StataIC——协整检验与误差修正模型

一、简介

1. 这篇博文是在博主写的上一篇《StataIC——数据描述性统计分析、平稳性检验、平稳化》的基础上的建立的传送门，这篇博文主要是做协整检验和误差修正模型。
2. 本篇博文是一篇关于线性回归的基本操作；时间序列的平稳性检验、协整检验和误差修正模型（在下一篇博文里延续）等的博文。
3. 博主是一个普普通通的大学生，没有很厉害的技术，写的内容都是不太正经的偏小白简单的，写的也是学校教过的知识消化后自己的见解，不是很学术研究的博文。
4. 配置：Window 7旗舰版+64位操作系统+StataIC 14（64-bit）

二、协整检验（EG两步法）

由上一篇博文的结论可知，gdpr和consr都是一阶单整的，接下来做协整检验，看gdpr和consr二者是否存在长期均衡关系。

1.OLS回归

• 命令：

reg varname1 varname2          #varname1和varname2为两个变量的名称

• 例：
  输入命令：reg gdpr consr
  
  结果如下图所示：
  

2.对残差做单位根检验

1. 生成残差
   （1）命令：predict e，residual #固定语句，不需要进行变量名的替换
   （2）例：
   输入命令：predict e，residual
   
   结果如下图所示：
   
2. 对残差做单位根检验
   （1）先将e设置成时间序列，输入命令tsset year,Enter键按一下。(year可以替换成你的时间变量名)：
   
   结果如下图所示：
   
   （2）然后紧接着输入命令：dfuller e,nocons reg（固定语句，无需进行变量名的替换）
   
   结果如下图所示：
   

3.结论

1. 拒绝原假设（原假设：至少存在一个单位根），从5%的临界值来看，他的残差e是平稳的。意味在95%的水平下，我们可以去拒绝原假设。
2. 因此，gdpr和consr是存在长期均衡关系的，估计出的协整关系gdpr=0.02+0.93*consr即为{gdpr，consr}之间的长期均衡关系（其中0.02，0.93为长期参数）。
3. 第二点的参数来自于下图红色框处。
   
4. 所以长期均衡公式为：
   

三、建立误差修正模型（ECM）

长期均衡公式有了，如果要估计{gdpr，consr}之间的短期关系（短期参数），则需要使用误差修正模型（ECM）。

1.公式解读

2.误差正模型

1. 因为consr和gdpr是协整的，建立误差修正模型（ECM）：
   
2. 其中，误差修正项是：
   
3. 长期均衡公式：
   

3.生成误差修正项ecmt-1

1. 生成残差的滞后项，命令：gen ecm=l.e（固定语句）
   
   结果如下图所示：
   
2. 生成被解释变量的滞后项，命令：gen dgdpr_lar=l.dgdpr（非固定语句，需替换变量名）：
   
   结果如下图所示：
   

4.用OLS法估计误差修正模型的参数

1. 命令：

reg dvarname1 dvarname1_lar dvarname2 ecm

2. 例：
   输入命令：reg dgdpr dgdpr_lar dconsr ecm
   
   结果如下图所示：
   

5.统计检验

1. 拟合优度检验：调整R2为0.7933，说明解释变量能反映被解释变量79.33%的变化。因为这里仅仅研究了gdpr和consr之间的关系，还有很多其他因素并未引入。
2. F检验：P值为0.0000，说明回归方程整体显著。
3. T检验：解释变量dgdpr_lar和dconsr的p值分别为0.039和0.000，显著。
4. ecm和常数项p值为0.053和0.769，不显著。

6.调整

由于常数项和ecm的t检验不显著，将他们去除，重新输入回归命令：
reg dgdpr dgdpr_lar dconsr,nocons

结果如下图所示：

7.结果

最终估计出的误差修正模型：

四、计量经济学检验

1. 异方差：异方差一般存在于截面数据，举的例子是时间序列数据。
2. 序列相关：变量已经做了差分。
3. 多重共线性：一般是在回归前做相关系数矩阵。此实验报告长期均衡回归方程只有1个解释变量。误差修正模型中的，dgdpr_lar和ecm可以看他们的相关系数，输入命令：pwcorr dgdpr_lar ecm,sig
   
   结论：相关系数0.5740，小于0.8，可以认为不存在多重共线性。
   结果如下图所示：
   

五、总结

其实StataIC的操作和语句都很简单，主要是了解模型里的变量名。

**码字不易，点个赞吗？**ヾ(=･ω･=)o