《数据分析与EViews的应用》（第4版）课件 第5、6章 ARMA模型应用、动态时间序列模型基础

第五章ARMA模型应用目录01.ARMA模型概述介绍经典的ARMA模型02.随机时间序列的特性分析讲解时序特性研究的工具和时序的三性03.模型的识别与建立利用自相关和偏自相关识别模型及参数估计、检验04.模型的预测利用实例学习模型预测及评价05.序列相关与ARMA模型探讨运用ARMA模型处理模型残差自相关1.

ARMA模型概述OverviewofARMAModelARMA模型的基本类型自回归（AR:Auto-regressive）模型模型形式AR（p）移动平均（MA:MovingAverage）模型模型形式MA（q）

AR(p)过程平稳的条件是滞后多项式=0的根大于1.

滞后算子引入滞后算子

引入滞后算子移动平均过程无条件平稳自回归移动平均（ARMA:Auto-regressiveMovingAverage）模型ARMA（p,q）

2.随机时间序列的特性分析Characteristicanalysisofrandomtimeseries时序特性的研究工具自相关构成时间序列的每个序列值yt,yt-1,…,yt-k之间的简单相关关系称为自相关．自相关程度由自相关系数rk度量，表示时间序列中相隔k期的观测值之间的相关程度。偏自相关偏自相关是指对于时间序列yt，在给定yt-1,yt-2,…,yt-k+1的条件下，yt与yt-k之间的条件相关关系．其相关程度用偏自相关系数φkk度量。

EViews中的操作菜单操作在主菜单选择Quick/SeriesStatistics/Correlogram在屏幕出现的对话框中输入欲分析的序列名称如民航客运量序列计算结果显示时间序列特性分析操作利用EViews提供的自相关分析图含义序列诸项之间不存在相关，即序列为白噪声序列，其自相关系数应该与0没有显著差异。时序的随机性几乎所有自相关系数都落入随机区间，可认为序列是纯随机的结果解读时间序列特性分析操作利用EViews提供的自相关分析图含义各观测值围绕其均值上下波动，且该均值与时间t无关时序的平稳性结果解读自相关系数很快地（滞后阶数k大于2或3时）趋于0，即落入随机区间时间序列特性分析逐期差分d阶差分平稳趋势平稳通过逐期差分可以平稳，即消除趋势后平稳时序趋势的消除差分平稳判断d阶差分后序列的自相关分析图差分平稳序列模型时间序列特性分析滞后阶数含义时序的季节性判断无趋势条件下在某一固定的时间间隔上，序列重复出现某种特性月度资料季节周期为12个月；季节周期为4个季季节时滞自相关系数是否与０有显著差异季节性消除季节差分消除季节后平稳3.模型的识别和建立IdentificationandestablishmentofmodelsMA(q)的自相关与偏自相关函数AR(p)序列的自相关与偏自相关函数自相关函数的拖尾性

偏自相关函数p步截尾自相关函数和偏自相关函数

自相关函数q步截尾偏自相关函数的拖尾性

ARMA（p,q）的自相关与偏自相关函数自相关函数和偏自相关函数比较复杂，可以证明它们均是拖尾的模型的识别模型定阶的依据利用样本的自相关和偏自相关分析图进行模型识别与定阶。例5.3零均值序列

模型识别初选模型AR(2)或AR(3)模型的参数估计估计方法Eviews操作估计结果Eviews中ARMA模型参数估计采用非线性方法在主窗口选择Quick/EstimateEquation在方程定义对话框，输入需要估计的方程变量名，并对输出结果进行设置模型检验直观判断——自相关分析图利用残差序列的自相关分析图，判断所建模型是否合适统计检验——检验原假设：残差序列相互独立检验统计量单击View打开下拉菜单，选择ResidualDiagnostics/Correlogram-Q-Statistics，在弹出的对话框中输入最大滞后期，点击OKEviews操作

残差序列的自相关系数4.模型的预测Predictionofmodel预测值计算模型适用于短期预测预测依据AR（p）序列预测MA（q）序列预测平稳线性最小方差预测

L步预测值

表示用模型做的L步预测

当L>q时有

预测实例绘制时序图序列既有趋势又有季节变动

例5.6

对我国1990年1月至1997年12月工业总产值（1990年不变价格）进行预测时间序列特征分析自相关分析序列非平稳

一阶逐期差分趋势较强取对数

在主窗口命令行输入差分后序列自相关分析图一阶季节差分趋势较强取对数在主窗口命令行输入

差分后序列自相关分析图一阶逐期差分和一阶季节差分后序列基本平稳更改样本运算范围：模型识别d=1，D=1，s=12；p=2或p=3，q=1，P=Q=1模型建立在主窗口命令行输入

主菜单选择Quick/EstimateEquation打开方程定义对话框输入

Ls

模型残差检验试预测在方程估计结果，点击Forecast按钮，打开模型预测选项对话框，将预测样本期改为1997:011997:12，预测方法采用默认的动态（Dynamic）法，得到1997年各月预测结果。模型选择与评价预测（p,q）调整R2AICSCH-QMAPE（3,1）.5041-2.90-2.68-2.812.2733（4,0）.5026-2.90-2.67-2.812.2878（3,0）.4179-2.90-2.71-2.832.2665各模型有关检验结果对我国1998年工业总产值进行预测扩展工作文件时间范围，主命令窗口输入在1990:01-1997:12构建选中的模型进行估计后，选择Forecast按钮，将预测样本期改为1998.011998.12，外推得到1998年各月的预测值。98.01-064325.3513768.6625042.2105170.4015364.2155653.34198.07-124827.2924880.7585206.4815369.5965678.1286305.4901998年工业总产值预测结果单位：亿元5.序列相关与ARMA模型seriescorrelationandARMAmodel序列相关理论与检验01.相关图与Q统计量02.模型残差的LM检验

ARMA模型还可以用于处理某些模型残差序列的自相关问题在原模型估计结果输出窗口选择View/ResidualTests/SerialCorrelationsLMTest，在显示的滞后期定义对话框中输入参数p值，单击OK。模型残差二阶自相关检验结果

对非条件残差

建立ARMA（p,q）模型残差序列的ARMA模型AR（p）MA（q）ARMAARMA（p，q）H0:残差序列不存在小（等）于p阶的自相关H1:存在ARMA(r,q)形式的误差项p=max{r,q}感谢聆听第六章动态时间序列模型基础

目录01

分布滞后模型•几何分布滞后模型•多项式分布滞后模型(PDL)•自回归分布滞后模型(ADL)案例：水库流量与降水量分析02

单位根检验•单位根过程与单整序列•DF检验与ADF检验案例：消费者满意指数的平稳性检验03

协整与误差修正模型•协整的基本概念•协整关系的检验(EG两步法,Johansen检验)•误差修正模型(ECM)案例：居民消费与收入的协整分析01分布滞后模型几何分布滞后模型(Koyck滞后)模型推导与变换原始模型(无限滞后)：yₜ=α+β₀xₜ+β₁xₜ₋₁+β₂xₜ₋₂+...+uₜ其中βᵢ=β₀λⁱ(0<λ<1)变换后模型(自回归形式)：yₜ=α(1-λ)+β₀xₜ+λyₜ₋₁+vₜ核心思想经济变量的影响随时间推移按几何级数递减，即近期影响大，远期影响小。参数解释(λ)λ为滞后衰减系数，决定了影响随时间衰减的速度。λ越接近1，衰减越慢；λ越接近0，衰减越快。模型优势将无限滞后模型转换为有限滞后的自回归形式，极大简化了估计过程，减少了自由度损失。多项式分布滞后模型(PDL)-基本思想传统分布滞后模型的困境直接引入多个滞后项（如$x_t,x_{t-1},...,x_{t-p}$）构建模型时，由于时间序列数据的高度相关性，极易引发严重的多重共线性问题，导致无法使用OLS进行有效估计。Almon的解决方案(PDL)核心思想：假设滞后系数$β_i$随滞后阶数$i$呈现平滑变化趋势，可用一个q次多项式来近似表达。这将大幅减少待估参数，有效规避多重共线性。核心公式转换原模型：$y_t=α+β_0x_t+β_1x_{t-1}+...+β_px_{t-p}+u_t$近似关系：$β_i=a_0+a_1i+a_2i^2+...+a_qi^q$（用低阶多项式拟合系数）PDL模型：$y_t=α+a_0Z_{0t}+a_1Z_{1t}+...+a_qZ_{qt}+u_t$（$Z_{jt}$为新构造变量）多项式分布滞后模型(PDL)-约束条件模型三要素：一个PDL模型由三个关键因素确定：滞后期长度p、多项式次数q、以及约束条件。近端约束(NearEnd)假设解释变量的一期前导值对当前被解释变量没有影响，即β₋₁=0。符合经济直觉：未来不会影响现在。远端约束(FarEnd)假设超过最大滞后期p后，解释变量的影响为0，即βₚ₊₁=0。符合现实逻辑：影响随时间衰减直至消失。约束作用：施加约束可以进一步减少待估参数的数量，提高估计效率，但必须有坚实的经济理论或经验依据支持。多项式分布滞后模型(PDL)-模型构建与三要素问题提出：多重共线性传统分布滞后模型直接引入多个滞后项，导致解释变量间存在严重多重共线性，无法使用OLS估计。核心思想：多项式近似Almon提出用q次多项式近似滞后系数：β_i=a₀+a₁i+...+a_qi^q将(p+1)个参数转换为(q+1)个，大幅减少待估参数，解决多重共线性问题。模型三要素滞后期长度(p)：解释变量的最大滞后阶数。多项式次数(q)：近似精度，通常q<p。约束条件：近端/远端约束，简化模型。案例6-1：水库流量与降水量分析数据来源某水库1998年至2000年各旬的流量（vol）和降水量（ra）数据。样本量共收集78个有效观测值。研究目的建立多项式分布滞后模型，分析降水量对水库流量的滞后影响。数据频率每旬一次，属于非日期型数据。本案例旨在通过PDL模型解决典型的分布滞后问题，量化降水对流量的动态影响机制。案例6-1：EViews操作步骤（无约束模型）1.建立工作文件选择“UndatedorIrregular”类型，输入78个观测值。2.导入数据将Excel中的流量(vol)和降水量(ra)数据导入EViews。3.估计模型命令方式：在命令行输入lsvolcpdl(ra,9,4)菜单方式：Quick->EstimateEquation，输入同上命令。4.参数说明`pdl(ra,9,4)`表示对变量ra建立一个滞后期为9（3个月）、多项式次数为4的无约束PDL模型。图：EViews模型估计设置界面案例6-1：无约束模型结果解读回归结果概览(表6-2)表格展示了模型整体显著性(F统计量)、拟合优度(R²)及各滞后项系数估计值。模型整体拟合效果良好，关键系数显著。系数分布动态图(表6-3)分布图直观呈现了降水量影响的动态变化过程。可以看到系数初期波动较大，随后逐渐收敛，反映了影响的时效性。关键指标解读SumofLags(滞后和):该指标代表所有滞后系数的总和，反映了降水量对水库流量的长期总影响，是评估模型经济意义的核心指标。案例6-1：远端约束模型结果对比模型设定在命令中加入远端约束选项，命令为：lsvolcpdl(ra,9,4,2)结果对比调整后R²：远端约束模型略高，拟合优度更好AIC/SC信息准则：远端约束模型略低，模型更简洁结论综合指标显示，加入远端约束后的模型更优。这说明3个月后降水量的影响已基本消失，模型简化是合理且有效的。图：远端约束模型回归结果表数据来源：模型回归分析结果自回归分布滞后模型(ADL)-基本形式模型定义：自回归分布滞后模型（ADL）是一种同时包含了滞后的被解释变量和滞后的解释变量的动态时间序列模型。一般形式：yₜ=α+Σᵢ₌₁ᵖφᵢyₜ₋ᵢ+Σᵢ₌₀ʳβᵢ'xₜ₋ᵢ+uₜ模型特点：包含被解释变量的滞后项（自回归部分），反映了变量自身的动态变化。包含解释变量的当期值和滞后值（分布滞后部分），捕捉了解释变量对被解释变量的滞后影响。ARMA模型是ADL模型当解释变量不存在时的一个特例，体现了模型的包容性。“从一般到简单”的建模过程一般模型(General)设定包含足够多滞后项的复杂ADL模型，确保充分代表数据生成过程，不遗漏关键信息。检验与简化利用t检验、F检验、Wald检验等方法，逐步剔除不显著变量或约束参数，简化模型结构。简单模型(Specific)获得参数显著、结构简洁且具有良好统计性质（如残差无自相关）的最终模型。“从一般到简单”是ADL建模的核心原则，旨在平衡模型的拟合优度与简洁性。案例6-2：城镇居民消费与收入分析数据来源选取1992年1月至1998年12月中国城镇居民月人均生活费支出（y）和可支配收入（x）的月度数据。数据处理对原始序列进行对数变换生成新序列ly和lx，旨在消除异方差影响，并将模型系数解释为弹性关系。研究目的建立自回归分布滞后（ADL）模型，深入分析收入变动对居民消费行为的短期动态影响与长期均衡关系。城市经济与消费场景示意“消费是经济增长的持久动力”

通过计量模型量化收入对消费的驱动效应案例6-2：建立“一般模型”模型设定与命令设定：以ly为被解释变量，建立包含ly滞后2期、lx滞后3期的ADL模型。命令：lslycly(-1)ly(-2)lxlx(-1)lx(-2)lx(-3)结果分析(表6-7)拟合优度：调整后的R²接近0.98，模型整体拟合效果很好。自相关检验：LM检验显示残差无一阶自相关，设定合理。结论：该模型可作为后续简化的“一般模型”。案例6-2：简化为“简单模型”模型简化逻辑基于“一般模型”的t检验结果，逐步剔除统计不显著的滞后变量（ly(-2),lx(-2),lx(-3)），保留核心解释变量。简化模型成效分析变量精简：最终仅保留常数项、ly(-1)和lx，结构更简洁。高度显著：所有变量系数均通过显著性检验，无冗余。拟合优度：调整后R²高达0.9832，拟合效果几乎未下降。信息准则：AIC和SC值降低，模型整体质量提升。表6-8：“简单模型”回归结果结论：剔除不显著变量后的“简单模型”在保证极高拟合优度的同时，显著提升了模型的简洁性与解释力。案例6-2：Wald检验验证约束有效性检验目的验证将ly(-2)、lx(-2)、lx(-3)的系数约束为0的有效性，以此判断模型简化是否合理。操作步骤在“一般模型”结果窗口中，依次点击：View→CoefficientDiagnostics→WaldTest。检验结果(表6-9)原假设：三个系数同时为0。检验p值为0.6270，远大于0.05，因此不能拒绝原假设。检验结论模型简化是有效的，剔除变量后得到的“简单模型”在统计上是合理且可靠的。03单位根检验单位根过程的定义数学定义：一个随机过程$y_t$，如果满足$y_t=ρy_{t-1}+u_t$，其中$u_t$是平稳过程，且$ρ=1$，则称该过程为单位根过程。非平稳性特征当$ρ=1$时，序列的方差会随着时间的推移而无限增大，因此是典型的非平稳过程。随机游走过程简单形式：$y_t=y_{t-1}+u_t$，其中$u_t$是白噪声。表现为无规则的、持续的波动，没有固定的均值。图示特征：随机游走过程的路径图通常表现为“醉汉走路”般的无规则波动。它没有固定的长期趋势，且波动范围会随着时间的推移而不断扩大，体现了方差非恒定的特性。单整序列的概念定义：如果一个非平稳时间序列经过d次差分后变成平稳序列，而经过d-1次差分后仍然是非平稳的，则称该序列为d阶单整序列，记作$I(d)$。零阶单整$I(0)$序列本身就是平稳的，无需进行差分处理。一阶单整$I(1)$序列本身非平稳，但一阶差分后平稳。大多数经济时间序列（如GDP、消费）均属此类。二阶单整$I(2)$序列本身和一阶差分都非平稳，必须经过二阶差分后才能达到平稳状态。重要意义：确定序列的单整阶数是进行后续协整分析和建立时间序列模型的前提，直接关系到模型的有效性。DF检验的基本原理检验对象与假设设定检验对象：AR(1)过程yₜ=ρyₜ₋₁+uₜ原假设(H₀)：ρ=1，序列存在单位根，非平稳备择假设(H₁)：ρ<1，序列不存在单位根，平稳检验统计量构造模型变形：Δyₜ=(ρ-1)yₜ₋₁+uₜ=φyₜ₋₁+uₜ等价检验：检验ρ=1等价于检验φ=0DF统计量：计算参数φ的t统计量（注：不服从标准t分布）检验决策规则若DF统计量<临界值拒绝原假设(H₀)，认为序列是平稳的若DF统计量>临界值不能拒绝原假设(H₀)，认为存在单位根注：DF检验临界值需查阅专门的临界值表，其数值通常比标准t分布临界值更负。DF检验的三种形式无常数项、无趋势项Δyₜ=φyₜ₋₁+uₜ适用场景：序列在0均值附近波动，没有明显的趋势。有常数项、无趋势项Δyₜ=α+φyₜ₋₁+uₜ适用场景：序列有非零均值，但没有明显的时间趋势。有常数项、有趋势项Δyₜ=α+βt+φyₜ₋₁+uₜ适用场景：序列随时间有明显的上升或下降趋势。选择原则：首先观察序列的图形，根据其是否有均值和趋势来选择合适的检验形式。选择错误的形式会导致检验结果出现偏差。ADF检验的改进与步骤核心改进：消除高阶自相关ADF检验在DF检验基础上，引入被解释变量的滞后差分项，有效消除序列的高阶自相关，使扰动项成为白噪声。Δyₜ=α+βt+φyₜ₋₁+ΣθᵢΔyₜ₋ᵢ+uₜ标准检验步骤1.选择检验形式确定常数项与趋势项2.确定滞后阶数利用AIC/SC准则3.计算ADF统计量OLS回归求t统计量4.比较与判断统计量vs临界值关键要点总结ADF检验通过引入滞后差分项解决了DF检验无法处理高阶自相关的问题，是单位根检验中最常用的方法。检验的关键在于滞后阶数的选择，需平衡消除自相关与保留自由度的矛盾。若ADF统计量小于临界值，则拒绝原假设，认为序列不存在单位根（平稳）。案例背景与数据介绍数据来源与范围选取我国2010年至2021年各月的消费者满意指数（CSI）序列，作为本次研究的核心数据源。变量定义设定变量y代表消费者满意指数（%），作为待检验的时间序列变量。研究目的通过单位根检验（ADF）判断序列平稳性，确定其单整阶数，为后续建模提供基础。数据特征与策略序列呈现轻微上升趋势，因此在检验时应选择包含常数项和趋势项的检验形式。关键结论：基于数据的时间跨度和趋势特征，我们将采用包含常数项和趋势项的ADF检验模型，以确保单位根检验的准确性。步骤一：对原序列进行ADF检验EViews操作步骤打开序列y，点击View→UnitRootTest，进入单位根检验界面。检验参数设置•类型：AugmentedDickey-Fuller(ADF)•序列：Level(原序列)•方程：包含趋势项和常数项(Trendandintercept)检验结果解读ADF统计量(-2.15)>临界值(-3.15/-3.45/-4.04)，不能拒绝原假设。结论：原序列y存在单位根，非平稳。EViews软件操作界面示例步骤二：对一阶差分序列进行ADF检验生成一阶差分序列：输入命令genrdy=y-y(-1)生成新序列dyEViews操作：对序列dy重复步骤一的ADF检验操作流程检验设置：选择Intercept（仅包含常数项），适配0均值波动特征结果解读：ADF=-5.87<1%临界值(-3.48)，拒绝原假设，dy序列平稳最终结论：消费者满意指数序列y是一阶单整的，即y_t~I(1)图：EViews一阶差分序列ADF检验结果模型结果解读与分析检验结果总结原序列y(t)：ADF=-2.15>临界值，非平稳，存在单位根。一阶差分Δy(t)：ADF=-5.87<临界值，平稳，不存在单位根。结论：序列y(t)为一阶单整序列，即I(1)经济意义解读消费者满意指数本身具有长期趋势（非平稳），但其变化率（一阶差分）是稳定的，符合典型经济指标特征。建模启示不可直接使用传统回归模型。建议采用差分模型或协整分析来研究变量间的长期均衡关系。核心洞察：单位根检验是时间序列分析的基石。确认序列为I(1)是避免“伪回归”问题、构建正确计量模型（如ECM模型）的前提。03

协整与误差修正模型目录协整的基本概念协整的定义与基本性质协整关系的经济含义解析协整关系的检验EG两步法（Engle-Granger检验）Johansen检验（基于VAR模型）误差修正模型(ECM)误差修正模型的数学推导短期波动与长期均衡的经济含义EViews实操案例案例背景介绍与数据预处理协整检验与ECM建模步骤演示模型结果解读与经济分析协整的定义数学定义(MathematicalDefinition)前提：k个时间序列y₁t,y₂t,...,ykt均为d阶单整，即yit~I(d)条件：存在非零向量β，使得线性组合：zt=β₁y₁t+β₂y₂t+...+βkykt~I(d-b)结论：序列为(d,b)阶协整，记为Yt~CI(d,b)，β为协整向量。核心含义(CoreMeaning)个体非平稳：单个序列本身具有趋势，是非平稳的（I(d)）。组合平稳：通过特定的线性组合（协整向量），可以消除趋势，得到平稳序列（I(d-b)）。长期均衡：变量之间存在一种长期的、稳定的均衡关系，短期偏离会被纠正。常见应用：(1,1)阶协整在实际经济分析中，最常见的是变量均为一阶单整(I(1))，而它们的线性组合是零阶单整(I(0))。这意味着虽然单个经济变量具有随机游走趋势，但它们的某种线性组合是平稳的，反映了变量间的长期均衡关系。协整的经济含义图示解释：长期均衡机制两个非平稳序列（如消费和收入）各自虽有上升趋势，但它们的差距（线性组合）却围绕固定值波动。这种平稳的差距说明二者存在长期的内在均衡关系。核心价值：避免伪回归直接对非平稳序列进行回归易产生高R²的“伪回归”。只有确认变量间存在协整关系，回归结果才具有真实的经济意义和统计显著性。经典经济实例宏观经济中常见的协整关系包括：消费与收入、货币供应量与价格水平、利率与通货膨胀率等。这些变量间存在长期稳定的比例关系，是经济预测的重要依据。总结：协整揭示了变量间“短期波动、长期均衡”的内在规律，是时间序列分析的基石。EG两步法(Engle-Granger检验)适用对象：适用于检验两个时间序列变量之间是否存在长期稳定的协整关系。第一步：单位根检验(UnitRootTest)分别对时间序列yt和xt进行单位根检验（如ADF检验）。关键前提：只有当两个序列是同阶单整时，才可能存在协整关系。第二步：回归估计与残差平稳性检验1.回归估计：使用OLS估计方程yt=α+βxt+et，得到残差序列et。2.残差检验：对残差序列进行单位根检验（DF/ADF）。若残差平稳，则变量间存在协整关系。判断规则：若残差序列的ADF统计量小于临界值，则拒绝“存在单位根”的原假设，认为两变量存在协整关系。Johansen检验(基于VAR模型)适用对象适用于检验两个及以上变量间的协整关系，是基于向量自回归(VAR)模型的检验方法。基本思想1.将VAR模型转换为向量误差修正模型(VECM)。2.协整关系个数=VECM系数矩阵的秩。3.通过检验系数矩阵的秩来确定协整关系个数。两种检验统计量迹统计量(TraceStatistic)检验原假设“最多存在r个协整关系”。最大特征值统计量(Max-EigenStatistic)检验原假设“存在r个”vs备择假设“存在r+1个”。判断规则：将计算得到的统计量与临界值进行比较。如果统计量大于临界值，则拒绝原假设，表明存在更多的协整关系。误差修正模型的推导与形式前提条件：变量yt和xt是(1,1)阶协整的，协整方程为yt=α+βxt+et，其中et是平稳的残差序列。Step1:起点(ADL模型)从自回归分布滞后模型出发：yt=α+φ1yt-1+β0xt+β1xt-1+utStep2:变形与整理引入差分变量并整理，将模型改写为：Δyt=β0Δxt+(φ1-1)(yt-1-α-βxt-1)+utStep3:最终形式(ECM)Δyt=β0Δxt+λECMt-1+ut其中，ECMt-1为误差修正项，λ<0为误差修正系数，表示对偏离均衡的修正力度。误差修正模型的经济含义短期波动($Δy_t$和$Δx_t$)表示变量的短期变化率或增长率，反映了系统在短期内的动态冲击和波动情况。短期效应($β_0$)衡量解释变量的短期变化对被解释变量短期变化的即时影响，即短期弹性或边际效应。长期偏离($ECM_{t-1}$)代表上一期变量偏离长期均衡关系的程度。若大于0，说明变量高于均衡值；反之则低于。误差修正机制($λ$)体现“负反馈”机制，理论上为负。绝对值越大，变量向长期均衡状态调整的速度越快。核心逻辑：模型完美融合了经济系统的短期动态与长期均衡。差分项捕捉短期波动，误差修正项则通过反向调整机制，确保系统在长期内收敛于均衡状态。案例背景与数据介绍数据来源选取我国1990年至2020年的年度数据，涵盖了三十年间的宏观经济变化，数据包含城镇居民人均消费支出和人均可支配收入两个核心指标。变量定义CON