劉漢中

(湖南商學院 經(jīng)濟與貿(mào)易學院，長沙 410205）

0 引言

目前，協(xié)整分析方法已經(jīng)成為宏觀經(jīng)濟或金融經(jīng)濟學中的重要工具之一，在大多數(shù)的協(xié)整分析中，主要集中在協(xié)整關系的檢驗和協(xié)整參數(shù)的估計兩個方面，而對協(xié)整參數(shù)向量的推斷或長期關系檢驗(也常稱為參數(shù)的約束性檢驗)往往被忽視。實際上，對于協(xié)整參數(shù)的推斷有時候是十分必要的，如在購買力平價理論的檢驗中，只有協(xié)整參數(shù)滿足一定的數(shù)量關系時購買力平價理論才成立，這樣必須對協(xié)整參數(shù)進行約束性檢驗，只有當約束性條件成立時購買力平價理論才成立；在生產(chǎn)函數(shù)研究中，協(xié)整參數(shù)的推斷可以幫助我們判斷規(guī)模報酬是遞增、遞減或不變，如果參數(shù)之和大于1則認為是規(guī)模報酬遞增的，這時同樣要對協(xié)整參數(shù)是否滿足約束性條件進行檢驗。

閾值協(xié)整(Threshold Cointegration)是由Balke和Fomby(1997)[1]提出來的，從目前的文獻來看，閾值協(xié)整參數(shù)估計仍然是采用OLS法，因為OLS估計在閾值協(xié)整參數(shù)估計中仍然滿足超一致性。但是，根據(jù)Balke和Fomby(1997)的閾值協(xié)整定義[2]，參數(shù)的OLS估計量所構造的檢驗統(tǒng)計量必然呈現(xiàn)不同的性質(zhì)，因為在閾值協(xié)整方程式中，隨機干擾項本身蘊含有非線性的自相關結構，常規(guī)的OLS估計程序通常會低估統(tǒng)計量的標準誤(Standard Error)，從而使得t統(tǒng)計量被高估，增大拒絕原假設的概率。同時由OLS估計量構造的F或Wald統(tǒng)計量也會被高估，從而引起協(xié)整參數(shù)推斷的誤導。另外如果在閾值協(xié)整中，解釋變量具有內(nèi)生性時，同樣的問題是OLS估計量構造的t、F或Wald統(tǒng)計量不再具有標準的極限分布，其極限分布也依賴于冗余參數(shù)，常規(guī)的t、F或Wald檢驗已經(jīng)失去意義，因此對閾值協(xié)整參數(shù)的修正估計并由此構造參數(shù)約束性檢驗統(tǒng)計量就顯得十分必要。本文擬這一研究背景下，利用三種修正的估計法來構造相應的檢驗統(tǒng)計量，展開對閾值協(xié)整參數(shù)的推斷，目的在于揭示三種修正方法在閾值協(xié)整參數(shù)推斷中適用性。具體而言，在有限樣本下，我們將通過對各種閾值協(xié)整設定下的三種估計法(FM-OLS、CCR和DOLS)所構造的檢驗統(tǒng)計量進行模擬并與標準正態(tài)分布進行比較，找出各統(tǒng)計量的經(jīng)驗分布和標準正態(tài)之間的差距，找出影響各推斷方法與閾值協(xié)整參數(shù)設定和樣本容量變化的變化規(guī)律，揭示各種方法在閾值協(xié)整參數(shù)推斷中的適用性，從而提供適用于閾值協(xié)整參數(shù)推斷的估計方法。

1 閾值協(xié)整概述

其中Xt、Yt都是I(1)過程，μt是I(0)過程，且可以表示為一個平穩(wěn)的自回歸過程。如果(1)式中的協(xié)整誤差項μt的數(shù)據(jù)生成過程(DGP)是以下閾值自回歸模型(TAR)：

根據(jù)Balke和Fomby(1997)的定義，有如下的模型：

其中：參數(shù)β是變量之間的閾值協(xié)整系數(shù)向量，γ是閾值變量，μt-1是轉換變量，則這時的協(xié)整被稱之為閾值協(xié)整。如果協(xié)整誤差項是形如式(2)的數(shù)據(jù)生成機制，則稱為兩機制的閾值協(xié)整；如果是形如式(3)的數(shù)據(jù)生成機制，則稱為三機制的閾值協(xié)整。閾值協(xié)整的誤差修正模型具有非線性調(diào)整機制，從而對變量短期變化產(chǎn)生不同的調(diào)節(jié)效應，所以閾值協(xié)整對應的ECM是長期均衡和短期波動的非線性階梯函數(shù)，這種非線性調(diào)節(jié)對于檢驗經(jīng)濟學和金融學理論具有重要的意義(劉漢中，2007)。

如果上面的式(1)表示閾值協(xié)整時，隨機干擾項必須服從形如式(2)和(3)所示的TAR模型，且同時也要滿足平穩(wěn)性。對于TAR模型的平穩(wěn)性，Chan和Petruccelli等(1985)[3]提出了式(2)滿足平穩(wěn)遍歷的充分條件，即；ρ×q＜1,ρ,q＜1 Bec、Salem和Carrasco(2004)[4]提出了式(3)的平穩(wěn)遍歷性條件，即θ×λ＜1,θ,λ＜1，且不論中間機制數(shù)據(jù)過程是否為單位根過程。

2 閾值協(xié)整參數(shù)估計法以及相應估計量的極限分布

2.1 FM-OLS估計及其估計量極限分布

其中隨機干擾項μ1t是形如式(2)或(3)所示的TAR模型，協(xié)整系統(tǒng)的隨機干擾項向量μ'=(μ'1,μ'2)'，協(xié)整向量表示為β'=(α,γ')'，μ的長期方差-協(xié)方差分塊矩陣可以表示為：

在（5）式中如果矩陣 Σ21不為0，說明閾值協(xié)整方程的隨機干擾項與解釋變量是相關的，即Y2t不滿足嚴格外生性，則閾值協(xié)整系數(shù)的OLS估計不再具有漸近的正態(tài)分布。

1t,2t分別表示協(xié)整系統(tǒng)的OLS估計殘差或殘差向量。將式(4)的閾值協(xié)整方程兩邊同時減去項得到：

根據(jù)Phillips和Hansen(1990)，我們很容易證明參數(shù)的FM-OLS估計量具有以下的極限分布：

其中是閾值協(xié)整模型在FM-OLS估計量下的隨機干擾項的長期方差。因此閾值協(xié)整參數(shù)的FM-OLS估計量的極限分布為正態(tài)的，由此所構造的t統(tǒng)計量具有標準正態(tài)的極限分布，且對參數(shù)的約束性檢驗所構造的Wald統(tǒng)計量具有標準的極限分布。

2.2 正則協(xié)整回歸(CCR)法以及相應的極限分布

基于(4)所示的三角形表述，長期的方差-協(xié)方差矩陣可以分解為：矩陣可以表示為則CCR方法的數(shù)據(jù)過程變換如下：

對(12)進行OLS估計就是閾值協(xié)整參數(shù)的CCR估計量，同時在(12)式中已經(jīng)消除了內(nèi)生性。根據(jù)Park(1992)，我們很容易得到閾值協(xié)整參數(shù)的CCR估計量具有FM-OLS估計量相同的極限分布，其中ω11?2是(12)式的隨機誤差項的長期方差。同樣基于該估計量構造的Wald統(tǒng)計量具有漸近的χ2分布，構造的t統(tǒng)計量具有漸近的標準正態(tài)分布。

2.3 動態(tài)OLS估計(DOLS)

與非參數(shù)的FM-OLS和CCR方法不同，DOLS是基于協(xié)整回歸式，加入解釋變量的一階差分項的超前(Leads)與滯后(Lags)作為回歸方程的解釋變量，這樣可以消除解釋變量的內(nèi)生性，然后再針對新的回歸模型進行OLS估計，以此求得閾值協(xié)整參數(shù)的估計量。用公式表示如下：

通過對上式進行OLS回歸，求得參數(shù)α、γ的OLS估計量就是閾值協(xié)整參數(shù)的DOLS估計量，并且根據(jù)Stock和Watson(1993)和Hayashi(2000)，可以得到：

其中表示閾值協(xié)整參數(shù)向量的DOLS估計，要特別注意的是向量不包括α和πi參數(shù)的估計量，即(14)式只對長期協(xié)整參數(shù)是成立的，而對截距和差分項前面的參數(shù)是不成立的。另外表示模型(13)中的隨機干擾項εt的長期方差。由此可見，DOLS估計量所構造的t統(tǒng)計量和Wald統(tǒng)計量具有漸近的標準分布，即分別趨于標準正態(tài)分布與標準的χ2分布，這樣可以利用標準分布對閾值協(xié)整回歸參數(shù)進行統(tǒng)計推斷。

從上述分析看，三種修正估計量具有相同的極限分布，其方差-協(xié)方差矩陣都包含有隨機誤差項的未知的長期方差參數(shù)，因此必須要對其進行估計。本文以DOLS法下的長期方差估計為例，由于(13)的設定并不能保證隨機誤差項εt不存在自相關，因此長期方差的估計可以采用以下方法來估計：①擬合殘差εt的AR(L)自回歸模型；②計算是隨機干擾項的方差估計，Den Haan和Levin(1996)[7]認為該估計量是殘差長期方差的一致估計量，滯后階L可以通過赤池信息準則(AIC)或貝葉斯準則(BIC)來確定。另外對于(14)式的滯后階K的確定：運用AIC、許瓦茲信息準則(SC)或利用一般到特殊的建模步驟來確定最佳階數(shù)(Ng和Perron，1995)[8]。

這三種協(xié)整參數(shù)的修正估計法都是通過適當?shù)淖儞Q，消除解釋變量的內(nèi)生性，從而使得估計量具有標準的極限分布，避免了由于協(xié)整變量的內(nèi)生性而導致的參數(shù)OLS估計量的非標準分布問題，因此極大地方便了協(xié)整參數(shù)的推斷，同時也減少了OLS估計量的小樣本偏差。另外劉漢中(2010)[9]已經(jīng)證實三種修正方法都能修正閾值協(xié)整參數(shù)OLS估計的小樣本偏差，但是通過三種估計法來對閾值協(xié)整參數(shù)的約束性檢驗進行推斷，目前的研究還很少，因此本文正是出于這一目的，將對三種估計量在參數(shù)約束性檢驗中的適用性進行研究，尤其是閾值協(xié)整變量是內(nèi)生性變量時，協(xié)整參數(shù)的約束性檢驗進行研究，在此基礎上提出最適宜的修正估計法。3Monte-Carlo模擬設計及其結果

利用三角形表述設定以下的閾值協(xié)整系統(tǒng)，為了簡單起見也不影響一般性，Y1和Y2設定為一維的I(1)單位根過程：

其中μ1t服從TAR(1)模型，說明Y1和Y2之間存在閾值協(xié)整。如果μ1t設定為(2)式的TAR模型，則認為是兩機制的閾值協(xié)整；如果是(3)式則是三機制閾值協(xié)整。隨機干擾項εt設定為：

模擬中σ21分別取0、0.4和0.8，當σ21=0 時說明(15)中的解釋變量是嚴格外生的，否則是內(nèi)生變量。ε1t～iidN(0,1)，ε2t可以通過ε1t和 Σ 的Cholesky分解而得到，樣本容量分別為50和200，真實的協(xié)整參數(shù)設定為α=1,β=2，模擬中集中討論長期參數(shù)β的估計量10000次再進行標準化，觀察與標準正態(tài)分布之間的差距。在DOLS的模擬中，利用AIC準則來確定階數(shù)K，K的最大值是不超過12(T/100)14的最大正整數(shù)(Kurozumi和 Hayakawa，2009)[10]。長期方差估計中的AR(L)的滯后階L采用AIC準則。

在閾值協(xié)整中，為了保證數(shù)據(jù)過程中包含有閾值效應，在兩機制中設定ρ1=0.4和ρ2=0.55,0.99，閾值γ=0.2；由于在模擬中發(fā)現(xiàn)三機制的閾值協(xié)整情形與兩機制閾值協(xié)整相同，三機制閾值協(xié)整并沒有包含很多信息，所以只列出了兩機制閾值協(xié)整模擬結果。

3.1 各種估計的標準化量和標準正態(tài)的比較

圖①是設定，取0.8時的核密度估計圖，圖a、b、c是ρ2=0.55，σ21分別報0、0.4和0.8；圖d、e和f是ρ2=0.99，σ21分別取0、0.4和0.8，樣本容量取200。

從圖1可以得到：①FM-OLS和CCR估計量比其他估計量更接近標準正態(tài)，即使是在沒有內(nèi)生性的情況下也如此，因為其分位數(shù)更加靠近標準正態(tài)分位數(shù)；②在系數(shù)ρ2保持不變的情況下，隨著σ21的增加，即內(nèi)生性程度增加，OLS、CCR和DOLS估計量的分位數(shù)會增加，且都要大于對應的標準正態(tài)分位數(shù)，而FM-OLS估計量要小于相應的標準正態(tài)分位數(shù)，這說明隨著內(nèi)生性程度加強，OLS、CCR和DOLS有過度拒絕原假設的概率，其中OLS具有最大的拒絕概率，而FM-OLS有過度接受原假設的概率，增加速度由快到慢的順序是OLS→DOLS→CCR→FM-OLS；③σ21保持不變時，隨著參數(shù)ρ2的增加，各估計量的分位數(shù)呈增加趨勢，尤其OLS估計量的分位數(shù)增加更快，所以各方法有過度拒絕原假設趨勢，OLS法拒絕原假設的概率最大，增加速度由快到慢的順序也是OLS→DOLS→CCR→FM-OLS。

圖1 各種估計量的分位數(shù)與標準正態(tài)分布分位數(shù)的對照圖

圖2 各估計量的核密度估計圖與標準正態(tài)圖的比較

3.2 收斂到標準正態(tài)分布的速度研究

圖2是設定ρ2=0.55，σ21取0.8時的核密度估計圖，樣本容量分別為50和200，圖a是OLS估計的核密度估計，b、c和d分別是DOLS、FM-OLS和CCR的核密度估計圖。在圖b中沒有給出T＝50時的DOLS估計分布圖，主要原因是DOLS估計量在T=50時非常發(fā)散，即方差很大，在一個圖中很難分辨。

從圖2來看：①OLS和DOLS估計量的右偏程度較大，而FM-OLS和CCR右偏相對較小；②隨著樣本容量增大，收斂到標準正態(tài)的速度快到慢的順序是FM-OLS→CCR→DOLS→OLS。值得注意的是，當T=50時，F(xiàn)M-OLS估計量分布很接近標準正態(tài)分布，而隨著樣本容量的增加，F(xiàn)M-OLS估計量開始左偏，說明FM-OLS估計量所構造的t統(tǒng)計量有可能會過度接受原假設；③隨著樣本容量增加，OLS估計量經(jīng)驗分布幾乎沒有發(fā)生變化，說明即使在樣本容量更大時，OLS估計量構造的t統(tǒng)計量過度拒絕原假設的概率不會減少。

4 結論

閾值協(xié)整在交易成本和固定調(diào)節(jié)成本等經(jīng)濟分析中具有越來越廣泛的應用，但是已有的對閾值協(xié)整參數(shù)的統(tǒng)計推斷研究成果尤其太少，同時在閾值協(xié)整分析中常被忽略的問題是閾值協(xié)整變量的內(nèi)生性問題，在實際經(jīng)濟分析中常常假定變量是嚴格外生的，這嚴重地違背了現(xiàn)實經(jīng)濟問題，本文也正是在這一基礎上展開對閾值協(xié)整參數(shù)推斷的研究。另外在具有內(nèi)生性的閾值協(xié)整中，靜態(tài)的OLS估計量不僅具有小樣本偏差，而且由于丟棄了來自內(nèi)生性變量的信息，因此基于OLS估計量的參數(shù)的約束性推斷有可能存在誤導。鑒于此，本文一方面研究修正的閾值協(xié)整參數(shù)估計——FM-OLS、CCR和DOLS估計及其極限分布，另一方面又在小樣本條件下，MC模擬研究各標準化估計量與標準正態(tài)分布的差距。我們的模擬結果表明：①隨著閾值協(xié)整的非對稱程度增加和內(nèi)生性程度增強，所有估計量與標準正態(tài)分布的差距會增大，增大的速度由快到慢的順序是OLS→DOLS→CCR→FM-OLS，并且除FM-OLS估計量外，其他估計量拒絕原假設的概率也會以同樣的順序增加；②隨著樣本容量的增加，在其他條件不變的情況下，收斂到標準正態(tài)分布的速度由快到慢的順序是FM-OLS→CCR→DOLS→OLS，且隨著樣本容量增加，F(xiàn)M-OLS估計量由很接近標準正態(tài)分布到越來越左偏，因此在樣本容量較大時，F(xiàn)M-OLS極有可能會過度接受原假設；③因為隨著樣本容量的增加，OLS估計量的經(jīng)驗分布幾乎不發(fā)生變化，因此無論是否存在內(nèi)生性，修正估計量都比OLS估計量有優(yōu)勢，這說明修正的閾值協(xié)整參數(shù)估計法不僅可以減少OLS估計量的小樣本偏差，而且也能更加準確地進行參數(shù)的約束性檢驗。

綜上所述，在應用閾值協(xié)整進行經(jīng)濟學分析時，由于實際經(jīng)濟中樣本容量的限制，我們認為無論是協(xié)整參數(shù)的估計，還是參數(shù)的約束性檢驗，都應該首選FM-OLS方法，其次是CCR方法，而其他方法如DOLS法和OLS法都存在較嚴重的過度拒絕原假設傾向，即具有較嚴重的檢驗水平扭曲。

[1]Nathan S.Balke，Thomas B.Fomby.Threshold Cointegration[J].International Economic Reviews,1997,38（3）.

[2]劉漢中.Ender-Granger方法在協(xié)整檢驗中的應用研究[J].數(shù)量經(jīng)濟技術經(jīng)濟研究,2007，(8).

[3]Chan,K.S,Petruccelli,J.D.,H.Tong.A Multiple Threshold Model AR(1)Model[J].Journal of Applied Probability,1985,22(2).

[4]Frederique Bec,Melika Ben Salem，Marine Carrasco.Tests for Unit-root Versus Threshold Specification with an Application to the Purchasing Power Parity Relationship[J].Journal of Business&Economic Statistics,2004,22(4).

[5]Whitney K.Newey,Kenneth D.West.A Simple,Positive Semi-definite,Heteroskedasticity and Autocorrelation Consistent Covariance Matrix[J].Econometrica,1987,（3）.

[6]Newey Whitney,Kenneth West.Automatic Lag Selection in Covariance Matrix Estimation[J].Review of Economic Studies,1994,61(4).

[7]W.J.Den Haan，Andrew Levin.Inferences from Parametric and Non-parametric Covariance Matrix Estimation Processes[C].Technical Working Paper,National Bureau of Economic Research,1996.

[8]Ng and Perron.Unit Root Tests in ARMA Models with Data-dependent Methods for the Selection of the Truncation Lag[J].Journal of the American Statistical Society,1995,90(1).

[9]劉漢中，李陳華.閾值協(xié)整參數(shù)修正估計法的小樣本性質(zhì)比較研究[D].工作論文，2010.

[10]E.Kurozumi，K.Hayakawa.Asymptotic Properties of the Efficient Estimators for Cointegrating Regression Models with Serially Dependent Errors[J].Journal of Econometrics,2009,149，（2）.