多元时间序列模型协整向量估计

多元时间序列模型协整向量估计一、引言：从“伪回归”陷阱到协整分析的破局刚入行做宏观经济分析时，我曾犯过一个“经典错误”：用两个明显上升的时间序列做回归，结果R²高得离谱，t检验也显著，但导师看了结果只问了一句：“你确定这两个序列不是因为都有趋势项才‘虚假相关’的吗？”这句话像一盆冷水，让我第一次意识到非平稳时间序列分析中的“伪回归”陷阱——当两个序列都是单整（非平稳）过程时，直接用OLS回归可能得到看似显著的结果，但这种关系并无实际经济意义。正是在这样的困惑中，我接触到了协整（Cointegration）理论。简单来说，协整描述的是一组非平稳序列之间存在的长期均衡关系：虽然每个序列自身可能有随机趋势（如随机游走），但它们的线性组合却能消除趋势，成为平稳序列。这种“长期共变”的特性，就像几个在广场上随机散步的人，虽然各自路径不规则，但始终保持着一定的相对距离。而协整向量，就是这个线性组合的系数向量，它是打开非平稳时间序列“真实关系”的关键钥匙。本文将围绕“协整向量估计”这一核心问题展开，从理论基础到方法选择，从实际应用到前沿挑战，逐步揭开这一技术的全貌。对于金融计量、宏观经济分析等领域的从业者而言，掌握协整向量估计不仅是解决“伪回归”的工具，更是理解变量间长期互动机制的重要桥梁。二、协整理论基础：理解“非平稳中的平稳”要准确估计协整向量，首先需要明确几个基础概念：单整（Integration）、协整的定义，以及协整与长期均衡的联系。2.1单整过程：非平稳的“源头”时间序列的平稳性是传统计量分析的前提，但现实中许多经济金融序列（如GDP、股价、汇率）往往是非平稳的。判断一个序列是否平稳，最常用的方法是单位根检验（如ADF检验、PP检验）。若一个序列经过d次差分后变为平稳序列，则称其为d阶单整，记为I(d)。例如，大部分宏观经济序列是I(1)过程——原始序列非平稳（有单位根），但一阶差分后平稳。为什么单整序列会导致“伪回归”？直观上，I(1)序列的方差会随时间无限增大，两个独立的I(1)序列可能因趋势项的偶然重叠而表现出“相关性”，这种相关性不反映真实的经济联系。例如，某国冰淇淋销量和游泳溺亡人数可能都随夏季到来而上升，直接回归会得到正相关，但两者并无因果关系，只是共同受“温度”这一外生变量驱动。2.2协整的定义：非平稳序列的“长期绑定”1987年Engle和Granger提出的协整理论，正是为了刻画这种“非平稳中的平稳”。具体来说，若k个I(d)序列组成的向量X_t=(x1t,x2t,…,xkt)‘，存在一个非零向量β=(β1,β2,…,βk)’，使得β’X_t~I(d-b)（通常b≥1，最常见的是d=1，b=1，即β’X_t~I(0)），则称X_t中的变量存在协整关系，β为协整向量。协整的经济意义在于，它描述了变量间的长期均衡机制。例如，根据购买力平价理论，两国汇率与物价水平应存在长期均衡关系：若汇率短期偏离由物价差决定的“均衡值”，市场力量会推动其回归。这种“偏离-修正”的动态过程，正是误差修正模型（ECM）的核心，而协整向量β就是均衡关系的系数。2.3协整的必要条件与检验逻辑并非所有非平稳序列都能协整。从数学上看，k个I(1)序列最多存在k-1个线性无关的协整向量（协整秩r≤k-1）。要验证协整关系是否存在，需分两步：首先确认所有变量都是同阶单整（通常为I(1)），否则协整不存在；其次检验是否存在至少一个线性组合是平稳的。这里需要注意，“同阶单整”是协整的必要非充分条件。例如，两个I(1)序列可能独立随机游走，不存在协整；也可能受共同趋势驱动，存在协整。这就像两列火车，若轨道平行（无共同趋势），则永远不会“绑定”；若轨道相交（有共同趋势），则可能在某个点保持相对位置。三、协整向量估计的经典方法：从两步法到系统估计明确了协整的理论内涵后，接下来需要解决“如何估计协整向量”这一核心问题。目前主流的方法可分为两类：基于单方程的两步估计法（如Engle-Granger法）和基于系统方程的极大似然估计法（如Johansen法），此外还有针对小样本或内生性问题的改进方法（如动态最小二乘法）。3.1Engle-Granger两步法：简单却“有脾气”的经典Engle-Granger（EG）两步法是最早提出的协整向量估计方法，其思路简单直接：第一步，用OLS估计长期均衡方程（即协整关系的线性组合），得到残差序列；第二步，检验残差是否平稳，若平稳则说明存在协整，OLS估计量即为协整向量的一致估计。以两变量为例，设y_t和x_t都是I(1)序列，假设存在协整关系y_t=α+βx_t+ε_t，其中ε_t~I(0)。第一步用OLS估计α和β，得到残差ê_t=y_t-â-b̂x_t；第二步对ê_t进行单位根检验（如ADF检验），若拒绝单位根假设，则说明y_t和x_t协整，b̂为协整向量的估计值。EG法的优势在于操作简单，易于理解，尤其适合初步探索两变量间的协整关系。但它也有明显缺陷：

-小样本偏差：OLS估计量在小样本下可能有严重偏差，尤其是当解释变量与误差项存在内生性时（如x_t是y_t的滞后值），估计结果会不一致；

-单方程限制：EG法假设只有一个协整向量，且将其中一个变量作为被解释变量，忽略了变量间的双向反馈；

-残差检验的脆弱性：若协整关系中存在多个变量，残差的平稳性检验功效可能降低，容易出现“误判”。我在早期做研究时曾用EG法分析消费与收入的协整关系，样本量仅50个观测值，结果发现β的估计值波动很大，后来扩大样本并改用Johansen法后，结果才稳定下来。这让我深刻体会到EG法对样本量的“敏感”。3.2Johansen极大似然法：系统视角下的多协整向量估计针对EG法的局限性，Johansen（1988,1991）提出了基于向量自回归（VAR）模型的极大似然估计法，该方法能同时处理多个协整向量，考虑变量间的动态关系，是目前应用最广泛的系统协整估计方法。3.2.1从VAR到VECM：协整的动态表达Johansen法的起点是VAR模型。设k维I(1)向量X_t的VAR(p)模型为：

X_t=Π1X_{t-1}+Π2X_{t-2}+…+ΠpX_{t-p}+μ+ε_t通过差分变换（Granger表示定理），可将其转化为误差修正模型（VECM）形式：

ΔX_t=Γ1ΔX_{t-1}+…+Γ_{p-1}ΔX_{t-p+1}+ΠX_{t-1}+μ+ε_t其中，Π=-(I-Π1-…-Πp)是k×k矩阵，其秩r决定了协整关系的数量：若r=0，所有变量都是I(1)且无协整；若0<r<k，则存在r个线性无关的协整向量，Π可分解为Π=αβ’，其中α是k×r的调整系数矩阵（反映变量对均衡误差的调整速度），β是k×r的协整向量矩阵。3.2.2极大似然估计的核心步骤Johansen法的估计过程可概括为“两步投影”：

1.对ΔX_t和ΔX的滞后项进行OLS回归，得到残差R0t；

2.对X_{t-1}和ΔX的滞后项进行OLS回归，得到残差R1t；

3.计算R0t和R1t的协方差矩阵，求解广义特征值问题，得到最大的r个特征值，对应的特征向量即为协整向量的估计值。这一过程的直观意义是：通过投影消除短期动态的影响（ΔX的滞后项），专注于X_{t-1}对ΔX_t的长期影响（即ΠX_{t-1}）。特征值的大小反映了协整关系的“强度”，特征值越大，协整关系越显著。3.2.3协整秩的确定：迹检验与最大特征值检验Johansen法的关键是确定协整秩r，常用的检验方法有迹检验（TraceTest）和最大特征值检验（MaximumEigenvalueTest）。

-迹检验原假设为“至多r个协整向量”，统计量为-TΣ_{i=r+1}^kln(1-λi)，其中λi是第i大的特征值，T是样本量；

-最大特征值检验原假设为“r个协整向量”，备择假设为“r+1个协整向量”，统计量为-Tln(1-λ_{r+1})。实际应用中，两种检验可能给出不同结果，通常需要结合经济理论和变量间的逻辑关系判断。例如，分析货币需求时，理论上可能存在收入、利率与货币供给的长期均衡关系，协整秩可能为1或2，需根据检验结果和经济意义综合确定。3.3动态最小二乘法（DOLS）：内生性问题的“应对者”无论是EG法还是Johansen法，都假设解释变量是外生的（或至少与误差项不相关），但现实中变量间往往存在双向因果关系（如股价与交易量），这会导致内生性问题，使估计量有偏。动态最小二乘法（Phillips和Hansen,1990；Stock和Watson,1993）通过加入解释变量的滞后和超前差分项，控制了内生性影响，提高了估计效率。DOLS的基本形式为：

y_t=α+βx_t+Σ_{i=-q}^qγ_iΔx_{t-i}+ε_t其中，Δx_{t-i}包括x的滞后差分项（i>0）和超前差分项（i<0）。加入超前项的目的是捕捉x_t与ε_t的同期相关性（即内生性），滞后项则捕捉动态调整过程。通过这种方式，DOLS估计量不仅是一致的，而且在小样本下比OLS更有效。我在研究汇率与利率的协整关系时，发现直接用EG法得到的β估计值与理论预期符号相反，怀疑是内生性导致。引入DOLS并加入2阶滞后和超前差分项后，结果不仅符号正确，且标准误显著缩小，这验证了DOLS在处理内生性问题上的优势。四、估计方法的比较与选择：场景决定工具不同协整向量估计方法各有优劣，选择时需结合具体场景（变量数量、样本量、内生性程度、是否存在多协整关系等）。以下从几个关键维度进行对比：4.1变量数量与协整秩EG法适用于两变量或假设只有一个协整向量的情况，无法处理多协整关系；

Johansen法可同时估计r个协整向量（r≤k-1），适合分析多变量系统（如k=5时可能存在2-3个协整关系）；

DOLS本质上是单方程方法，通常用于估计单个协整向量，但可扩展至多方程系统。4.2内生性与动态性EG法假设解释变量外生，内生性会导致估计偏误；

Johansen法通过VECM的系统设定，隐含地考虑了变量间的动态反馈，对内生性的处理更“系统”；

DOLS通过加入差分项直接控制内生性，是处理单方程内生性的有力工具。4.3样本量要求EG法对小样本敏感，易出现偏差（如当T<100时，OLS估计量的分布可能偏离正态）；

Johansen法在大样本下渐近有效，但小样本时检验功效较低（迹检验可能低估协整秩）；

DOLS在小样本下表现更稳健，尤其当加入适当滞后阶数时，估计量的偏差更小。4.4操作复杂度EG法步骤简单，适合快速探索；

Johansen法需要设定VAR的滞后阶数（通常用AIC、SC准则确定），并进行协整秩检验，操作相对复杂；

DOLS需要确定滞后和超前阶数（通常根据信息准则或经验设定，如q=1或2），复杂度适中。总结来说，若研究对象是两变量且外生性较强，EG法是“入门首选”；若分析多变量系统且需要考虑动态反馈，Johansen法是“标准工具”；若存在明显内生性（如金融市场变量），DOLS或其扩展方法（如FMOLS，完全修正最小二乘法）更合适。五、实际应用中的“避坑指南”：从数据到结果的细节把控理论方法再完美，实际应用中也可能因细节处理不当导致结果偏差。结合多年经验，以下是几个关键注意事项：5.1数据预处理：单位根检验的“严谨性”协整分析的前提是所有变量同阶单整，因此单位根检验必须充分。实际操作中，常犯的错误是：

-仅用一种检验方法（如只做ADF检验），忽略PP检验或KPSS检验（KPSS检验的原假设是“平稳”，可与ADF检验互补）；

-未正确设定检验方程的截距和趋势项（如序列有明显趋势却未包含时间趋势项，会导致“伪平稳”结论）；

-小样本下单位根检验功效低（如T<50时，ADF检验可能无法拒绝单位根假设，即使序列实际是平稳的）。建议：至少用两种检验方法（如ADF和PP），并根据序列图（观察是否有截距突变或趋势）设定合理的检验形式；若样本量小，可考虑增加数据频率（如用月度数据替代年度数据）。5.2滞后阶数的选择：短期动态与长期关系的平衡在Johansen法中，VAR的滞后阶数p影响协整估计的准确性。p过小会遗漏重要的短期动态，导致残差自相关；p过大会消耗自由度，降低估计效率。常用的选择准则是AIC和SC，其中SC更倾向于选择较小的p（因为SC对自由度惩罚更重）。我曾在分析宏观经济变量时，误用p=1（实际应选p=2），结果协整秩检验显示r=0（无协整），而增大p到2后，r=1（存在协整）。这是因为遗漏了一阶差分项的滞后项，导致长期关系被短期动态“掩盖”。5.3协整秩的稳健性检验：避免“过度自信”协整秩的确定是协整分析的关键，但迹检验和最大特征值检验可能受样本量、滞后阶数、异常值等因素影响。建议：

-改变滞后阶数p（如p=2和p=3），观察协整秩是否稳定；

-剔除异常值（如金融危机期间的极端值）后重新检验；

-结合经济理论判断（如货币需求理论预期存在1个协整向量，若检验得到r=2，需警惕是否包含了“伪协整”）。5.4协整向量的经济解释：数字背后的逻辑得到协整向量估计值后，需结合经济理论解释其含义。例如，估计出消费=0.8收入+0.2财富，说明长期中收入每增加1单位，消费增加0.8单位，财富增加1单位，消费增加0.2单位。若符号与理论预期相反（如利率上升反而增加货币需求），可能是模型设定错误（遗漏重要变量）、内生性未处理，或数据质量问题（如统计口径变化）。六、前沿进展与挑战：从高维到非线性的拓展随着计量经济学的发展，协整向量估计的理论与方法也在不断创新，以下是几个值得关注的方向：6.1高维协整分析：从“小系统”到“大维度”传统协整方法（如Johansen法）在k（变量数）较大时（如k>10），计算复杂度剧增，且协整秩r的估计效率下降。近年来，高维协整理论（如Bai和Ng,2004；Fan等,2016）通过稀疏性假设（协整向量是稀疏的，即大部分系数为0）或主成分分析，发展了适用于高维数据的协整估计方法。例如，利用因子模型提取共同趋势，再在因子空间中估计协整关系，可显著降低维度。6.2非线性协整：打破“线性”的束缚经典协整理论假设协整关系是线性的，但现实中变量间可能存在非线性均衡（如门限协整、平滑转移协整）。例如，汇率与物价的偏离可能在“正常区间”内无调整，超出区间后才触发修正机制（门限效应）。近年来，非线性协整方法（如Balke和Fomby,1997的门限协整检验）逐渐兴起，通过引入非线性变换（如平方项、交互项）或非参数估计，捕捉更复杂的长期关系。6.3贝叶斯协整估计：不确定性的“量化表达”传统方法（如Johansen法）提供的是点估计，而贝叶斯方法通过先验分布和后验抽样，可得到协整向量的概率分布，量化估计的不确定性。例如，在贝叶斯框架下，协整秩r可以是随机变量，通过马尔可夫链蒙特卡洛（MCMC）方法