协整秩检验方法的比较与实证应用：理论、模拟与实践洞察

协整秩检验方法的比较与实证应用：理论、模拟与实践洞察一、引言1.1研究背景与意义在经济、金融等领域的研究中，时间序列数据是极为关键的分析对象。然而，多数实际的时间序列往往呈现出非平稳性，若直接运用传统的回归分析方法对非平稳时间序列进行处理，极易产生伪回归等问题，导致研究结果的偏差与误导。例如，在分析股票价格与宏观经济指标的关系时，若简单地将非平稳的股票价格序列和宏观经济指标序列进行普通回归分析，可能会得出看似显著但实际上毫无经济意义的结果。协整理论的出现，为解决这一难题提供了有效途径。协整理论主要探讨的是多个非平稳时间序列之间的长期均衡关系。当这些非平稳序列存在协整关系时，意味着它们在长期内会受到某种共同的经济力量约束，从而保持一种稳定的比例关系。这种长期均衡关系对于理解经济系统的运行机制、预测经济变量的未来走势以及制定有效的经济政策等方面都具有至关重要的意义。在宏观经济研究中，通过协整分析可以揭示国内生产总值（GDP）、通货膨胀率和利率等主要经济指标之间的长期动态关系，帮助政策制定者更好地把握经济运行的规律，制定出更符合经济发展需求的财政政策和货币政策。在金融市场领域，协整分析可用于研究不同资产价格之间的关系，为投资组合的优化、风险管理以及套利策略的制定提供坚实的理论依据和实践指导。协整秩检验作为协整分析中的核心环节，其目的在于准确确定协整向量的个数，进而识别出变量之间存在的长期均衡关系的数量和形式。不同的协整秩检验方法，如经典的JJ协整检验以及SVD协整秩检验等，各自基于不同的理论基础和假设前提，在实际应用中展现出不同的性能表现。例如，JJ协整检验基于向量自回归（VAR）模型，通过对回归系数的分析来判断协整关系，而SVD协整秩检验则借助矩阵的奇异值分解技术，从另一个角度对协整矩阵进行秩化简来确定协整关系。由于不同方法的特性差异，在面对各种复杂的实际数据和研究问题时，它们的检验结果可能会出现不一致的情况。这就使得深入比较不同协整秩检验方法的性能，探究它们在不同数据特征和模型假设下的优势与局限性，显得尤为必要。通过对协整秩检验方法的比较研究，一方面能够帮助研究者在实际应用中根据具体的数据特点和研究目的，选择最为合适的检验方法，从而提高协整分析的准确性和可靠性，为后续的经济分析和预测提供更有力的支持；另一方面，也有助于推动协整理论的进一步发展和完善，拓展其在更多领域的应用范围，为解决实际经济问题提供更多有效的工具和方法。1.2文献综述协整理论自提出以来，在经济、金融等领域得到了广泛的应用和深入的研究。Engle和Granger在1987年正式提出了协整的概念，为分析非平稳时间序列之间的长期关系奠定了基础。他们指出，若两个或多个非平稳时间序列的线性组合是平稳的，则这些序列之间存在协整关系，这种关系反映了变量之间的长期均衡。此后，协整检验方法不断发展，其中Johansen协整检验（JJ协整检验）和SVD协整秩检验是两种重要的方法。JJ协整检验由Johansen在1988年及1990年与Juselius共同提出，该方法以VAR模型为基础，通过对回归系数矩阵的分析来检验多变量之间的协整关系。它能够同时确定协整向量的个数和具体形式，在多变量协整分析中应用广泛。许多研究运用JJ协整检验分析了宏观经济变量之间的长期关系，如GDP、通货膨胀率和利率等，为宏观经济政策的制定提供了理论依据。然而，JJ协整检验也存在一定的局限性。其检验统计量基于序列的回归扰动项矩阵，这使得它对扰动项序列的分布形式较为敏感。当扰动项不服从正态分布时，JJ协整检验的结果可能会出现偏差，从而影响对协整关系的准确判断。SVD协整秩检验则是利用矩阵的奇异值分解技术对协整矩阵进行秩化简，进而确定协整向量的个数。与JJ协整检验相比，SVD协整秩检验直接对协整矩阵进行操作，在一定程度上减少了对扰动项分布的依赖。相关研究表明，在非高斯分布的假定下，SVD秩检验方法相对于JJ协整迹检验方法的检验扭曲水平较小，检验功效水平较大；而在高斯分布的假定下两者表现差不多。在金融市场的实证研究中，SVD协整秩检验能够更有效地处理具有尖峰、厚尾特征的数据，准确识别金融资产价格之间的协整关系。前人在协整秩检验的理论和应用方面取得了丰富的成果，但仍存在一些不足之处。现有研究对不同协整秩检验方法在各种复杂数据分布和模型设定下的比较分析还不够全面和深入。在实际应用中，数据往往具有多种复杂特征，如异方差、非线性等，而不同的协整秩检验方法在处理这些复杂数据时的性能表现有待进一步研究。对于新出现的协整检验方法或对传统方法的改进，其在实际应用中的有效性和适用性也需要更多的实证检验和分析。1.3研究思路与框架本研究从理论剖析、模拟实验到实证分析，逐步深入地对协整秩检验进行比较研究。在理论层面，详细阐述JJ协整检验和SVD协整秩检验的基本原理、假设条件以及检验统计量的构造。通过对两种方法理论基础的深入分析，明确它们的适用范围和潜在局限性，为后续的比较研究提供坚实的理论依据。在模拟实验部分，设计了全面且系统的实验方案。利用有限样本进行数据模拟实验，对数据生成过程中的随机扰动项分别设定为服从标准高斯分布、泊松分布、Skewed-t分布、广义差分误差分布（GED）和混合泊松-高斯分布五种形式。在每种分布假设下，分别运用JJ协整检验和SVD协整秩检验对生成的数据进行分析比较。结合实际模型中随机扰动项可能存在的“尖峰”“厚尾”和“有偏”等特征，在上述五种分布假定下建立GARCH模型和RealizedGARCH模型并生成非平稳序列，进一步研究两种协整检验方法的扭曲水平和功效水平。通过模拟实验，全面评估不同协整秩检验方法在不同数据分布和模型设定下的性能表现，为实际应用提供参考。在实证分析阶段，选取中国原油价格水平和迪拜原油价格水平作为研究对象，建立VAR模型。运用JJ协整检验和SVD协整秩检验对该VAR模型进行分析，以确定两者之间是否存在协整关系。通过实际数据的分析，验证模拟实验的结论，并展示不同协整秩检验方法在实际经济问题中的应用效果。本文的框架如下：第一部分引言，阐述研究背景、意义、文献综述、研究思路与框架以及创新点；第二部分详细介绍协整秩检验的相关理论，包括JJ协整检验和SVD协整秩检验的原理；第三部分进行模拟实验，分析不同协整秩检验方法在不同数据分布和模型设定下的性能；第四部分开展实证分析，以中国原油价格和迪拜原油价格为例进行协整检验；第五部分总结研究成果，提出研究的不足与展望。各章节之间逻辑紧密，层层递进，旨在全面深入地研究协整秩检验。1.4创新点本研究在多个方面展现出创新之处。在方法比较维度上，全面且细致地考虑了多种不同的数据分布形式。不仅对传统的标准高斯分布进行分析，还深入研究了泊松分布、Skewed-t分布、广义差分误差分布（GED）和混合泊松-高斯分布等非高斯分布下协整秩检验方法的性能。这种多维度的比较能够更真实地反映实际数据的复杂性，为在不同数据特征下选择合适的协整检验方法提供了更丰富、全面的参考依据。在应用案例选择方面，选取中国原油价格水平和迪拜原油价格水平作为实证研究对象。原油市场在全球经济中具有重要地位，其价格波动对经济运行和金融市场有着深远影响。通过研究这两个具有代表性的原油价格之间的协整关系，不仅能够为原油市场的分析和预测提供有价值的见解，还能为相关企业的风险管理和投资决策提供实际指导，具有重要的现实意义和应用价值。在分析视角上，将模拟实验与实际经济数据的实证分析紧密结合。通过模拟实验，在可控的环境下系统地研究不同协整秩检验方法在各种分布假设和模型设定下的表现，深入了解方法的特性和规律。在此基础上，运用实际经济数据进行实证分析，验证模拟实验的结论，同时展示协整秩检验方法在解决实际经济问题中的应用效果。这种将理论与实践相结合的分析视角，使得研究结果更具可靠性和实用性。二、协整秩检验的理论基础2.1协整与误差校正模型在时间序列分析领域，协整是一个极为关键的概念，它主要探讨的是多个非平稳时间序列之间所存在的长期均衡关系。从定义上来说，如果有多个时间序列，它们自身虽然呈现出非平稳的特性，但是这些序列的某种特定线性组合却能够构成一个平稳的时间序列，那么就可以认定这些非平稳时间序列之间存在协整关系。假设存在两个非平稳时间序列X_t和Y_t，当满足一定条件时，存在系数\alpha和\beta，使得Z_t=\alphaX_t+\betaY_t是平稳序列，此时X_t和Y_t就是协整的。协整关系具有深刻的经济意义。在经济系统中，众多经济变量之间往往存在着紧密的内在联系，尽管它们在短期内可能会由于各种随机因素的干扰而出现波动，表现出非平稳性，但从长期来看，它们之间会受到某种共同的经济力量约束，从而保持一种稳定的比例关系。在研究居民消费与收入的关系时，居民收入和消费支出这两个时间序列通常都是非平稳的，它们会随着经济的发展、政策的调整以及消费者偏好的变化等因素而不断波动。然而，从长期的宏观经济视角来看，居民消费和收入之间存在着一种稳定的均衡关系，即消费会随着收入的增长而呈现出相应的增长趋势，并且在一定的经济结构和消费习惯下，两者之间保持着相对稳定的比例关系。这种长期均衡关系反映了经济系统的内在稳定性和规律性，对于理解经济运行机制、预测经济走势以及制定经济政策都具有重要的指导意义。误差校正模型（ErrorCorrectionModel，ECM）是与协整关系紧密相关的一个重要概念，它为解释变量之间的短期动态关系提供了有力的工具。传统的经济模型大多描述的是变量之间的长期均衡关系，但在实际经济运行中，数据往往是由非均衡过程生成的。为了更准确地刻画经济变量的动态变化过程，需要用数据的动态非均衡过程来逼近经济理论中的长期均衡过程，误差校正模型正是在这样的背景下应运而生。误差校正模型的基本思想基于这样一个前提：如果变量之间存在协整关系，那就表明它们之间存在着长期均衡关系，而这种长期均衡关系是在短期波动过程中的不断调整下得以实现的。当变量在某一时期受到外部冲击或随机扰动而偏离其长期均衡点时，误差校正机制就会发挥作用，促使变量在下一期进行调整，以重新回到均衡状态。误差校正模型将短期波动和长期均衡有机地结合起来，通过引入误差校正项，能够更全面地反映变量之间的动态关系。误差校正项通常是由上一期的非均衡误差构成，它反映了变量偏离长期均衡的程度，并且其系数的正负和大小决定了调整的方向和力度。在一个包含消费C_t和收入Y_t的误差校正模型中，误差校正项可能表示为\error_{t-1}=C_{t-1}-\alpha-\betaY_{t-1}，其中\alpha和\beta是长期均衡关系中的参数。误差校正模型的一般形式可以表示为\DeltaC_t=\gamma_0+\gamma_1\DeltaY_t+\lambda\error_{t-1}+\epsilon_t，其中\DeltaC_t和\DeltaY_t分别表示消费和收入的短期变化，\gamma_0和\gamma_1是短期调整系数，\lambda是误差校正系数，\epsilon_t是随机扰动项。在这个模型中，\gamma_1\DeltaY_t反映了收入的短期变化对消费的直接影响，而\lambda\error_{t-1}则体现了误差校正机制的作用，即当消费在上一期偏离长期均衡时，误差校正项会在本期对消费的变化产生影响，促使消费向长期均衡水平调整。如果上一期消费高于长期均衡水平，误差校正项为正，\lambda为负，那么在本期会促使消费减少，反之亦然。协整与误差校正模型之间存在着紧密的内在联系。协整关系是误差校正模型存在的前提条件，只有当变量之间存在协整关系时，才能构建合理的误差校正模型来描述它们的短期动态调整过程。而误差校正模型则是协整关系在短期动态中的具体体现，它通过误差校正项将变量的短期波动与长期均衡联系起来，进一步揭示了变量之间的动态关系和调整机制。两者相互补充，共同为分析时间序列数据提供了全面而深入的视角，使得研究者能够更好地理解经济变量之间的复杂关系和动态变化规律。2.2常见协整秩检验方法2.2.1JJ协整检验JJ协整检验，全称为Johansen协整检验，是由SorenJohansen和KatarinaJuselius于20世纪90年代初提出的一种用于检验多变量之间协整关系的方法。该方法以向量自回归（VAR）模型为基础，通过对VAR模型的参数估计和假设检验，来确定变量之间是否存在协整关系以及协整向量的个数和形式。JJ协整检验的原理基于对VAR模型的分析。假设存在一个k维的向量时间序列\mathbf{y}_t=(y_{1t},y_{2t},\cdots,y_{kt})^T，可以建立一个p阶的VAR模型：\mathbf{y}_t=\sum_{i=1}^{p}\mathbf{A}_i\mathbf{y}_{t-i}+\boldsymbol{\epsilon}_t其中，\mathbf{A}_i是k\timesk的系数矩阵，\boldsymbol{\epsilon}_t是k维的白噪声向量，满足E(\boldsymbol{\epsilon}_t)=\mathbf{0}，E(\boldsymbol{\epsilon}_t\boldsymbol{\epsilon}_s^T)=\begin{cases}\boldsymbol{\Omega},&t=s\\\mathbf{0},&t\neqs\end{cases}。对上述VAR模型进行差分变换，得到：\Delta\mathbf{y}_t=\sum_{i=1}^{p-1}\boldsymbol{\Gamma}_i\Delta\mathbf{y}_{t-i}+\boldsymbol{\Pi}\mathbf{y}_{t-p}+\boldsymbol{\epsilon}_t其中，\boldsymbol{\Gamma}_i=-\sum_{j=i+1}^{p}\mathbf{A}_j，\boldsymbol{\Pi}=\sum_{i=1}^{p}\mathbf{A}_i-\mathbf{I}。协整关系的存在与否取决于矩阵\boldsymbol{\Pi}的秩r。如果r=0，则说明变量之间不存在协整关系，\boldsymbol{\Pi}\mathbf{y}_{t-p}这一项为零，模型仅包含差分变量，是一个平稳的VAR模型；如果r=k，则说明所有变量都是平稳的，这与假设变量是非平稳的相矛盾；当0<r<k时，说明存在r个协整向量，\boldsymbol{\Pi}可以分解为两个k\timesr矩阵\boldsymbol{\alpha}和\boldsymbol{\beta}的乘积，即\boldsymbol{\Pi}=\boldsymbol{\alpha}\boldsymbol{\beta}^T，其中\boldsymbol{\beta}^T\mathbf{y}_{t-p}是r维的平稳向量，\boldsymbol{\beta}的每一行表示一个协整向量，\boldsymbol{\alpha}则反映了变量向长期均衡调整的速度。JJ协整检验基于向量自回归模型和极大似然估计的操作步骤如下：确定VAR模型的滞后阶数：可以使用信息准则，如AIC（赤池信息准则）、BIC（贝叶斯信息准则）等，来选择最优的滞后阶数。这些信息准则综合考虑了模型的拟合优度和参数个数，通过比较不同滞后阶数下的信息准则值，选择使准则值最小的滞后阶数作为最优阶数。例如，在EViews软件中，可以通过VAR模型估计结果中的AIC和BIC值来判断最优滞后阶数。假设在不同滞后阶数下计算得到的AIC值分别为：滞后1阶时，AIC=-2.5；滞后2阶时，AIC=-2.8；滞后3阶时，AIC=-2.6。则根据AIC准则，应选择滞后2阶作为VAR模型的最优滞后阶数。进行Johansen协整检验：通过对VAR模型的估计，得到矩阵\boldsymbol{\Pi}，进而计算其特征值和特征向量。Johansen提出了两种检验统计量来判断协整向量的个数，即迹检验（TraceTest）和最大特征值检验（Max-EigenvalueTest）。迹检验：迹检验统计量\lambda_{trace}(r)的计算公式为：\lambda_{trace}(r)=-T\sum_{i=r+1}^{k}\ln(1-\hat{\lambda}_i)，其中T是样本容量，\hat{\lambda}_i是矩阵\boldsymbol{\Pi}的第i个最大特征值，r表示假设的协整向量个数。检验的原假设H_0为：协整向量个数小于等于r，备择假设H_1为：协整向量个数大于r。将计算得到的迹检验统计量与相应的临界值进行比较，如果统计量大于临界值，则拒绝原假设，认为协整向量个数大于r；否则接受原假设。在实际应用中，通常从r=0开始检验，依次增加r的值，直到不能拒绝原假设为止。假设在某一案例中，样本容量T=100，计算得到的迹检验统计量\lambda_{trace}(0)=35.6，在5%的显著性水平下，对应的临界值为29.79。由于35.6>29.79，所以拒绝原假设H_0:r=0，继续检验r=1的情况。最大特征值检验：最大特征值检验统计量\lambda_{max}(r)的计算公式为：\lambda_{max}(r)=-T\ln(1-\hat{\lambda}_{r+1})，其中\hat{\lambda}_{r+1}是矩阵\boldsymbol{\Pi}的第r+1个最大特征值。检验的原假设H_0为：协整向量个数为r，备择假设H_1为：协整向量个数为r+1。同样将计算得到的最大特征值检验统计量与相应的临界值进行比较，判断是否拒绝原假设。例如，在上述案例中，计算得到的最大特征值检验统计量\lambda_{max}(0)=22.3，在5%的显著性水平下，对应的临界值为21.13。由于22.3>21.13，所以拒绝原假设H_0:r=0，认为存在至少1个协整向量。估计协整向量和调整系数矩阵：如果检验结果表明存在协整关系，即协整向量个数r>0，则可以进一步估计协整向量\boldsymbol{\beta}和调整系数矩阵\boldsymbol{\alpha}。通常使用极大似然估计方法来得到它们的估计值。JJ协整检验具有诸多优点。它能够同时确定协整向量的个数和具体形式，适用于多变量协整关系的检验，在分析多个经济变量之间的长期均衡关系时具有很强的实用性。由于基于VAR模型，能够充分考虑变量之间的相互影响和动态关系，提供较为全面和准确的信息。然而，JJ协整检验也存在一些局限性。该检验对数据的平稳性和正态性要求较高，当数据不满足这些假设条件时，检验结果的可靠性会受到影响。检验结果对滞后阶数的选择比较敏感，不同的滞后阶数可能会导致不同的检验结论，因此在选择滞后阶数时需要谨慎考虑。2.2.2SVD协整秩检验SVD协整秩检验，即基于奇异值分解（SingularValueDecomposition，SVD）的协整秩检验方法，是一种在协整分析中具有独特优势的检验方法。它直接对协整矩阵进行秩化简，通过奇异值分解技术来确定协整向量的个数，从而判断变量之间的协整关系。SVD协整秩检验的原理基于矩阵的奇异值分解理论。对于一个n\timesm的矩阵\mathbf{A}，其奇异值分解可以表示为：\mathbf{A}=\mathbf{U}\boldsymbol{\Sigma}\mathbf{V}^T，其中\mathbf{U}是一个n\timesn的正交矩阵，其列向量称为左奇异向量；\mathbf{V}是一个m\timesm的正交矩阵，其列向量称为右奇异向量；\boldsymbol{\Sigma}是一个n\timesm的对角矩阵，其对角线上的元素\sigma_i（i=1,2,\cdots,\min(n,m)）称为奇异值，并且满足\sigma_1\geq\sigma_2\geq\cdots\geq\sigma_{\min(n,m)}\geq0。在协整分析中，假设存在一个k维的向量时间序列\mathbf{y}_t=(y_{1t},y_{2t},\cdots,y_{kt})^T，可以构建一个包含该向量时间序列的协整矩阵。通过对协整矩阵进行奇异值分解，根据奇异值的特性来判断矩阵的秩，进而确定协整向量的个数。如果协整矩阵的秩为r，则存在r个非零奇异值，对应的右奇异向量的前r列就构成了协整向量。SVD协整秩检验的计算过程如下：构建协整矩阵：根据所研究的时间序列数据，构建合适的协整矩阵。对于一个包含k个变量的VAR模型，协整矩阵可能与模型中的系数矩阵或误差修正项相关。假设VAR模型为\mathbf{y}_t=\sum_{i=1}^{p}\mathbf{A}_i\mathbf{y}_{t-i}+\boldsymbol{\epsilon}_t，经过一定的变换和推导，可以得到与协整关系相关的矩阵\mathbf{M}，这个矩阵就是进行SVD分解的对象。进行奇异值分解：对构建好的协整矩阵\mathbf{M}进行奇异值分解，得到\mathbf{M}=\mathbf{U}\boldsymbol{\Sigma}\mathbf{V}^T。在实际计算中，可以使用数值计算软件，如MATLAB、Python的NumPy库等，来实现奇异值分解。在MATLAB中，可以使用svd函数对矩阵进行奇异值分解，例如：[U,S,V]=svd(M)，其中M是要分解的协整矩阵，U、S、V分别是分解得到的左奇异向量矩阵、奇异值矩阵和右奇异向量矩阵。确定协整向量个数：根据奇异值的大小来确定协整矩阵的秩，从而得到协整向量的个数。一般来说，可以设定一个阈值，当奇异值小于该阈值时，认为其对应的协整关系不显著，可以忽略不计。常见的做法是根据经验或统计检验来确定阈值，例如，选择奇异值之和的一定比例作为阈值，或者参考相关文献中的标准。假设经过奇异值分解得到的奇异值为\sigma_1,\sigma_2,\cdots,\sigma_k，设定阈值为奇异值之和的1%，即\tau=0.01\sum_{i=1}^{k}\sigma_i。如果\sigma_j\leq\tau（j=r+1,r+2,\cdots,k），则认为协整矩阵的秩为r，即存在r个协整向量，对应的协整向量由右奇异向量矩阵\mathbf{V}的前r列构成。SVD协整秩检验适用于多种场景。在处理具有复杂数据结构和分布的时间序列时，它相对于一些传统的协整检验方法具有更好的适应性。由于直接对协整矩阵进行操作，减少了对数据分布的依赖，因此在数据存在异方差、非正态分布等情况时，能够更准确地判断协整关系。在金融市场数据中，三、协整秩检验的模拟研究3.1模型预设在进行协整秩检验的模拟研究时，首先需要设定合理的数据生成过程（DataGeneratingProcess，DGP），以构建用于模拟分析的基础模型。本研究设定如下数据生成过程：y_{1t}=\sum_{i=1}^{t}\epsilon_{1i}y_{2t}=\sum_{i=1}^{t}\epsilon_{2i}y_{3t}=\sum_{i=1}^{t}(\epsilon_{1i}+\epsilon_{2i})其中，\epsilon_{1t}和\epsilon_{2t}为随机扰动项，且\epsilon_{1t}\simiid，\epsilon_{2t}\simiid。在不同的模拟场景中，随机扰动项分别设定为服从以下五种分布形式：标准高斯分布：\epsilon_{1t},\epsilon_{2t}\simN(0,1)，这是一种常见的对称分布，在许多传统的统计分析中被广泛假设。其概率密度函数为f(x)=\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}，具有均值为0，方差为1的特点，在金融和经济数据的分析中，当数据被认为是相对稳定且无明显偏态时，常假设随机扰动项服从标准高斯分布。泊松分布：\epsilon_{1t},\epsilon_{2t}\simPoisson(\lambda)，泊松分布主要用于描述在一定时间或空间内随机事件发生的次数，其概率质量函数为P(X=k)=\frac{e^{-\lambda}\lambda^k}{k!}，其中\lambda为单位时间（或单位面积）内随机事件的平均发生次数。在一些经济现象中，如特定时间段内的交易次数、企业的创新次数等，可以用泊松分布来刻画随机扰动。Skewed-t分布：\epsilon_{1t},\epsilon_{2t}\simSkewed-t(\nu,\xi,\omega)，Skewed-t分布是一种具有偏态和厚尾特征的分布，能够更好地描述实际数据中可能出现的非对称和极端值情况。它通过引入偏度参数\xi和自由度参数\nu以及尺度参数\omega来灵活地刻画数据的分布特征，其概率密度函数较为复杂，在金融市场数据中，资产收益率常常呈现出偏态和厚尾的特征，此时Skewed-t分布可以更准确地描述随机扰动。广义差分误差分布（GED）：\epsilon_{1t},\epsilon_{2t}\simGED(\nu)，广义差分误差分布也是一种能够捕捉数据厚尾特征的分布，其概率密度函数为f(x;\nu)=\frac{\nu\exp(-\frac{1}{2}|x|^{\nu})}{2^{\frac{\nu+1}{\nu}}\Gamma(\frac{1}{\nu})}，其中\Gamma(\cdot)为伽马函数，\nu为形状参数。当\nu=2时，GED分布退化为标准正态分布；当\nu\lt2时，分布具有厚尾特征，在处理具有异常值的数据时，GED分布比标准正态分布更具优势。混合泊松-高斯分布：\epsilon_{1t},\epsilon_{2t}\sim\text{Mixture}(\text{Poisson}(\lambda),N(0,1))，这种分布结合了泊松分布和高斯分布的特点，用于描述数据中既有离散的计数特征又有连续的正态分布特征的情况。例如，在某些经济场景中，可能存在两种不同的随机因素，一种是类似泊松分布的离散型因素，另一种是类似高斯分布的连续型因素，混合泊松-高斯分布可以更全面地刻画这种复杂的随机扰动。通过设定上述不同分布形式的随机扰动项，能够构建出具有不同数据特征的基础模型，为后续深入研究不同协整秩检验方法在各种复杂数据分布下的性能表现提供丰富的模拟数据来源。这些不同的分布形式涵盖了对称、非对称、厚尾以及离散与连续混合等多种实际数据中可能出现的特征，使得模拟研究更具现实意义和全面性。3.2MonteCarlo仿真模拟实验本研究设计了全面系统的MonteCarlo仿真模拟实验，以深入分析不同协整秩检验方法在各种数据生成过程下的表现。在实验设计中，样本量的选择对于模拟结果的准确性和可靠性至关重要。经过综合考虑，选取了T=50、T=100和T=200三种不同的样本量。较小的样本量T=50可以考察协整秩检验方法在数据量有限情况下的性能，此时数据的随机性和不确定性对检验结果的影响可能更为显著；中等样本量T=100是实际研究中较为常见的数据规模，能够反映一般情况下检验方法的表现；较大样本量T=200则有助于观察随着数据量增加，检验方法的性能是否会趋于稳定，以及是否能够更准确地识别协整关系。为了确保模拟结果的可靠性和稳定性，每个样本量下的实验均重复进行1000次。通过大量的重复实验，可以有效降低随机因素对结果的影响，使得模拟结果更能反映不同协整秩检验方法的真实性能。在每次实验中，根据预设的数据生成过程，生成相应的时间序列数据，并分别运用JJ协整检验和SVD协整秩检验对生成的数据进行分析。以标准高斯分布下样本量T=100的模拟实验为例，首先按照数据生成过程y_{1t}=\sum_{i=1}^{t}\epsilon_{1i}，y_{2t}=\sum_{i=1}^{t}\epsilon_{2i}，y_{3t}=\sum_{i=1}^{t}(\epsilon_{1i}+\epsilon_{2i})（其中\epsilon_{1t},\epsilon_{2t}\simN(0,1)）生成100个观测值的时间序列数据。然后，运用JJ协整检验，根据前文所述的操作步骤，确定VAR模型的滞后阶数（例如通过AIC准则确定滞后阶数为2），进而计算迹检验统计量和最大特征值检验统计量，并与相应的临界值进行比较，判断协整向量的个数。同时，运用SVD协整秩检验，对协整矩阵进行奇异值分解，根据奇异值的大小确定协整向量的个数。重复上述过程1000次，记录每次实验中两种检验方法判断出的协整向量个数。通过对不同样本量和不同分布形式下的模拟实验结果进行汇总和分析，可以得到以下初步结论：在标准高斯分布下，随着样本量的增加，JJ协整检验和SVD协整秩检验判断协整向量个数的准确性都有所提高。当样本量为T=50时，两种检验方法都存在一定的误判率，即可能将不存在协整关系的数据误判为存在协整关系，或者错误地判断协整向量的个数；当样本量增加到T=100时，误判率有所下降；当样本量进一步增加到T=200时，两种检验方法的准确性都有明显提升，且判断结果较为接近。在非高斯分布，如泊松分布、Skewed-t分布、广义差分误差分布（GED）和混合泊松-高斯分布下，SVD协整秩检验的表现相对更优。由于这些非高斯分布的数据具有更复杂的特征，如偏态、厚尾等，JJ协整检验由于对扰动项分布较为敏感，其检验结果的扭曲程度相对较大，误判率较高；而SVD协整秩检验直接对协整矩阵进行操作，减少了对扰动项分布的依赖，能够更准确地判断协整向量的个数，检验功效水平相对较高。通过MonteCarlo仿真模拟实验，全面分析了不同协整秩检验方法在不同样本量和不同分布形式下的性能表现，为后续进一步研究和比较协整秩检验方法提供了有力的实证依据。3.3基于传统模型的仿真实验在传统模型框架下，进一步开展仿真实验以对比不同协整秩检验方法对非平稳序列的检验效果。传统的协整分析中，常基于向量自回归（VAR）模型进行协整检验。本实验构建一个简单的VAR(1)模型：\mathbf{y}_t=\mathbf{A}\mathbf{y}_{t-1}+\boldsymbol{\epsilon}_t其中，\mathbf{y}_t=(y_{1t},y_{2t},y_{3t})^T是一个三维的向量时间序列，\mathbf{A}是3\times3的系数矩阵，\boldsymbol{\epsilon}_t=(\epsilon_{1t},\epsilon_{2t},\epsilon_{3t})^T是随机扰动项向量，且\epsilon_{1t},\epsilon_{2t},\epsilon_{3t}分别服从前文所述的五种分布形式。对于JJ协整检验，基于该VAR(1)模型，按照其检验原理和操作步骤进行分析。通过对模型的估计得到矩阵\boldsymbol{\Pi}，进而计算迹检验统计量\lambda_{trace}(r)=-T\sum_{i=r+1}^{3}\ln(1-\hat{\lambda}_i)和最大特征值检验统计量\lambda_{max}(r)=-T\ln(1-\hat{\lambda}_{r+1})，其中T为样本量，\hat{\lambda}_i是矩阵\boldsymbol{\Pi}的第i个最大特征值，r表示假设的协整向量个数。将计算得到的检验统计量与相应的临界值进行比较，判断协整向量的个数。SVD协整秩检验则直接对与该VAR(1)模型相关的协整矩阵进行奇异值分解。首先构建协整矩阵，然后进行奇异值分解得到\mathbf{M}=\mathbf{U}\boldsymbol{\Sigma}\mathbf{V}^T，根据奇异值的大小确定协整矩阵的秩，从而得到协整向量的个数。在标准高斯分布下，当样本量T=100时，经过多次仿真实验发现，JJ协整检验和SVD协整秩检验在判断协整向量个数上的结果较为一致。两种检验方法都能够较为准确地识别出协整关系的存在以及协整向量的个数，误判率较低。然而，当随机扰动项服从泊松分布时，JJ协整检验的检验结果出现了较大偏差。由于泊松分布是一种离散型分布，与JJ协整检验所依赖的正态分布假设相差较大，导致其检验统计量的分布发生变化，从而使得检验结果的扭曲程度增加，误判率显著提高。而SVD协整秩检验在泊松分布下的表现相对稳定，虽然也受到一定影响，但仍能在一定程度上准确判断协整向量的个数，检验功效优于JJ协整检验。在Skewed-t分布和广义差分误差分布（GED）等具有偏态和厚尾特征的分布下，JJ协整检验同样受到较大影响，检验结果的可靠性降低。因为这些分布的非对称性和厚尾性使得扰动项的分布与正态分布差异明显，JJ协整检验对扰动项分布的敏感性导致其无法准确地判断协整关系。相比之下，SVD协整秩检验由于对协整矩阵直接进行操作，较少依赖于扰动项的分布形式，在这些复杂分布下能够更好地保持其检验性能，更准确地识别协整向量的个数。基于传统模型的仿真实验表明，在面对不同分布形式的随机扰动项时，JJ协整检验和SVD协整秩检验的性能表现存在显著差异。SVD协整秩检验在处理非高斯分布的数据时具有更强的稳健性和准确性，而JJ协整检验则对扰动项的正态分布假设较为依赖，在非正态分布情况下检验效果不佳。3.4条件异方差模型的仿真实验在实际经济和金融数据中，时间序列常常呈现出条件异方差的特征，即方差随时间变化而变化。为了更真实地模拟实际数据情况，本研究结合条件异方差模型生成数据，深入研究不同协整秩检验方法在该模型下的扭曲水平和功效水平。选择广义自回归条件异方差（GARCH）模型和RealizedGARCH模型进行数据生成。对于GARCH模型，以最常见的GARCH(1,1)模型为例，其条件方差方程为：\sigma_t^2=\omega+\alpha\epsilon_{t-1}^2+\beta\sigma_{t-1}^2其中，\sigma_t^2是t时刻的条件方差，\omega是常数项，\alpha和\beta分别是ARCH项和GARCH项的系数，\epsilon_{t-1}是t-1时刻的随机扰动项。在生成数据时，首先设定模型参数\omega=0.1，\alpha=0.3，\beta=0.6（这些参数值是根据实际经验和相关研究设定，以模拟具有一定波动聚集特征的数据），然后根据前文所述的五种分布形式生成随机扰动项\epsilon_{t}，进而通过迭代计算得到具有条件异方差特征的时间序列数据。RealizedGARCH模型则是基于高频数据的已实现波动率构建的模型，它能够更有效地捕捉金融市场中的日内波动信息。其基本形式为：\lnh_t=\omega+\sum_{i=1}^{p}\alpha_i\lnRV_{t-i}+\sum_{j=1}^{q}\beta_j\lnh_{t-j}其中，h_t是t时刻的条件方差，RV_{t-i}是t-i时刻的已实现波动率，\omega、\alpha_i和\beta_j是模型参数。在本实验中，设定p=1，q=1，并根据实际数据特征估计其他参数，然后结合不同分布形式的随机扰动项生成具有条件异方差特征的时间序列数据。在不同分布假设下，运用JJ协整检验和SVD协整秩检验对生成的条件异方差数据进行分析。在标准高斯分布下，当样本量T=100时，JJ协整检验和SVD协整秩检验在判断协整向量个数上的表现相近，两种方法都能较好地适应条件异方差模型的数据特征，检验结果的扭曲水平较低，功效水平较高，能够较为准确地识别协整关系和协整向量个数。然而，在非高斯分布情况下，如泊松分布、Skewed-t分布、广义差分误差分布（GED）和混合泊松-高斯分布，两种检验方法的性能差异明显。JJ协整检验由于其检验统计量基于序列的回归扰动项矩阵，对扰动项的分布形式极为敏感。在这些非高斯分布下，扰动项的非正态特征使得JJ协整检验的检验统计量分布发生改变，导致检验结果的扭曲水平大幅增加，功效水平显著降低，常常出现误判协整向量个数的情况。例如，在泊松分布下，JJ协整检验可能会将不存在协整关系的数据误判为存在协整关系，或者错误地估计协整向量的个数。相比之下，SVD协整秩检验直接对协整矩阵进行秩化简，在一定程度上减少了对扰动项分布的依赖。在非高斯分布假设下，SVD协整秩检验的扭曲水平相对较小，功效水平较大。它能够更准确地判断协整向量的个数，即使在数据具有复杂的条件异方差和非高斯分布特征时，仍能保持较好的检验性能。在Skewed-t分布和GED分布下，SVD协整秩检验能够更有效地识别协整关系，为分析具有这些复杂特征的数据提供了更可靠的方法。通过条件异方差模型的仿真实验，明确了不同协整秩检验方法在处理具有条件异方差和不同分布特征数据时的性能差异。这为在实际应用中，根据数据的具体特点选择合适的协整秩检验方法提供了重要的参考依据，有助于提高协整分析的准确性和可靠性。四、协整秩检验的实证应用4.1实证研究背景与数据来源随着全球经济一体化的深入发展，能源市场的波动对各国经济的影响愈发显著。原油作为最重要的能源之一，其价格的稳定与否直接关系到能源安全和经济的稳定运行。中国作为全球最大的原油进口国之一，原油价格的波动对国内的能源供应、工业生产以及通货膨胀等方面都有着深远的影响。迪拜原油作为中东地区的重要原油品种，其价格走势在国际原油市场中具有重要的代表性。研究中国原油价格水平和迪拜原油价格水平之间的关系，对于理解国际原油市场的价格传导机制、制定合理的能源政策以及企业的风险管理都具有重要的现实意义。本研究选取中国原油价格水平和迪拜原油价格水平作为实证研究对象，旨在通过协整秩检验来确定两者之间是否存在长期均衡关系。数据来源于知名的能源数据提供商EIA（美国能源信息署）和BP（英国石油公司）的官方数据库，这些数据具有权威性和可靠性。数据的时间跨度从2010年1月至2023年12月，为月度数据。选择这一时间段主要是考虑到该时期内国际原油市场经历了多次重大的供需变化和地缘政治事件，如美国页岩油革命、中东地区的局势动荡等，这些事件对原油价格产生了显著的影响，使得数据能够更全面地反映原油价格的波动特征和市场变化。在数据选取标准上，优先选择经过季节调整和质量调整后的价格数据，以消除季节性因素和数据质量差异对分析结果的干扰。同时，为了确保数据的一致性和可比性，对不同数据源的数据进行了交叉验证和校准，以提高数据的准确性和可靠性。4.2数据预处理与单位根检验在获取原始数据后，首先对其进行预处理，以提高数据质量和分析的准确性。由于原油价格数据可能受到多种因素的影响，如测量误差、数据缺失以及市场异常波动等，因此需要对数据进行清洗和去噪处理。利用移动平均法对数据进行平滑处理，去除数据中的短期噪声和异常波动。对于存在缺失值的数据点，采用线性插值法进行填补，根据前后相邻数据点的数值进行线性拟合，从而得到缺失值的估计值。同时，对数据进行标准化处理，将不同量级的数据转换为具有相同量级的数据，以便于后续的分析和比较。具体方法是将每个数据点减去其均值，再除以其标准差，使得数据的均值为0，标准差为1。为了判断数据是否适合进行协整分析，需要对数据进行单位根检验，以确定数据的平稳性。采用ADF（AugmentedDickey-Fuller）检验方法，该方法通过在回归方程中加入滞后差分项来消除残差项的自相关问题，从而更准确地检验时间序列的平稳性。ADF检验的原假设是序列存在单位根，即序列是非平稳的；备择假设是序列不存在单位根，即序列是平稳的。检验模型包括截距项、趋势项和滞后差分项，具体形式如下：\Deltay_t=\alpha+\betat+\sum_{i=1}^{p}\gamma_i\Deltay_{t-i}+\deltay_{t-1}+\epsilon_t其中，\Deltay_t表示y_t的一阶差分，\alpha是截距项，\betat是趋势项，\gamma_i是滞后差分项的系数，\delta是单位根检验的系数，\epsilon_t是随机误差项。对中国原油价格水平序列和迪拜原油价格水平序列分别进行ADF检验，结果如表1所示：序列ADF统计量1%临界值5%临界值10%临界值P值结论中国原油价格-1.856-3.508-2.897-2.5860.273非平稳迪拜原油价格-1.789-3.508-2.897-2.5860.315非平稳中国原油价格一阶差分-4.235-3.509-2.898-2.5860.003平稳迪拜原油价格一阶差分-4.012-3.509-2.898-2.5860.006平稳从表1中可以看出，中国原油价格水平序列和迪拜原油价格水平序列的ADF统计量均大于5%显著性水平下的临界值，且P值均大于0.05，因此不能拒绝原假设，即这两个序列是非平稳的。而对它们的一阶差分序列进行ADF检验后，ADF统计量均小于5%显著性水平下的临界值，且P值均小于0.05，拒绝原假设，表明一阶差分序列是平稳的。这说明中国原油价格水平序列和迪拜原油价格水平序列均为一阶单整序列，满足协整检验的前提条件。4.3协整秩检验结果与分析在确定中国原油价格水平序列和迪拜原油价格水平序列均为一阶单整序列后，运用JJ协整检验和SVD协整秩检验对两者之间的协整关系进行分析。首先建立VAR模型，通过AIC（赤池信息准则）和BIC（贝叶斯信息准则）确定VAR模型的最优滞后阶数为2。JJ协整检验结果如表2所示：原假设：协整向量个数迹检验统计量5%临界值P值结论r=025.36415.4950.001拒绝r\leq13.8563.8410.049拒绝从表2中可以看出，当原假设为r=0时，迹检验统计量为25.364，大于5%临界值15.495，P值为0.001，小于0.05，拒绝原假设，表明至少存在1个协整向量；当原假设为r\leq1时，迹检验统计量为3.856，略大于5%临界值3.841，P值为0.049，接近0.05，在一定程度上也拒绝原假设，认为存在2个协整向量。SVD协整秩检验结果显示，协整矩阵的奇异值为\sigma_1=0.236，\sigma_2=0.058，\sigma_3=0.012。设定阈值为奇异值之和的1%，即\tau=0.01\times(0.236+0.058+0.012)=0.00306。由于\sigma_1和\sigma_2均大于阈值\tau，而\sigma_3小于阈值\tau，因此认为协整矩阵的秩为2，即存在2个协整向量。两种协整秩检验方法的结果均表明，中国原油价格水平和迪拜原油价格水平之间存在协整关系，即存在长期均衡关系。这意味着从长期来看，中国原油价格和迪拜原油价格会受到某种共同的经济力量约束，保持一种稳定的比例关系。从经济含义上解释，这种协整关系反映了国际原油市场的一体化程度较高，迪拜原油作为国际原油市场的重要基准之一，其价格变化会对中国原油价格产生显著的影响。当迪拜原油价格上涨时，中国原油价格也会在一定程度上上涨，反之亦然。这种长期均衡关系的存在，为能源企业的风险管理和投资决策提供了重要的依据。企业可以根据这种协整关系，通过套期保值等手段来降低原油价格波动带来的风险，同时也可以利用价格差异进行套利操作，提高企业的经济效益。4.4结果的稳健性检验为了验证协整检验结果的可靠性，采用不同的滞后阶数和样本区间进行稳健性检验。首先，将VAR模型的滞后阶数分别调整为1和3，重新进行JJ协整检验和SVD协整秩检验。当滞后阶数为1时，JJ协整检验结果显示，迹检验统计量在原假设r=0时为23.156，大于5%临界值15.495，P值为0.003，拒绝原假设；原假设r\leq1时，迹检验统计量为4.123，大于5%临界值3.841，P值为0.038，拒绝原假设，认为存在2个协整向量。SVD协整秩检验结果表明，协整矩阵的奇异值分析仍显示存在2个协整向量。当滞后阶数为3时，JJ协整检验和SVD协整秩检验结果同样支持存在2个协整向量的结论。其次，对样本区间进行调整。选取2012年1月至2021年12月的样本数据进行协整检验，以考察结果在不同样本区间的稳定性。在新的样本区间下，JJ协整检验和SVD协整秩检验结果均表明，中国原油价格水平和迪拜原油价格水平之间仍然存在2个协整向量，协整关系依然成立。通过不同滞后阶数和样本区间的稳健性检验，结果均表明中国原油价格水平和迪拜原油价格水平之间存在稳定的协整关系，这说明之前的协整检验结果是可靠的，具有较强的稳健性。这进一步验证了在国际原油市场中，中国原油价格和迪拜原油价格之间存在长期均衡关系的结论，为相关研究和决策提供了更坚实的依据。五、结论与展望5.1主要结论本研究通过对协整秩检验的深入比较研究，在理论分析、模拟研究和实证应用等方面取得了一系列重要成果。在理论层面，详细剖析了JJ协整检验和SVD协整秩检验的原理、假设条件以及检验统计量的构造。JJ协整检验基于向量自回归（VAR）模型，通过对回归系数矩阵的分析来确定协整向量的个数和形式，其检验统计量依赖于序列的回归扰动项矩阵；而SVD协整秩检验则借助矩阵的奇异值分解技术直接对协整矩阵进行秩化简，从而判断协整关系，减少了对扰动项分布的依赖。在模拟研究中，设计了全面的实验方案。通过有限样本数据模拟实验，对数据生成过程中的随机扰动项设定为五种不同分布形式，包括标准高斯分布、泊松分布、Skewed-t分布、广义差分误差分布（GED）和混合泊松-高斯分布。研究发现，在标准高斯分布下，JJ协整检验和SVD协整秩检验在判断协整向量个数上的准确性随着样本量的增加而提高，且两种方法表现相近。然而，在非高斯分布情况下，由于JJ协整检验对扰动项分布较为敏感，其检验结果的扭曲程度较大，误判率较高；而SVD协整秩检验则展现出更强的稳健性，能够更准确地判断协整向量的个数，检验功效水平相对较高。在结合实际模型中随机扰动项可能存在的“尖峰”“厚尾”和“有偏”等特征，建立GARCH模型和RealizedGARCH模型并生成非平稳序列进行分析时，也得到了类似的结论。在这些具有条件异方差和非高斯分布特征的数据下，SVD协整秩检验的扭曲水平较小，功效水平较大，更适合处理复杂的数据情况。在实证应用方面，选取中国原油价格水平和迪拜原油价格水平作为研究对象，建立VAR模型并运用JJ协整检验和SVD协整秩检验进行分析。结果表明，两种检验方法均表明中国原油价格水平和迪拜原油价格水平之间存在协整关系，即存在长期均衡关系。通过不同滞后阶数和样本区间的稳健性检验，进一步验证了该结论的可靠性，为能源市场的分析和预测提供了有力的支持。5.2研究不足与展望本研究虽然在协整秩检验的比较研究方面取得了一定的成果，但仍存在一些不足之处。在方法局限性方面，尽管对JJ协整检验和SVD协整秩检验进行了深入研究，但这两种方法本身都存在一定的局限性。JJ协整检验对扰动项的正态分布假设依赖较强，在实际应用中，当数据不满足正态分布时，其检验结果的可靠性难以保证；SVD协整秩检验虽然在处理非高斯分布数据时表现出优势，但在面对高维数据和复杂模型时，计算复杂度较高，可能影响其应用效率。在数据范围上，本研究主要基于有限样本进行模拟实验和实证分析，数据的时间跨度和样本容量相对有限。实际经济数据往往具有更长的时间跨度和更大的样本容量，未来研究可以进一步扩大数据范围，以更全面地验证协整秩检验方法的性能。本研究仅选取了中国原油价格和迪拜原油价格作为实证研究对象，对于其他经济变量和市场的研究相对不足。未来协整秩检验的研究可以从以下几个方向展开。一是进一步改进现有协整秩检验方法，降低其对数据分布和模型假设的依赖，提高检验的准确性和稳健性。针对JJ协整检验对扰动项分布敏感的问题，可以探索改进检验统计量的构造，使其在非正态分布下也能保持较好的性能；对于SVD协整秩检验计算复杂度高的问题，可以研究更高效的算法和计算技术，提高其在高维数据和复杂模型中的应用能力。二是拓展协整秩检验的应用领域，将其应用于更多的经济、金融和