{
  "id": "cointegration",
  "title": "协整",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "协整描述非平稳时间序列之间的平稳长期关系，并为刻画其共同趋势与短期调整提供框架。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "共整合"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/cointegration/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/cointegration/",
      "json": "https://aiwiki.page/en/cointegration.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "协整是一组时间序列所具有的一种性质：各变量本身非平稳，但它们的某个线性组合是平稳的，或更一般地说，具有较低的单整阶数。在最常见的情形下，每个变量都是一阶单整的，即其一阶差分平稳，但其水平值不平稳。这些变量的平稳组合刻画了一种关系：尽管变量本身可能随时间游走，但它们对这一关系的偏离不会无限累积。\n\n协整概念在计量经济学中占据核心地位，因为许多经济序列，如价格、收入、消费和利率，都包含具有持续性的随机趋势。将常规统计方法用于这些序列的水平值，可能会得出关于变量间关系的误导性证据。协整能够区分共同的长期关系与具有趋势的序列之间仅仅表面上的相似性，并将这种长期关系与短期调整模型联系起来。\n\n协整分析的主要工具包括基于残差的检验、多变量秩检验和误差修正模型。如何解释这些工具的结果，取决于数据的单整阶数、对确定性趋势和结构变化的处理方式，以及对潜在动态过程的假设。协整是一种统计性质，其本身并不能作为经济均衡或因果关系的证据。"
    },
    {
      "heading": "定义与数学结构",
      "text": "若时间序列 \\(x_t\\) 经过 \\(d\\) 次差分后得到一个 \\(I(0)\\) 过程，通常就将其记为 \\(I(d)\\)，或称其为 \\(d\\) 阶单整。这里的 \\(I(0)\\) 是指在适当正则条件下具有短记忆性的平稳过程，而不只是任意具有恒定均值的过程。弱平稳过程的均值不随时间变化，其协方差有限，且仅取决于观测值之间的时间间隔，而非观测的具体日期。对于 \\(I(1)\\) 序列，\n\n\\[\\Delta x_t=x_t-x_{t-1}\\]\n\n是 \\(I(0)\\) 过程，而 \\(x_t\\) 本身则不是。\n\n设 \\(z_t=(z_{1t},\\ldots,z_{nt})'\\) 为由 \\(I(1)\\) 变量组成的向量。如果存在非零向量 \\(\\beta\\)，使得\n\n\\[\\beta'z_t\\sim I(0).\\]\n\n则称这些变量存在协整关系。\n\n向量 \\(\\beta\\) 称为协整向量。该平稳关系中还可以包含截距或其他指定的确定性成分。对于两个变量，常见的表达式为\n\n\\[y_t-a-bx_t=u_t,\\qquad u_t\\sim I(0).\\]\n\n这些变量的数值不必始终相近：如果 \\(b\\neq1\\)，两者之差仍可能是非平稳的。平稳的是特定的加权组合 \\(y_t-a-bx_t\\)。\n\n更一般地，如果一组 \\(d\\) 阶单整变量的某个非零线性组合的单整阶数为 \\(d-b\\)，其中 \\(b>0\\)，则称这些变量具有 \\((d,b)\\) 阶协整关系。这个更广泛的定义涵盖了高阶单整和分数阶单整，不过在常规应用研究中，占主导地位的仍是由 \\(I(1)\\) 变量形成 \\(I(0)\\) 组合的情形。如果某个平稳组合只是选取了一个已知为 \\(I(0)\\) 的变量，那么它并不能为非平稳变量之间存在协整关系提供实质性证据。\n\n协整向量在尺度上并不唯一。如果 \\(\\beta'z_t\\) 平稳，那么对于任意非零常数 \\(c\\)，\\(c\\beta'z_t\\) 也平稳。因此，通常将其中一个系数归一化为一。在更大的系统中，可能存在多个线性无关的协整向量。它们的线性包称为协整空间，其维数 \\(r\\) 称为协整秩。对于真正由 \\(I(1)\\) 变量构成的 \\(n\\) 变量系统，有 \\(0\\leq r<n\\)。秩为零表示不存在平稳的线性关系；满秩则意味着整个向量围绕其指定的确定性成分平稳波动。\n\n基本的统计对象是协整空间，而不是某一组特定的向量。若 \\(\\beta\\) 是 \\(n\\times r\\) 矩阵，\\(H\\) 是任意非奇异的 \\(r\\times r\\) 矩阵，那么 \\(\\beta H\\) 描述的仍是同一个空间。因此，要将该空间分解为具有不同经济含义的方程，还需要施加额外的识别约束。"
    },
    {
      "heading": "随机趋势与伪回归",
      "text": "随机游走可以说明协整为何重要。考虑\n\n\\[x_t=x_{t-1}+\\varepsilon_t,\\]\n\n其中，新息的均值为零，方差恒定且有限，并且不存在序列相关。从固定的初始值出发，\\(x_t\\) 的方差随时间增大。冲击对序列水平的影响是永久性的，因为后续观测值始终保留着这一冲击的贡献。这类过程与围绕固定均值波动的平稳序列有着根本区别。\n\n现在定义\n\n\\[y_t=b x_t+u_t,\\]\n\n其中，\\(u_t\\) 是平稳的。\\(x_t\\) 和 \\(y_t\\) 都包含同一组累积新息，但这些新息在 \\(y_t-bx_t\\) 中相互抵消。这两个序列之所以协整，是因为它们的非平稳性具有共同成分。相比之下，两个相互独立的随机游走通常不存在非平凡的平稳线性组合，即使某个特定样本使它们看起来走势一致。\n\n这一区别是理解伪回归的基础。将一个单整序列对另一个与其无关的单整序列进行回归，可能得到很高的决定系数，以及表面上显著的常规检验统计量。通常用于平稳回归的近似理论在此并不适用：持续性变动可能造成看似很强的拟合关系，却不存在稳定的总体关系。增大样本量并不能自动解决这一问题，因为其渐近行为本身就是非标准的。\n\n无论是高度的相关关系，还是看起来相似的趋势，都不能证明存在协整。两个协整变量的短期变动可能噪声很大，而且这些变动之间的同期相关性可能很弱。反过来，变量的增量即使高度相关，也仍可能具有各自不同的随机趋势。协整关注的是某个固定的组合能否消除持久性成分，而不仅仅是观测值是否一同涨落。\n\n在多变量情形下，可以用共同随机趋势来解释协整。在通常的 \\(I(1)\\) 假设下，一个包含 \\(n\\) 个变量、协整秩为 \\(r\\) 的系统具有 \\(n-r\\) 个共同随机趋势。如下形式的表示\n\n\\[z_t=C\\sum_{s=1}^{t}\\varepsilon_s+v_t\\]\n\n将累积新息与平稳成分 \\(v_t\\) 分离开来；为简便起见，这里省略了确定性项。长期影响矩阵 \\(C\\) 的秩为 \\(n-r\\)，协整向量则满足 \\(\\beta'C=0\\)。因此，这些向量能够消除永久性成分。\n\n这种分解并不能自动识别出具有经济含义的永久性冲击。对底层新息进行不同变换，可能产生相同的可观测过程。要将某个冲击称为技术冲击、需求冲击或货币冲击，还需要施加协整之外的额外约束。同样，“长期”指的是统计模型中的低频持续性，并不意味着存在一个普遍适用的日历时间期限，使观测到的偏离必定在该期限内消失。"
    },
    {
      "heading": "误差修正与动态调整",
      "text": "协整与动态过程之间的核心联系是误差修正表示。假设一个向量服从有限阶向量自回归：\n\n\\[z_t=A_1z_{t-1}+\\cdots+A_pz_{t-p}+\\varepsilon_t.\\]\n\n通过代数变换，可将其改写为\n\n\\[\\Delta z_t =\\Pi z_{t-1} +\\sum_{i=1}^{p-1}\\Gamma_i\\Delta z_{t-i} +\\varepsilon_t,\\]\n\n其中\n\n\\[\\Pi=\\sum_{i=1}^{p}A_i-I_n, \\qquad \\Gamma_i=-\\sum_{j=i+1}^{p}A_j.\\]\n\n这里，\\(I_n\\) 为单位矩阵。模型中还可以加入截距项、趋势项、季节项及其他指定的回归变量。\n\n如果 \\(\\Pi\\) 的秩为 \\(r\\)，且 \\(0<r<n\\)，即其不满秩，则可将其分解为\n\n\\[\\Pi=\\alpha\\beta',\\]\n\n其中，\\(\\alpha\\) 和 \\(\\beta\\) 均为列满秩的 \\(n\\times r\\) 矩阵。\\(\\beta\\) 的各列定义了平稳的长期关系。\\(\\alpha\\) 中的元素则描述各变量的变动如何响应前期对这些关系的偏离。由此得到的向量误差修正模型（VECM）将平稳的差分项与平稳的非均衡项结合起来。\n\n对于一个双变量系统，若 \\(e_{t-1}=y_{t-1}-a-bx_{t-1}\\)，则其中一个方程可以写为\n\n\\[\\Delta y_t =\\lambda e_{t-1} +\\sum_i\\phi_i\\Delta y_{t-i} +\\sum_j\\theta_j\\Delta x_{t-j} +\\eta_t.\\]\n\n如果 \\(y_t\\) 高于归一化关系所对应的水平，那么在其他影响因素保持不变时，负的 \\(\\lambda\\) 会使其后续变动趋于缩小这一偏差。但单个系数的符号并不能构成完整的稳定性检验。稳定性取决于整个系统的动态特征，包括 \\(x_t\\) 的调整、滞后差分项以及所有相关的根。\n\n格兰杰表示定理表明，在一定的正则条件下，协整与误差修正表示之间存在对应关系。这也解释了为什么简单地对所有变量取差分会丢失信息：仅包含差分项的模型遗漏了滞后的平稳线性组合，而水平值正是通过这些组合影响后续变动的。反过来，忽略非平稳性的水平值模型也可能掩盖进行有效推断所必需的约束。\n\n调整并不一定发生在每一个方程中。\\(\\alpha\\) 中某一行为零，意味着相应变量不会通过这些项对协整误差作出响应。在适当的模型条件下，这类约束与长期参数的弱外生性有关。它们并不意味着统计独立性，也不意味着变量完全不受任何反馈影响，或不存在通过其他渠道产生的因果效应。此外，调整系数的大小取决于归一化方式：对 \\(\\beta\\) 进行缩放时，必须对 \\(\\alpha\\) 作反向缩放，从而保持 \\(\\Pi\\) 不变。"
    },
    {
      "heading": "基于残差的检验",
      "text": "恩格尔–格兰杰程序通过估计一个候选的长期关系并考察其残差来检验协整。在双变量情形下，第一阶段通常设定为\n\n\\[y_t=a+bx_t+u_t,\\]\n\n并采用普通最小二乘法进行估计。拟合残差为\n\n\\[\\widehat u_t=y_t-\\widehat a-\\widehat b x_t.\\]\n\n如果变量之间不存在协整关系，残差过程通常仍具有单位根。如果变量之间存在协整关系，残差则是对平稳偏离项的估计。\n\n第二阶段通常采用增广单位根检验：\n\n\\[\\Delta\\widehat u_t =\\rho\\widehat u_{t-1} +\\sum_{j=1}^{k}\\gamma_j\\Delta\\widehat u_{t-j} +e_t.\\]\n\n原假设为不存在协整关系，以单位根约束 \\(\\rho=0\\) 表示。在所作假设成立的前提下，足够负的检验统计量支持残差平稳，进而支持存在协整关系。加入残差差分的滞后项是为了处理序列相关，而第一阶段回归中包含的确定性项则决定了应采用何种检验设定。\n\n常规的迪基–富勒临界值在这里并不适用。这些残差是利用估计系数生成的，而系数的选取本身就是为了使拟合偏差尽可能小。因此，残差的极限分布不同于直接观测到的序列的极限分布。协整检验专用的临界值和响应面近似，尤其是詹姆斯·麦金农所提出的结果，考虑了确定性项的设定、单整回归变量的数量等特征。\n\n基于残差的检验具有吸引力，因为它简单易行，而且与所提出的经济方程自然对应。但这种方法也有局限。改变因变量的选择可能会改变有限样本下的结果。在存在多个协整向量的系统中，单个回归通常无法识别整个协整空间。结果还会受到滞后阶数选择、遗漏变量和结构不稳定性的影响。\n\n菲利普斯–乌利亚里斯检验提供了另一种基于残差的方法。它们并非仅通过加入滞后差分项来处理序列相关，而是利用长期协方差相关量的估计进行修正。这些方法在原假设下同样具有非标准分布，需要使用相应的临界值。它们并不是检验拟合残差的方差是否较小的常规检验。\n\n对各个序列进行单位根检验，往往是配套分析的一部分，但未能拒绝单位根假设，并不能证明单位根确实存在。面对具有高度持续性的平稳备择过程，单位根检验的统计功效可能有限。因此，一系列前置检验可能会给最终的协整分析带来序列分类上的不确定性。即使正式的协整检验拒绝了原假设，残差诊断以及单整性假设的合理性仍然十分重要。"
    },
    {
      "heading": "系统估计与约翰森方法",
      "text": "约翰森方法在多元高斯误差修正系统中估计协整关系。它不是选定一个变量作为因变量并估计单个长期方程，而是将各变量作为整体处理，并检验 \\(\\Pi=\\alpha\\beta'\\) 的秩。索伦·约翰森于 1988 年提出了这一基于似然的框架；此后的研究，包括他与卡塔琳娜·尤塞柳斯合作开展的研究，进一步发展了该框架在经济系统中的应用。\n\n该方法首先从 \\(\\Delta z_t\\) 和 \\(z_{t-1}\\) 中分别剔除滞后差分项和确定性回归项的影响，然后考察所得残差向量之间的典型相关。这些相关性衡量的是：去除短期动态的影响后，滞后水平值的线性组合与当期变化量的线性组合之间有多强的关联。在计算上，估计可归结为一个涉及残差协方差矩阵的广义特征值问题。\n\n将估计得到的典型相关系数的平方按以下顺序排列：\n\n\\[\\widehat\\lambda_1\\geq\\cdots\\geq\\widehat\\lambda_n.\\]\n\n对于有效样本量 \\(T\\)，迹统计量为\n\n\\[J_{\\mathrm{trace}}(r) =-T\\sum_{i=r+1}^{n}\\log(1-\\widehat\\lambda_i).\\]\n\n它检验的原假设是秩至多为 \\(r\\)，备择假设则是秩更高。最大特征值统计量为\n\n\\[J_{\\max}(r,r+1) =-T\\log(1-\\widehat\\lambda_{r+1}),\\]\n\n用于比较秩为 \\(r\\) 与秩为 \\(r+1\\) 的情形。序贯检验通常从秩为零开始，逐步向上检验。\n\n相关的抽样分布并非标准分布，其临界值取决于常数项和趋势项在模型中的位置。将截距项限制在协整关系中，并不等同于在差分方程中设置不受限制的截距项。同样，将趋势项置于长期关系内部与置于其外部，对系统行为施加的约束也不同。因此，对秩的判断不能脱离这些确定性项的设定。\n\n似然框架允许检验对 \\(\\beta\\) 施加的约束，例如由理论指定的价格系数，也允许检验对 \\(\\alpha\\) 施加的约束，例如某个方程中的调整系数为零。在适当的识别条件和正则条件下，许多此类约束都可以用似然比方法进行检验。这些条件检验不同于秩检验本身，其临界值分布也未必具有秩检验那样的非标准特征。\n\n随着变量个数和滞后阶数增加，系统估计的难度也随之上升。一个包含 \\(n\\) 个变量、\\(p\\) 阶滞后的水平值 VAR 模型，仅滞后项系数就有 \\(n^2p\\) 个，尚未计入确定性项和协方差参数。样本过短、滞后阶数过高、残差自相关以及参数变化，都可能使秩检验失真。高斯最大似然估计为经典推导提供了基础，但当新息不满足理想假设时，统计推断会受到影响，因而可能需要采用适当的稳健方法或自助采样方法。"
    },
    {
      "heading": "估计收敛速度与统计推断",
      "text": "协整回归具有一种特殊的渐近性质：在标准条件下，长期斜率估计量以 \\(T\\) 的速度收敛，而不是平稳回归中通常的 \\(\\sqrt{T}\\) 速度。这称为超相合性。直观地说，错误的斜率会使回归残差中留下一部分单整趋势。随着样本量增大，这种错误在最小二乘准则中造成的代价也会越来越大。\n\n超相合性并不意味着常规回归输出会自动有效。长期关系中的解释变量可能与平稳扰动项相关，创新项也可能存在序列相关。这些特征会影响极限分布，并可能在 \\(T\\) 尺度上产生渐近偏差。因此，即使系数估计量本身是相合估计量，一个看起来精度很高的常规标准误也未必能给出有效的置信区间。\n\n彼得·菲利普斯和布鲁斯·汉森于1990年提出的完全修正最小二乘法，通过基于长期协方差估计的修正来处理这些问题。该方法对协整回归中的内生性和序列相关进行调整。实施这一方法需要估计跨各个滞后期累积的协方差，通常会用到核函数和带宽。在有限样本中，不同的调节参数选择可能影响结果。\n\n动态最小二乘法尤其与詹姆斯·斯托克和马克·沃森1993年的研究密切相关。该方法在水平值方程中加入解释变量差分的超前项和滞后项：\n\n\\[y_t=a+\\beta'x_t +\\sum_{j=-q}^{q}c_j'\\Delta x_{t-j}+v_t.\\]\n\n这些附加项有助于处理解释变量创新项与回归扰动项之间的相关性。进行推断时，仍须恰当处理残差的序列依赖，并对底层单整系统作出相应假设。超前项和滞后项过多会消耗观测值，并可能降低估计精度。\n\n在系统估计中，对协整关系施加限制时需要关注统计识别。当 \\(r>1\\) 时，仅靠归一化未必能区分不同的经济关系。所施加的限制必须足以识别选定的向量，而超出识别所需的限制则可以成为可检验的经济假设。统计拟合程度无法判定某种特定的归一化究竟代表需求方程、政策规则，还是其他结构关系。\n\n有限样本中的不确定性还包括协整秩本身的不确定性。以选定的秩为条件所作的推断，通常并未纳入秩选择带来的全部影响。因此，报告中的长期系数可能显得比整个建模过程实际所能支持的更为确定。对预测结论也应保持类似的谨慎：当关系本身或调整动态发生变化时，对样本内关系的超相合估计并不能保证样本外预测的稳定性。"
    },
    {
      "heading": "确定性成分与结构变化",
      "text": "协整分析区分随机趋势与确定性趋势。趋势平稳序列可以写为\n\n\\[x_t=a+bt+v_t, \\qquad v_t\\sim I(0).\\]\n\n该序列相对于确定性直线的偏离是平稳的。相比之下，单整序列包含累积的随机冲击。对前者进行差分可能会不必要地改变其动态特征，而对后者去除确定性趋势则无法消除其随机趋势。因此，在这两种描述之间作出选择，是建模中的一个实质性问题。\n\n协整关系本身也可能包含趋势：\n\n\\[y_t-a-bx_t-ct\\sim I(0).\\]\n\n这里的平稳偏差，是相对于一个随时间发生确定性变化的关系而言的。这不同于要求 \\(y_t-bx_t\\) 围绕某个固定均值波动。截距也可以发挥不同的作用：有些设定允许协整误差的均值非零，另一些则允许变量的水平值存在确定性漂移。这些不同设定会使秩检验统计量具有不同的分布。\n\n结构突变带来了另一类困难。假设突变前的稳定关系从 \\(y_t=a_1+bx_t+u_t\\) 变为 \\(y_t=a_2+bx_t+u_t\\)。如果对全样本进行回归时强制使用同一个截距，得到的残差可能会表现出很强的持续性。斜率变化的影响更大，因为错误施加的系数约束可能使拟合误差中仍然留有单整成分。\n\n1996年提出的 Gregory–Hansen 检验，将基于残差的协整检验扩展到一类备择假设：协整关系的某些指定特征存在一次发生时间未知的突变。检验在剔除两端部分观测后的样本区间内搜索候选突变时点，所得统计量需要使用专门针对突变情形的临界值。其原假设是不存在协整；拒绝原假设支持的是相应的含突变协整备择假设，而不能据此笼统地断言模型的各个方面都保持稳定。\n\n已知的干预也可以通过适当的虚拟变量或分段确定性成分来表示。然而，一次性的加性异常值、永久性的水平跃变、斜率变化以及调整速度变化，不能相互等同。它们对数据的影响各不相同，需要采用相应的模型。如果搜索了许多突变时点或模型设定，却未在推断中考虑这一搜索过程，常规P值的解释就会发生变化。\n\n其他形式的非平稳性也很重要。月度或季度序列可能包含季节单位根，因此有必要考虑季节频率上的协整。测量定义的变化、时间聚合以及历史数据修订，也可能改变表面上呈现的关系。即使两种情形都在某一次检验中达到了名义显著性并拒绝原假设，完全依赖某一个样本端点或某一种确定性成分设定的发现，与在多种合理设定下都持续存在的关系，在统计意义上仍有区别。"
    },
    {
      "heading": "经济含义与应用",
      "text": "协整为一些提出的长期经济约束赋予了精确的统计含义。如果消费的对数 \\(c_t\\) 和收入的对数 \\(y_t\\) 均为 \\(I(1)\\)，那么关系式\n\n\\[c_t-a-by_t\\sim I(0)\\]\n\n描述了一种稳定的对数线性关联。如果 \\(b=1\\)，消费收入比的对数就在 \\(a\\) 附近平稳波动。如果 \\(b\\neq1\\)，平稳的则是一个加权对数差。因此，实证上是否存在协整关系，与理论上对斜率施加何种约束，是两个不同的问题。\n\n购买力平价提供了另一个例子。令 \\(s_t\\) 表示以本币计价的外币价格的对数，\\(p_t\\) 和 \\(p_t^*\\) 分别表示本国和外国价格水平的对数。实际汇率的对数为\n\n\\[q_t=s_t+p_t^*-p_t.\\]\n\n在允许均值为常数的情况下，\\(q_t\\) 平稳对应于特定的协整向量 \\((1,1,-1)\\)。找到这三个变量的某个不受约束的平稳组合，并不等于确立了这一特定约束，前者的结论更弱。交易成本、商品篮子的差异以及相对价格的持续变化，也会使解释更加复杂。\n\n不同期限的利率是协整的又一个应用领域。如果长期利率和短期利率均为 \\(I(1)\\)，那么利差平稳就意味着存在协整关系，其系数与 \\((1,-1)\\) 成比例。基于预期的利率期限结构理论为考察这类约束提供了依据，但仅凭协整并不能确立整套理论：预期、风险溢价和短期调整还涉及额外条件。\n\n在金融市场中，协整用于研究相互关联的资产价格及其相对价值关系。两个价格序列可能具有共同的持久性成分，同时其加权价差是平稳的。然而，平稳性并不意味着存在无成本套利，也不保证交易能够获利。融资成本、交易摩擦、估计误差、调整速度以及关系的结构性突变，都可能产生影响。统计意义上的价差并不自动等同于可实现的无风险收益。\n\n协整也见于货币需求、国际贸易、大宗商品市场和能源需求模型。例如，长期需求方程可以将实际货币余额的对数、收入的对数与一个机会成本变量结合起来。经济理论提供候选变量和系数约束；时间序列模型则评估这些变量的联合行为是否与所提出的随机关系相容。\n\n不过，对“均衡”这一说法必须谨慎理解。残差平稳意味着，在模型设定下，偏离具有稳定的概率性质，而不一定意味着市场出清或行为最优。协整也不能确立因果关系。共同的遗漏因素、会计关系和制度安排，都可能产生稳定的变量组合。即使误差修正项能够预测后续变化，识别政策干预的效应仍需要额外假设。"
    },
    {
      "heading": "非线性、分数阶与高阶扩展",
      "text": "标准协整对模型中所含变量而言是线性的，不过这些变量本身可能已经经过变换，例如取对数。对数价格之间的平稳关系，不一定对应于未经变换的价格之间的平稳线性组合。非线性扩展允许更广泛的均衡关系或调整机制，但这是两个不同的问题：线性的长期关系可以与高度非线性的短期调整并存。\n\n门限协整允许系统的响应取决于偏离均衡的幅度或方向。例如，只有当价差超出交易成本区间时，系统才可能发生调整。一个示意性的标量方程为\n\n\\[\\Delta y_t= \\begin{cases} \\lambda_1 e_{t-1}+\\cdots, & e_{t-1}\\leq c,\\\\ \\lambda_2 e_{t-1}+\\cdots, & e_{t-1}>c. \\end{cases}\\]\n\n门限 \\(c\\) 和各区制特有的系数使系统在不同区域可以表现出不同的行为。平滑转换模型用连续的转换函数取代突变式切换。稳定性要求完整的动态系统满足相应条件，而不只是某些区制中出现负系数。\n\n分数阶单整通过算子 \\((1-L)^d\\) 将差分推广到非整数阶，其中 \\(Lx_t=x_{t-1}\\)。当某个线性组合的单整阶数低于其组成序列的单整阶数时，就存在分数阶协整。均衡误差可以保留长记忆性，不一定是 \\(I(0)\\)。根据所涉及的阶数，偏离均衡的误差可能平稳但具有很强的持续性，也可能虽然持续性弱于原始序列，却仍然非平稳。\n\n包含 \\(I(2)\\) 变量的系统需要另一种扩展。\\(I(2)\\) 水平变量的线性组合可能是 \\(I(1)\\)，而同时包含水平值和一阶差分的组合则可能产生平稳表达式。由此产生的约束无法用普通的 \\(I(1)\\) 向量误差修正模型（VECM）刻画。多项式协整将涉及滞后多项式的关系形式化，而专门的 \\(I(2)\\) 分析则区分相关的秩和单整阶数的降低。\n\n面板协整研究对多个个体进行长期观测所得到的序列之间的长期关系，这些个体可以是国家、企业或地区。合并数据可以增加信息量，但模型必须区分共同斜率与个体特有斜率，并考虑个体之间的依赖关系。共同的国际冲击可能使名义上彼此独立的观测值产生很强的依赖性，从而使基于截面独立性推导的程序失效。\n\n这些扩展改变了标准检验成功或失败所代表的含义。未能发现线性的 \\(I(1)\\) 协整关系，并不能排除所有非线性或分数阶长期关系。反过来，采用越来越灵活的替代模型，也会带来额外的估计问题和多重检验问题。应采用哪种扩展，取决于所明确指定的过程特征，例如门限调整、个体异质性或更高的单整阶数，而不应仅仅出于获得平稳拟合误差的愿望。"
    },
    {
      "heading": "历史发展",
      "text": "协整概念的出现，是对具有持续性的经济数据进行回归分析这一问题得到更广泛重新审视的结果。G. 尤德尼·尤尔于1926年对“无意义相关”的讨论，早早就提出警示：时间序列之间的关系可能看起来十分有说服力，却并非源于实质性联系。此后，随机过程理论的发展使人们能够更严格地区分持续性的不同来源。\n\n克莱夫·格兰杰和保罗·纽博尔德于1974年发表的伪回归论文，通过模拟单整序列有力地展示了这一问题。他们的结果表明，将常用的回归诊断方法应用于彼此无关但具有持续性的过程时，可能会得出误导性结论。随后，彼得·菲利普斯于1986年开展的理论分析解释了伪回归渐近性质的若干重要方面。这些研究确立了一点：问题并不只是少数样本碰巧出现异常，也不是对常规标准误稍作修正就能解决的。\n\n与此同时，应用动态模型已经开始使用误差修正机制。詹姆斯·戴维森、戴维·亨德里、弗兰克·斯尔巴和斯蒂芬·约于1978年对英国消费的研究，就是一个著名例子。这类模型将经济变量的变动与偏离长期关系的滞后项结合起来。协整理论后来为判断这种结合在何种情况下适用提供了随机过程方面的理论基础。\n\n格兰杰1981年的研究将协整概念引入了时间序列关系分析。罗伯特·恩格尔和格兰杰于1987年发表的论文《协整与误差修正：表示、估计与检验》，汇集了表示定理、估计结果以及一种实用的基于残差的检验程序。该论文明确阐释了：当回归误差平稳时，为什么单整变量之间能够存在有意义的水平值关系。\n\n约翰森1988年的似然分析随后将研究重点从单方程转向多变量系统的秩结构。系统方法的发展，使研究者能够估计多个长期关系、检验其系数所受的约束，并将协整空间与基于经济含义选定的归一化方式区分开来。斯托克和沃森的相关研究则将协整系统与共同随机趋势联系起来。\n\n后续研究进一步发展了经过修正的估计量、更精确的临界值、结构突变检验、非线性调整模型，以及分数阶协整和面板协整等扩展。2003年，格兰杰与恩格尔共同获得瑞典国家银行纪念阿尔弗雷德·诺贝尔经济学奖。格兰杰因其分析具有共同趋势的经济时间序列的方法而获奖，恩格尔则因其研究时变波动性的方法而获奖。这些贡献针对的是经济数据的不同特征：协整关注水平值之间具有持续性的关系，而波动率模型关注条件变异程度的变化。"
    }
  ],
  "links": [
    "time-series",
    "econometrics",
    "stationary-process",
    "covariance",
    "linear-span",
    "random-walk",
    "coefficient-of-determination",
    "correlation",
    "identity-matrix",
    "matrix-rank",
    "statistical-independence",
    "ordinary-least-squares",
    "variance",
    "statistical-power",
    "eigenvalues-and-eigenvectors",
    "sampling-distribution",
    "maximum-likelihood-estimation",
    "bootstrap-sampling",
    "consistent-estimator",
    "standard-error",
    "confidence-interval",
    "statistical-identification",
    "p-value",
    "exchange-rate",
    "causal-inference",
    "multiple-testing"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}