序列平稳性检验Granger因果检验联立模型识别分析.docx
《序列平稳性检验Granger因果检验联立模型识别分析.docx》由会员分享，可在线阅读，更多相关《序列平稳性检验Granger因果检验联立模型识别分析.docx（8页珍藏版）》请在冰豆网上搜索。
序列平稳性检验Granger因果检验联立模型识别分析
《计量经济学》上机指导手册四
§4.1实验介绍
4.1.1上机实验名称
时间序列平稳性检验
格兰杰因果检验
联立模型识别
联立模型单方程法估计
联立模型系统法估计
4.1.2实验目的
（1）能够掌握时间序列数据的平稳性检验Eviews操作方法，并能在此基础上对数据进行格兰杰因果检验。
（2）通过实验能够识别联立方程模型，并分别用单方程和系统法对模型进行估计。
4.1.3实验要求
根据实验数据，完成实验报告。
对于已经完成的工作，请自我测评。
将完成要求的标题标成蓝色，未完成的标成红色。
例如：
4.1.4数据资料
（1）《16-17-1EViews上机数据4.xls》中《GrangerTest》；
（2）《16-17-1EViews上机数据4.xls》中《simultaneousequationmodel》。
§4.2序列平稳性检验及Granger因果检验
根据1993年第二季度至2007年第一季度我国央行三个月再贷款利率（R）和广义货币供应量M2（单位：
亿元）的季度数据（见《14-15-1EViews上机数据3.xls》中《GrangerTest》）。
利率是由货币供应量和货币需求量共同决定的。
为了研究利率和货币供应量之间的关系，我们对利率R和广义货币供应量M2进行Granger因果关系检验。
由于检验回归模型中的变量滞后长度m是任意的，因此本实验将检验多个不同的m值，以保证检验结果不受m影响。
同时在检验前，要保证序列是平稳的。
4.2.1序列平稳性检验及调整
（1）创建一个新的工作文件，建立工作对象文件，完成准备工作。
（2）分别对R和M2进行单位根检验。
打开序列，选择view/unitroottest/，可见两者的prob都较高，序列不平稳，需要进行变换。
（3）对序列R进行一阶差分，即令
。
在Eviews命令窗口输入“Seriesr1=d（R）”，生成新序列，并进行单根检验。
将单根检验结果贴
（4）对序列M2进行一阶自然对数差分，即令
。
在Eviews命令窗口输入“SeriesM2P=d（log（M2））”，生成新序列，并进行单根检验。
将单根检验结果贴图在下方。
4.2.2Granger因果检验
（1）生成新组，在Eviews命令窗口输入命令“Groupg1R1M2P”生成新组并打开。
（2）在窗口工具栏选择view/grangercausality...，选择滞后长度为2，确认后得到格兰杰因果检验结果。
请贴图如下：
（3）NullHypothesis列出了Granger因果检验的两个原假设“M2PdoesnotGrangerCauseR1（M2P不是引起R1变化的Granger原因）”和“R1doesnotGrangerCauseM2P（R1不是引起M2P变化的Granger原因）”。
在给定显著性水平5%的条件下，判定lags=2的条件下，R1和M2P的因果关系。
答：
M2P是引起R1变化的格兰杰原因，R1不是引起M2P变化的格兰杰原因。
（4）选择滞后长度分别为3、4，分别重复
（2）中的操作，然后和
（2）的结果一并汇总完成下表（显著性水平5%）。
原假设
滞后长度
F统计量
伴生概率
拒绝或接受原假设
M2PdoesnotGrangerCauseR1
2
6.36490
0.0035
拒绝
R1doesnotGrangerCauseM2P
1.13496
0.3299
接受
M2PdoesnotGrangerCauseR1
3
3.24888
0.0304
拒绝
R1doesnotGrangerCauseM2P
1.32283
0.2787
接受
M2PdoesnotGrangerCauseR1
4
2.30374
0.0742
接受
R1doesnotGrangerCauseM2P
1.07045
0.3832
接受
（5）请判断R1和M2P的格兰杰因果关系。
答：
在2阶条件下，M2P是引起R1变化的格兰杰原因，R1不是引起M2P变化的格兰杰原因。
在3阶条件下，M2P是引起R1变化的格兰杰原因，R1不是引起M2P变化的格兰杰原因。
在4阶条件下，M2P不是引起R1变化的格兰杰原因，R1不是引起M2P变化的格兰杰原因。
§4.3联立模型识别
根据某年美国各州和地方政府的原始数据整理得到费用数据（见《14-15-1EViews上机数据4.xls》中《simultaneousequationmodel》），进行联立方程模型估计。
其中：
EXPD表示州政府和地方政府的费用支出（单位：
百万美元）；
AID表示联邦政府补贴（单位：
百万美元）；
INC表示各州收入（单位：
百万美元）；
POP表示各州人口总数（单位：
千人）；
PS为小学和公立中学的在校人数（单位：
千人）。
州政府和地方政府的费用支出和联邦政府补助、州收入以及人口因素有关。
同事，各州所获得政府补贴也与消费支出以及小学生和公里中学在校学生人数有关。
因此根据分析，建立了如下联立方程模型：
（4.1）
（4.2）
根据上述资料完成以下任务：
（1）对上述联立方程模型估计之前进行模型的识别判断；
（2）使用狭义工具变量法和二阶段最小二乘法估计联立模型中的可识别方程；
（3）使用三阶段最小二乘法对可识别的模型进行系统估计；
（4）使用Hausman确认检验方法对上述模型进行联立性检验。
4.3.1联立模型的识别条件
对于联立方程模型，秩条件给出了模型是别的充分条件，阶条件给出了模型是别的必要条件。
阶条件是：
如果联立模型中的某个方程是可以是别的，则它所不包含的先决变量个数（
）必须大于或者等于它所包含的内生变量个数（m）减去1，即
。
在模型可识别的基础上，若
，则方程恰度识别；若
，则方程过度识别。
4.3.2对方程的识别
上述方程组中，由于只包含两个简单的连立方程模型，因此可以判断每个方程都是可识别的，因此整个模型是可识别的。
在联立方程模型中，
内生变量为：
EXPDAID
先决变量为（含常数项）：
INCPOPPS常数项C
k=4
（1）在方程（4.1）中，
，m-1=1，方程1为恰好识别，可以用间接最小二乘方法进行估计。
（2）在方程（4.2）中，
，m-1=1，方程2为过渡识别，可以用二阶段最小二乘方法进行估计。
§4.4联立模型单方程估计（选做）
4.4.1方程（4.1）的估计
（1）在Eviews主菜单中选择quick/EstimateEquation命令，打开方程定义对话框，在对话框的Method下拉菜单中选择TSLS。
在EquationSpecification中写出方程（4.1）的估计形式，在工具变量列表中写入“cincpopps”，即将所有的先决变量（包含常数项）作为工具变量。
请将你完成的“EquationSpecification”对话框贴图在下方。
（2）请将你完成的输出结果贴图在下方。
（3）结果分析。
请根据你做出的结果分析你的统计检验结果（F检验、t检验在5%和10%的显著性水平下的不同结果、可决系数等）。
（4）由于常数项不显著，尝试用TSLS方法将常数项去掉后重新估计。
将结果和
（2）的结果进行比较，并分析两个结果，将较优的结果写出来（注意模型的完整性，包括t检验值、修正过后的可决系数、F检验、DW值等等）。
（5）对（4）中的模型形式进行经济理论分析（描述联邦政府补贴和各州收入对州政府和地方政府的消费支出的影响，以及各州人口对于政府指出的影响）。
4.4.2方程（4.2）的估计
（1）在Eviews命令窗口输入“tslsAIDcexpdps@cincpopps”，得到TSLS方法的估计结果，请将结果贴图如下：
（2）结果分析。
请根据你做出的结果分析你的统计检验结果（F检验、t检验在5%和10%的显著性水平下的不同结果、可决系数等）。
（3）由于常数项不显著，尝试用TSLS方法将常数项去掉后重新估计。
将结果贴图如下：
（4）将结果和
（1）的结果进行比较，并分析两个结果，将较优的结果写出来（注意模型的完整性，包括t检验值、修正过后的可决系数、F检验、DW值等等）。
（5）对（4）中的模型形式进行经济理论分析（描述州政府和地方政府消费支出以及在校学生对联邦政府补贴的影响）。
§4.5联立模型系统法估计（选做）
考虑到联立方程模型各方程之间随机误差项可能存在垮方称相关的问题，采用系统模型可以同时确定模型中的各方程参数，并获得参数一直且有效的估计量。
4.5.1建立联立模型系统对象
在Eviews主菜单选择Object/NewObject命令，在弹出窗口的typeofobject列表选择system并命名。
然后打开系统文件，在空白处输入内容。
第一行：
“instcincpopps”，其中“inst”所在行表示设置联立模型估计使用到的工具变量列表。
第二三行：
方程（4.1）和（4.2）的方程形式。
用C
（1）、C
（2）、C（3）等依次为联立模型中的待估计参数排序。
请将你完成的Sytem描述贴图在下方。
4.5.2对系统进行估计和修正
（1）在system描述窗口点击proc/estimate，在method中选择Three-stageLeastSquares，点击确定，将结果粘贴在下方，并从经济意义和统计检验的角度分析结果是否满意。
（2）在system窗口点击view/systemspecification，修改系统设定，将常数项去掉，重新进行3SLS回归，将结果粘贴如下：
（3）对比
（1）和
（2）的结果，将更优的模型形式写在下方。
升级会员 