VECM案例分析

精品文档 1欢迎下载 1 1 VECMVECM 模型的具体构建步骤模型的具体构建步骤 VECM 模型的具体运用主要包括以下几个步骤 1 序列的单位根检验 与 VAR 模型不同 VECM 模型是针对非平稳序列而言的 因此在进行协整检验和运用 VECM 前需进行单位根检验 2 协整检验 协整检验关键是协整形式和滞后阶数的选择 3 VECM 模型的估计 若存在协整关系 就可以建立相对应的 VECM 模型 进行估计了 4 VECM 模型的残差检验 残差检验与 VAR 模型类似 包括残差的独立性检验 5 VECM 模型的应用 VECM 模型的应用与 VAR 模型类似 包括预测 脉冲响应与方差分解 精品文档 2欢迎下载 VECMVECM 模型的应用举例模型的应用举例 4 4 14 4 1 案例分析的背景案例分析的背景 中国人民银行长期以来坚持以 CPI 作为货币政策导向 并没有考虑资产价格这一目标 但是随着中国经济市场化程度的不断深化 以股票市场为核心的资本市场的作用日益凸显 货币政策是否对股票市场产生影响 以及股票市场是否在货币政策传导中充当了作用已成 为学术界关注的焦点问题 本例将对物价水平 货币政策 股票市场的相互关系进行分析 4 4 24 4 2 实验数据实验数据 本实验选取了 CPI 广义货币供应量 m Shibor 上证 A 股指数 index 1996 年 12 月至 2010 年 11 月月度数据进行分析 4 4 34 4 3 VECMVECM 模型的构建模型的构建 1 1 数据处理 数据处理 由于 CPI 和上证 A 股指数都是相对数 为了减少基期的影响以及减少异方差性 对 CPI 和上证 A 股指数取对数 观察广义货币供应量的图形 以及货币政策的特点 分析广 义货币供应量 M 的可能季节性特征 这里采用 X12 进行分析 在 M 的窗口点击 proc seasonal adjustment census X12 分析结果如下 Sum of Dgrs of Mean Squares Freedom Square F Value Between months 61 6039 11 5 60035 13 023 Residual 67 0872 156 0 43005 Total 128 6910 167 精品文档 3欢迎下载 Seasonality present at the 0 1 per cent level 从而 M 存在季节性 因此对 M 进行季节性调整 季节性调整后的 M 图形如下 0 100 000 200 000 300 000 400 000 500 000 600 000 700 000 800 000 1998200020022004200620082010 M SA 为了平滑 M 的变动趋势 对 M 同样也做对数处理 2 2 单位根检验 单位根检验 观察 CPI 上证指数 Shibor 的图形 4 58 4 60 4 62 4 64 4 66 4 68 4 70 1998200020022004200620082010 LCPI 精品文档 4欢迎下载 6 8 7 2 7 6 8 0 8 4 8 8 1998200020022004200620082010 LINDEX 0 2 4 6 8 10 12 1998200020022004200620082010 SHIBOR 对四个变量选取相应的形式进行单位根检验 见表 4 1 表表 4 14 1 各变量单位根检验的结果各变量单位根检验的结果 水平值检验结果一阶差分检验结果 变量 检验形式 C T L ADF值P值 检验形式 C T L ADF值P值 Lcpi C 0 12 2 10278 0 2440 0 0 11 5 23850 0000 Lm C T 0 0 09094 0 9947 C 0 0 13 2780 0000 shibor C T 1 3 23630 0810 C 0 0 14 3170 0000 Lindex C 0 0 1 63892 0 4605 0 0 1 7 06030 0000 注 检验形式 C T L 中 C T L分别代表常数项 时间趋势和滞后阶数 滞后阶数根据 精品文档 5欢迎下载 SC信息准则选择 从表中可以看出 在 5 的显著性水平上 所有变量均不平稳 但是一阶差分均平稳 因此所有变量均是一阶单整过程 3 3 协整检验 协整检验 协整检验的关键是选取协整检验的形式和滞后阶数 根据前面介绍的协整与 VECM 模 型的关系 协整方程根据数据特征分成三类 由于部分变量存在截距和趋势 因此选取第 二类形式 考虑到 cpi 上证指数无明显的时间特征 因此选取第三种形式作为协整检验 的形式 对于滞后阶数的选取 可以根据 VAR 滞后阶数间接选取或者根据信息准则选取 同时 考虑残差的性质 当滞后阶数为 1 时 AIC 和 SC 分别为 15 75672 15 23181 当滞后阶 数为 2 时 AIC 和 SC 分别为 15 76829 14 94004 当滞后阶数为 3 时 AIC 和 SC 分别 为 15 75608 14 62198 另外估计无约束的 VAR 模型时滞后阶数小于 5 时各判断准则的 结果优于高阶的情形 因此本例中滞后阶数选取为 1 在 Group 窗口中点击 view cointegration test 选取形式三和滞后区间 1 1 具体协整检验的结果见下 协整检验的结果 协整检验的结果 Sample adjusted 1997M02 2010M11 Included observations 166 after adjustments Trend assumption Linear deterministic trend Series LCPI LINDEX LM SHIBOR Lags interval in first differences 1 to 1 Unrestricted Cointegration Rank Test Trace HypothesizedTrace0 05 No of CE s EigenvalueStatisticCritical ValueProb None 0 180100 66 68735 47 85613 0 0003 精品文档 6欢迎下载 At most 1 0 127990 33 72420 29 79707 0 0168 At most 2 0 048051 10 98981 15 49471 0 2121 At most 3 0 016817 2 815325 3 841466 0 0934 Trace test indicates 2 cointegrating eqn s at the 0 05 level denotes rejection of the hypothesis at the 0 05 level MacKinnon Haug Michelis 1999 p values Unrestricted Cointegration Rank Test Maximum Eigenvalue HypothesizedMax Eigen0 05 No of CE s EigenvalueStatisticCritical ValueProb None 0 180100 32 96315 27 58434 0 0092 At most 1 0 127990 22 73439 21 13162 0 0295 At most 2 0 048051 8 174482 14 26460 0 3612 At most 3 0 016817 2 815325 3 841466 0 0934 Max eigenvalue test indicates 2 cointegrating eqn s at the 0 05 level denotes rejection of the hypothesis at the 0 05 level MacKinnon Haug Michelis 1999 p values 迹检验和极大特征值检验结果均显示存在两个协整关系 再分析具体的协整方程和协 整序列 标准化后的协整方程如下 2 Cointegrating Equation s Log likelihood 1347 175 Normalized cointegrating coefficients standard error in parentheses LCPILINDEXLMSHIBOR 1 000000 0 000000 0 033542 0 010324 0 00927 0 00237 精品文档 7欢迎下载 0 000000 1 000000 0 135405 0 297467 0 31487 0 08046 第二个协整方程显示 lm 与 shibor 之间是负相关关系 这与一般的经济理论相悖 本 例只选取一个协整方程 协整序列的图形和单位根检验结果如下 2 1 0 1 2 3 4 1998200020022004200620082010 COINTEQ Null Hypothesis COINTEQ has a unit root Exogenous Constant Linear Trend Lag Length 0 Automatic based on SIC MAXLAG 13 t Statistic Prob Augmented Dickey Fuller test statistic 3 551191 0 0373 Test critical values 1 level 4 014635 5 level 3 437289 10 level 3 142837 MacKinnon 1996 one sided p values 协整方程所对应的序列是平稳的 即各变量之间存在协整关系 该协整方程具体为 0 1 0 02 0 02 精品文档 8欢迎下载 4 4 VECMVECM 模型的估计模型的估计 估计结果如下 估计结果如下 Sample adjusted 1997M02 2010M11 Included observations 166 after adjustments Standard errors in t statistics in Cointegrating Eq CointEq1 LCPI 1 1 000000 LINDEX 1 0 105613 0 04668 2 26233 LM 1 0 019242 0 03646 0 52780 SHIBOR 1 0 021093 0 00768 2 74693 C 3 657863 Error Correction D LCPI D LINDEX D LM D SHIBOR CointEq1 0 019387 0 059896 0 018894 1 234481 0 00578 0 08100 0 00619 0 32963 3 35440 0 73942 3 05460 3 74500 精品文档 9欢迎下载 D LCPI 1 0 092204 0 368908 0 283925 0 140230 0 07718 1 08179 0 08261 4 40219 1 19460 0 34102 3 43713 0 03185 D LINDEX 1 0 000456 0 092807 0 008193 0 329584 0 00571 0 08000 0 00611 0 32554 0 07985 1 16012 1 34121 1 01242 D LM 1 0 112222 0 152122 0 060007 4 609028 0 07009 0 98235 0 07501 3 99752 1 60113 0 15486 0 79997 1 15297 D SHIBOR 1 0 001860 0 018777 0 001956 0 169503 0 00133 0 01870 0 00143 0 07609 1 39387 1 00418 1 37021 2 22755 C 0 001600 0 009028 0 014056 0 129375 0 00106 0 01492 0 00114 0 06071 1 50275 0 60511 12 3372 2 13088 R squared 0 116337 0 016652 0 112042 0 110396 Adj R squared 0 088722 0 014078 0 084293 0 082596 Sum sq resids 0 006013 1 181197 0 006887 19 56028 S E equation 0 006130 0 085921 0 006561 0 349645 F statistic 4 212895 0 541872 4 037741 3 971055 Log likelihood 613 1981 174 9293 601 9309 58 04941 Akaike AIC 7 315639 2 035293 7 179890 0 771680 精品文档 10欢迎下载 Schwarz SC 7 203158 1 922812 7 067408 0 884161 Mean dependent 4 57E 05 0 006462 0 013460 0 059337 S D dependent 0 006422 0 085323 0 006856 0 365046 Determinant resid covariance dof adj 1 39E 12 Determinant resid covariance 1 20E 12 Log likelihood 1335 808 Akaike information criterion 15 75672 Schwarz criterion 15 23181 5 5 VECMVECM 模型的检验与预测模型的检验与预测 在 VAR 估计窗口中点击 view residual tests cointegration test 观察各方程对应 残差的自相关图 此处不显示不同残差之间的相关图 VECM 模型允许不同残差之间存在 相关性 3 2 1 0 1 2 3 12345678910 Cor LCPI LCPI i 3 2 1 0 1 2 3 12345678910 Cor LINDEX LINDEX i 3 2 1 0 1 2 3 12345678910 Cor LM LM i 3 2 1 0 1 2 3 12345678910 Cor SHIBOR SHIBOR i Autocorrelations with 2 Std Err Bounds 从中可以看出 除 lindex 存在一定的自相关性外 其余均不存在自相关性 精品文档 11欢迎下载 与 VAR 模型类似 VECM 模型的估计窗口中无直接预测的命令 要对 VECM 模型进行预 测 需由估计的 VECM 模型建立 Model 得到 点击 proc make model 打开 model 窗口 在 VECM 方程下编辑命令 Assign all f 表示对所有的变量的预测值名后加上后缀名 f 各变量采用确定模拟中动态方案预测 的结果对比图如下 4 54 4 56 4 58 4 60 4 62 4 64 4 66 4 68 4 70 1998200020022004200620082010 LCPILCPI Baseline 6 8 7 2 7 6 8 0 8 4 8 8 1998200020022004200620082010 LINDEXLINDEX Baseline 11 2 11 6 12 0 12 4 12 8 13 2 13 6 1998200020022004200620082010 LMLM Baseline 0 2 4 6 8 10 12 1998200020022004200620082010 SHIBORSHIBOR Baseline 从中可以看出 VECM 模型基本可以拟合原序列的变动趋势 6 VECM 模型的应用 精品文档 12欢迎下载 在 VAR 估计的窗口 点击 view impulse response 查看脉冲响应函数 选择 combined graphs 可以得到脉冲响应的组合图显示结果 004 002 000 002 004 006 008 102030405060 LCPILINDEX LMSHIBOR Response of LM to Cholesky One S D Innovations 02 00 02 04 06 08 10 102030405060 LCPILINDEX LMSHIBOR Response of LINDEX to Cholesky One S D Innovations 004 002 000 002 004 006 008 102030405060 LCPILINDEX LMSHIBOR Response of LCPI to Cholesky One S D Innovations 2 1 0 1 2 3 4 102030405060 LCPILINDEX LMSHIBOR Response of SHIBOR to Cholesky One S D Innovations 从左上方的图形可以看出 股指的变动对货币供给在中长期内都存在影响 而货币供 给对股票市场的影响很小 点击 view variance decomposition 查看方差分解结果 ombined graphs 可以得到 脉冲响应的组合图显示结果 精品文档 13欢迎下载 0 20 40 60 80 100 102030405060 LCPILINDEX LMSHIBOR Variance Decomposition of LM 0 20 40 60 80 100 102030405060 LCPILINDEX LMSHIBOR Variance Decomposition of LINDEX 0 20 40 60 80 100 120 102030405060 LCPILINDEX LMSHIBOR Variance Decomposition of LCPI 0 20 40 60 80 100 102030405060 LCPILINDEX LMSHIBOR Variance Decomposition of SHIBOR 从右上方的图形可以看出 股指的变动主要源于自身的影响 因此股指变量具有弱外 生性 而货币供给的变动短期内自身影响较大 中长期内股票市场的变动和物价的变动会 逐渐增强 两者的影响和达到将近 30 7 7 施加约束条件后的 施加约束条件后的 VECMVECM 的估计的估计 可以对协整向量或者 VECM 模型的系数施加约束条件 一方面可以检验系数是否真正 显著 另外还可以对变量之间的关系进行检验 如因果关系 本例中 点击 view representations 可以查看 VECM 模型的方程形式 如下 精品文档 14欢迎下载 D LCPI A 1 1 B 1 1 LCPI 1 B 1 2 LINDEX 1 B 1 3 LM 1 B 1 4 SHIBOR 1 B 1 5 C 1 1 D LCPI 1 C 1 2 D LINDEX 1 C 1 3 D LM 1 C 1 4 D SHIBOR 1 C 1 5 D LINDEX A 2 1 B 1 1 LCPI 1 B 1 2 LINDEX 1 B 1 3 LM 1 B 1 4 SHIBOR 1 B 1 5 C 2 1 D LCPI 1 C 2 2 D LINDEX 1 C 2 3 D LM 1 C 2 4 D SHIBOR 1 C 2 5 D LM A 3 1 B 1 1 LCPI 1 B 1 2 LINDEX 1 B 1 3 LM 1 B 1 4 SHIBOR 1 B 1 5 C 3 1 D LCPI 1 C 3 2 D LINDEX 1 C 3 3 D LM 1 C 3 4 D SHIBOR 1 C 3 5 D SHIBOR A 4 1 B 1 1 LCPI 1 B 1 2 LINDEX 1 B 1 3 LM 1 B 1 4 SHIBOR 1 B 1 5 C 4 1 D LCPI 1 C 4 2 D LINDEX 1 C 4 3 D LM 1 C 4 4 D SHIBOR 1 C 4 5 如在协整方程中货币供给量 lm 不显著 可以剔除 lm 后重新估计 VECM 方程 从上 面的方程可以看出 lm 对应的回归系数为 b 1 3 因此在 VECM 估计窗口中点击 VEC restrictions 输入 b 1 3 0 得到新的 VECM 估计方程如下 Sample adjusted 1997M02 2010M11 Included observations 166 after adjustments Standard errors in t statistics in Cointegration Restrictions B 1 3 0 Convergence achieved after 13 iterations Not all cointegrating vectors are identified LR test for binding restrictions rank 1 Chi square 1 0 114241 Probability 0 735367 Cointegrating Eq CointEq1 精品文档 15欢迎下载 LCPI 1 8 315332 LINDEX 1 1 337181 LM 1 0 000000 SHIBOR 1 0 297447 C 29 32485 Error Correction D LCPI D LINDEX D LM D SHIBOR CointEq1 0 001535 0 006492 0 001447 0 107336 0 00048 0 00668 0 00051 0 02709 3 20789 0 97169 2 82184 3 96215 D LCPI 1 0 090073 0 446647 0 284004 0 385101 0 07775 1 08530 0 08331 4 40082 1 15851 0 41154 3 40889 0 08751 D LINDEX 1 0 000267 0 092454 0 008384 0 318814 0 00572 0 07989 0 00613 0 32394 0 04662 1 15730 1 36707 0 98418 D LM 1 0 106557 0 146748 0 053844 4 844492 0 07014 0 97914 0 07516 3 97035 1 51912 0 14987 0 71635 1 22017 精品文档 16欢迎下