《协整检验.docx》由会员分享，可在线阅读，更多相关《协整检验.docx（3页珍藏版）》请在三一文库上搜索。
1、。伪回归： 如果一组非平稳时间序列之间不存在协整关系，则这一组变量构造的回归模型就是伪回归。残差序列是一个非平稳序列的回归被称为伪回归，这样的一种回归有可能拟合优度、显著性水平等指标都很好，但是由于残差序列是一个非平稳序列，说明了这种回归关系不能够真实的反映因变量和解释变量之间存在的均衡关系，而仅仅是一种数字上的巧合而已。伪回归的出现说明模型的设定出现了问题，有可能需要增加解释变量或者减少解释变量，抑或是把原方程进行差分，以使残差序列达到平稳。伪回归是回归方程时间序列数据中涉及的一个概念。该问题通俗来讲， 就是： 本来两个变量之间是不存在任何经济关系的，但是因为这两个时间序列数据表现出的变化趋
2、势是一致的，所以，当你对其进行回归时候会得到一个很高的可决系数，让你误以为这一回归关系显著成立。其实这一回归关系是错的，即伪回归。要想避免伪回归，应首先对变量进行平稳性检验，接下联进行协整检验。若变量之间存在协整关系，这一回归才算成立。负相关negative correlation在回归与相关分析中，因变量值随自变量值的增大( 减小 ) 而减小 ( 增大 ) 的现象。在这种情况下，表示相关程度的相关系数为负值。相关程度用相关系数r 表示，-1 r1 ，r 的绝对值越大， 表示变量之间的相关程度越高，r 为负数时，表示一个变量的增加可能引起另一个变量的减少，此时，叫做负相关。统计学中常用相关系数
3、r 来表示两变量之间的相关关系。r 的值介于 -1 与1之间 ,r 为正时是正相关，反映当x 增加 ( 减少 ) 时 ,y 随之相应增加( 减少 ) ；呈正相关的两个变量之间的相关系数一定为正值，这个正值越大说明正相关的程度越高。当这个正值为1时就是完全正相关的情形，如点子排为一条直线，为完全正相关。正相关虽然意思明确，其实是个模糊的概念，不可以量化，只是定性说法。如果有明确的关系，例如y=2x，这叫y 与 x 成正比，如果只是大体上，x、y 的变化方向一样，例如x 上升， y 也上升或者x 下降， y 也下降，那么，这叫正相关。反之，x 上升， y 却下降，或者x 下降， y 却上升，就叫负
4、相关了。正相关Positive correlation），是指两个变量变动方向相同，一个变量由大到小或由小到大变化时， 另一个变量亦由大到小或由小到大变化。 即其数据曲线的切线斜率始终大于零。如身高与体重，身高越长，体重就越重。也就是说，在正相关的情况下，一个变量随着另一个变量的变化而发生相同方向的变化（两个变量同时变大或变小）。其中，引起变化的量叫做自变量（即自己发生变化的量），另一个变量叫做因变量（即跟着自变量变化的量）。统计学中常用相关系数r 来表示两变量之间的相关关系。r 的值介于 -1 与1之间 ,r 为正。1。时是正相关，反映当x 增加 ( 减少 ) 时 ,y 随之相应增加( 减少
5、 ) ；呈正相关的两个变量之间的相关系数一定为正值，这个正值越大说明正相关的程度越高。线性回归从上面的散点图可以看出，这些点大致分布在通过散点图中心的一条直线附近。如果散点图中的分布从整体上看大致有在一条直线附近，就称这两个变量之间具有线性相关关系，这条直线叫做回归直线。附：回归直线的算法：ADF检验的原假设是存在单位根，一般EVIEWS输出的是ADF检验的统计值，只要这个统计值是小于 1%水平下的数字就可以极显著的拒绝原假设，认为数据平稳。注意， ADF值一般是负的，也有正的，但是它只有小于 1%水平下的才能认为是及其显著的拒绝原假设P 值是 t 统计量对应的概率值，所以t 和 p 两者是等
6、效的，看p 就够了。 P 值要求小于给定的显著性水平，一般是0.05 、0.01 等， p 越接近于 0越好；是要判断ADF值与三个水平下的值，小于的话， 不需要做差分， 大于的情况下要做差分序列和 ADF检验；P 值和 ADF检验都是参考目标，但主要是ADF值，因为它的约束较P 值严格， P 值存在于给定显著水平内即可。E-VIEWS中很多数据值相同的参考意义，建议你去看看E-views 软件的说明书， 那里一般有详细介绍，你以后的问题就不会停留在初步了，说明书一般是英文的。 。看 ADF检验的伴随概率，如果小于 0.05 ，就拒绝原假设，说明序列是平稳的。否则，无法拒绝原假设，序列非平稳。如果 ADF检验统计值大于各显著水平下的临界值，则序列非平稳。如果 ADF检验统计值小于各显著水平下的临界值，则序列平稳。2。欢迎您的下载，资料仅供参考！致力为企业和个人提供合同协议，策划案计划书， 学习资料等等打造全网一站式需求。3