檢驗，而是變量外生性檢驗，請注意識別。5、格蘭杰檢驗只能用于平穩(wěn)序列！這是格蘭杰檢驗的前提，而其因果關(guān)系并非我們通常理解的因與果的關(guān)系，而是說x的前期變化能有效地解釋y的變化，所以稱其為“格蘭杰原因。6、非平穩(wěn)序列很可能出現(xiàn)偽回歸，協(xié)整的意義就是檢驗它們的回歸方程所描述的因果關(guān)系是否是偽回歸，即檢驗變量之間是否存在穩(wěn)定的關(guān)系。所以，非平穩(wěn)序列的因果關(guān)系檢驗就是協(xié)整檢驗。7、平穩(wěn)性檢驗有3個作用